聯繫我們
 課程時長 14 時間:

課程簡介

容器化簡介:AI與ML

  • 容器化的核心概念
  • 為什麼容器適合ML工作負載
  • 容器與虛擬機器的主要差異

使用Docker映像與容器

  • 了解映像、層和登錄檔
  • 管理用於ML實驗的容器
  • 有效率地使用Docker CLI

打包ML環境

  • 準備ML程式碼庫以進行容器化
  • 管理Python環境和依賴項
  • 整合CUDA和GPU支援

為機器學習建立Dockerfile

  • 為ML專案結構化Dockerfile
  • 效能和可維護性的最佳實踐
  • 使用多階段建置

容器化ML模型與管線

  • 將訓練好的模型打包到容器中
  • 管理資料和儲存策略
  • 部署可重現的端對端工作流程

執行容器化的ML服務

  • 公開API端點以進行模型推論
  • 使用Docker Compose擴展服務
  • 監控執行時行為

安全性與合規性考量

  • 確保安全的容器配置
  • 管理存取和憑證
  • 處理機密的ML資產

部署到生產環境

  • 將映像發布到容器登錄檔
  • 在本地或雲端環境部署容器
  • 版本控制與更新生產服務

總結與後續步驟

最低要求

  • 了解機器學習工作流程
  • 具備Python或類似程式語言的經驗
  • 熟悉基本的Linux命令列操作

目標學員

  • 將模型部署到生產環境的ML工程師
  • 管理可重現實驗環境的資料科學家
  • 建置可擴展容器化應用程式的AI開發人員

人數


每位參與者的報價

客戶評論 (2)

即將到來的課程

課程分類