“云上生长”网络研讨会｜使用 QKE 管理 GPU 资源，轻松构建 AI 应用

一开始，GPU 的使用及管理方式非常粗放，用户直接在 GPU 机器上进行算法训练。当 AI 模型多了之后，这种方式会带来很大的问题，一是模型训练效率低下，二是 GPU 资源利用率低。

与 CPU 服务器相比，GPU 服务器是非常昂贵的。在降本增效的大背景下，需要有一个平台来进行统一的管理。从 2016 年开始，Kubernetes 社区就不断收到来自不同渠道的大量诉求：希望能在 Kubernetes 集群上运行 TensorFlow 等机器学习框架。目前大型企业在构建基于 GPU 的深度学习训练平台时，基本上都是使用 Kubernetes 来管理和调度 GPU 任务。

自建环境使用 GPU 非常繁琐，涉及到自建 Kubernete8s  集群、GPU 驱动安装、GPU 节点初始化、GPU 节点纳管到 Kubernete8s 集群等配置工作。选择一款合适的托管 Kubernetes 服务，一键创建 Kubernetes 集群并部署机器学习类应用，不仅可以提高集群资源利用率、保障资源独享，还可以加速部署，让构建 AI 应用变得更加简单快捷！

本次“云上生长”系列网络研讨会第二期，我们邀请到了青云科技高级产品经理杨莹，为大家分享 青云QingCloud 容器服务 QKE（QingCloud Kubernetes Engine）如何管理和调度 GPU 资源，高效完成机器学习、深度学习、图像识别等 AI 计算任务，高性能地承载企业大规模并行计算需求。

9 月 27 日(星期二)下午 2:00

青云“云上生长”系列网络研讨会第二期

扫描二维码报名

即有机会获得热门技术书籍！

附本期抽奖图书：

1.一本书读懂各种强化学习环境及其使用方法：博文视点出品《深度强化学习算法与实践：基于 PyTorch 的实现》

2.后端技术人员与基础平台工程师必读：图灵出品《深入剖析 Kubernetes 》