趋近智
高级AI基础设施设计与优化
章节 1: 第1章：人工智能平台的架构模式
规模化MLOps原则
算力选择：CPU、GPU 和 TPU 架构
分布式系统的高带宽互连
大规模AI数据集的存储方案
机器学习集群的网络拓扑
实践环节：环境与工具设置
章节 2: 第二章：分布式模型训练的工程化
数据并行：同步与异步更新
大型模型的模型与流水线并行
使用 Horovod 进行训练
使用 Microsoft DeepSpeed 实现 ZeRO 和卸载
长时间运行任务中的容错与检查点技术
动手实践：使用 PyTorch FSDP 进行分布式训练
章节 3: 第三章：使用Kubernetes进行高级资源编排
使用 KubeFlow Pipelines 管理机器学习工作流程
高级GPU调度与共享
面向动态机器学习工作负载的集群自动扩缩容
使用竞价实例和可抢占实例的策略
通过命名空间、配额和优先级类实现多租户
实践：配置GPU感知型自动扩缩组
章节 4: 第4章：高性能模型推理与服务
针对延迟和吞吐量的推理服务架构设计
使用 TensorRT 和 ONNX Runtime 进行模型优化
模型量化技术：INT8和FP8
NVIDIA Triton 推理服务器的多模型服务
模型的A/B测试与金丝雀部署
实战操作：在Triton上部署优化模型
章节 5: 第5章：可伸缩数据管理与特征工程
特征存储的设计与实施
实时与批处理特征计算
结合 DVC 和 Pachyderm 的数据版本控制与血缘追溯
高吞吐量数据处理：Spark 与 Ray
AI数据湖和数据仓储管理
实践：构建一个基本特征摄取管道
章节 6: 第6章：AI的财务运营与治理
将 FinOps 原则应用于机器学习工作负载
机器学习团队的成本归因与分摊模型
优化数据集的云存储成本
为训练和推理合理配置计算资源
自动化成本异常检测
资源消耗治理策略
实践：分析云成本和使用报告
机器学习集群的网络拓扑
这部分内容有帮助吗？
- A Domain Specific Supercomputer for Training Deep Neural Networks, Norman P. Jouppi, Doe Hyun Yoon, George Kurian, Sheng Li, Nishant Patil, James Laudon, Cliff Young, David Patterson, 2020 Communications of the ACM, Vol. 63 (Association for Computing Machinery (ACM)) DOI: 10.1145/3360307 - 详细介绍了Google TPU v4 Pods的网络架构，展示了如何为训练大规模机器学习模型实施高二分带宽的非阻塞胖树网络。