工欲善其事,必先利其器。想要从事深度学习相关的工作或者研究,除了要具备基本的专业理论知识,还需要搭建合适的深度学习开发环境,理论与实践结合才能推动技术的不断进步,使得产业化落地成为可能。那么如何搭建一个合适的深度学习开发环境呢?

以教育行业为例,现在越来越多的高校开设了人工智能相关的课程,除了理论基础知识,学生也需要在实际开发环境中进行实训,而这些环境大部分都是在GPU的基础上搭建的。但是在实训过程中为每个学生提供一个单独的物理GPU显然是不合理的,一来成本太高,二来造成了计算资源的浪费。而利用GPU虚拟化技术就可以很好的解决这个问题。

传统的GPU虚拟化技术是指对物理GPU进行虚拟切割,分配给不同的虚拟机使用,从而实现计算资源的灵活分配和最大化利用。2018年10月,NVIDIA发布vGPU(GPU虚拟化)7.X版本,在传统”一虚多“切片的基础上,vGPU 7.X新增了将多个物理GPU分配给某一个虚拟机的特性,不仅可以实现资源共享,还可以满足用户对高算力的要求。此外,vGPU 7.X还加入了AI特性,在vGPU上,用户可以借助NVIDIA GPU Cloud,快速部署人工智能相关的业务负载。

有了GPU虚拟化技术之后,老师可以借助GPU虚拟化技术的“一虚多”特性,为每个学生提供一个虚拟GPU来完成实训,不仅在一定程度上降低了用户成本,也提高了GPU资源的利用率。在教学之余,老师还可以利用vGPU 7.X的新特性,将不同物理GPU资源聚合在一起提供给某一个虚拟机使用,来为科研工作提供高算力支持,利用vGPU实现GPU资源的管理。

5月17日晚7点,超级公开课NVIDIA专场第22讲将开讲,由NVIDIA教育科研与高性能计算业务总经理马庆胜、NVIDIA GPU虚拟化高级解决方案架构师张洁共同主讲,主题为《利用GPU虚拟化技术搭建易用可扩展的深度学习环境——首次深度解析NVIDIA深度学习教学一体化平台》。

在本次讲解中,马庆胜、张洁两位老师将从NVIDIA GPU虚拟化技术的原理、最新特性以及如何利用GPU虚拟化技术搭建深度学习环境等方面为我们带来系统讲解。