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
数据与模型传输的网络配置
这部分内容有帮助吗？
- VL2: A Scalable, Commodity Data Center Network Architecture, Albert Greenberg, James R. Hamilton, Navendu Jain, Srikanth Kandula, Changhoon Kim, Parantap Lahiri, David A. Maltz, Parveen Patel, Sudipta Sengupta, 2009 ACM SIGCOMM, Vol. 39 (Association for Computing Machinery) DOI: 10.1145/1592568.1592576 - 一篇开创性的学术论文，介绍了现代数据中心网络拓扑的基础概念，特别是Clos网络（叶脊拓扑），这对于可扩展的AI基础设施至关重要。
- A Survey on Communication Optimization in Distributed Deep Learning, Haozhao Wang, Jinsong Wu, Shuo Han, Jie Chen, Guoyong Cai, Bin Wu, Yongmei Zhu, 2022 ACM Computing Surveys, Vol. 55 (Association for Computing Machinery) DOI: 10.1145/3547372 - 提供了分布式深度学习中通信挑战和优化策略的最新、全面概述，与最小化通信开销直接相关。