趋近智
AI 平台规划与优化
章节 1: AI 计算基础设施入门
人工智能工作负载概览
CPU在AI系统中的作用
GPU 在加速人工智能中的作用
CPU与GPU架构在机器学习中的对比
TPU及其他ASIC简介
内存及其对大型模型的重要性
AI数据集存储方案
分布式系统的网络考量
动手实践：CPU 与 GPU 性能对比
章节 2: 设计本地AI基础设施
评估工作负载需求
AI服务器硬件的选择
GPU 互联技术
高速存储配置
数据与模型传输的网络配置
功耗与散热要求
构建裸机AI服务器
实践：创建硬件规格表
章节 3: 借助云平台实现人工智能
主要云提供商的人工智能服务概览
托管AI服务与IaaS的比较
为训练选择虚拟机实例
选择用于推理和服务的实例
用于数据集的对象存储服务
理解云网络和虚拟私有云（VPC）
云中的安全考量
动手实践：启动GPU云实例
章节 4: 机器学习的容器化与编排
Docker 在可复现环境中的使用介绍
构建包含机器学习库的Docker镜像
Kubernetes 管理机器学习工作负载简介
Kubernetes 组件：Pod、Service、Deployment
在Kubernetes集群中管理GPU资源
使用 Kubeflow 构建机器学习管道
动手实践：在 Kubernetes 上部署模型
章节 5: 性能优化策略
识别性能瓶颈
分布式训练技术
混合精度训练的应用
模型量化以实现高效推理
优化数据加载和预处理管道
剖析GPU和CPU使用情况
实操练习：应用混合精度训练
章节 6: 成本管理与优化
分析本地部署总拥有成本
了解云定价模式
降低云算力成本的策略
管理数据存储与传输成本
实施成本监控与预警
工作负载的适度基础设施配置
实践：计算和比较任务成本
GPU 互联技术
这部分内容有帮助吗？
- NVIDIA H100 GPU Architecture In-Depth, NVIDIA Corporation, 2022 (NVIDIA) - 介绍了H100 GPU的架构，包括第四代NVLink的详细信息及其在加速多GPU通信中的作用。
- Computer Architecture: A Quantitative Approach, John L. Hennessy, David A. Patterson, 2017 (Elsevier) - 一本经典的计算机体系结构教材，提供了关于I/O子系统和PCIe等互连技术的理解。
- A Survey of Communication Bottlenecks in Distributed Deep Learning, Youngeun Kang, Jianzong Li, Kai Zeng, Dingwen Zeng, 2020 ACM Computing Surveys, Vol. 53 (Association for Computing Machinery (ACM)) DOI: 10.1145/3418544 - 此综述识别并分析了分布式深度学习中的各种通信瓶颈，包括GPU互连（如PCIe和NVLink）的作用。
- Deep Learning Systems: Algorithms, Architectures, and Optimizations for Big Data, K. M. Krishna, 2021 (CRC Press) - 为深度学习系统提供了架构要求方面的背景，包括高速互连在多GPU性能扩展中的作用。