Men-deploy beban kerja GPU di Autopilot

Pelajari cara meminta akselerator hardware (GPU) di workload Autopilot GKE Anda

Menyediakan LLM dengan beberapa GPU di GKE

Pelajari cara menyajikan Llama 2 70B atau Falcon 40B menggunakan beberapa GPU NVIDIA L4 dengan GKE.

Menyajikan LLM menggunakan TPU multi-host di GKE dengan Saxml

Pelajari cara menyajikan Falcon 7b, Llama2 7b, Falcon 40b, atau Llama2 70b menggunakan framework Ray di GKE.

Memulai Ray di GKE

Pelajari cara mudah menggunakan Ray di GKE dengan menjalankan workload di cluster Ray.

Menyajikan LLM di GPU L4 dengan Ray

Pelajari cara menyajikan Falcon 7b, Llama2 7b, Falcon 40b, atau Llama2 70b menggunakan framework Ray di GKE.

Mengorkestrasikan workload TPU Multislice menggunakan JobSet dan Kueue

Pelajari cara mengorkestrasi workload Jax pada beberapa slice TPU di GKE menggunakan JobSet dan Kueue.

Memantau workload GPU di GKE dengan NVIDIA Data Center GPU Manager (DCGM)

Pelajari cara mengamati workload GPU di GKE dengan NVIDIA Data Center GPU Manager (DCGM).

Panduan memulai: Melatih model dengan GPU di cluster GKE Standard

Panduan memulai ini menunjukkan cara men-deploy model pelatihan dengan GPU di GKE dan menyimpan prediksinya di Cloud Storage.

Menjalankan machine learning berskala besar di GKE

Video ini menunjukkan cara GKE membantu memecahkan tantangan umum dalam melatih model AI besar dalam skala besar, dan praktik terbaik untuk melatih dan menyediakan model machine learning berskala besar di GKE.

TensorFlow di Autopilot GKE dengan akselerasi GPU

Postingan blog ini adalah panduan langkah demi langkah untuk pembuatan, eksekusi, dan pembongkaran notebook Jupiter dengan dukungan Tensorflow.

Mengimplementasikan sistem antrean Tugas dengan berbagi kuota antar-namespace di GKE

Tutorial ini menggunakan Kueue untuk menunjukkan cara menerapkan sistem antrean Tugas, serta mengonfigurasi resource workload dan pembagian kuota antar-namespace yang berbeda di GKE.

Penjadwalan lanjutan untuk AI/ML bersama Ray dan Kueue

Orkestrasikan aplikasi Ray di GKE dengan KubeRay dan Kueue.

Cara mengamankan Ray di Google Kubernetes Engine

Menerapkan insight keamanan dan teknik hardening untuk melatih workload AI/ML menggunakan Ray di GKE.

Mendesain penyimpanan untuk workload AI dan ML di Google Cloud

Pilih kombinasi opsi penyimpanan terbaik untuk workload AI dan ML di Google Cloud.

Penginstalan driver otomatis menyederhanakan penggunaan GPU NVIDIA di GKE

Instal driver GPU Nvidia secara otomatis di GKE.

Percepat perjalanan AI generatif Anda dengan framework NVIDIA NeMo di GKEE

Latih model AI generatif menggunakan framework GKE dan NVIDIA NeMo.

Mengapa GKE untuk workload Ray AI Anda?

Tingkatkan skalabilitas, efisiensi biaya, fault tolerance, isolasi, dan portabilitas dengan menggunakan GKE untuk workload Ray.

Menjalankan AI pada GKE yang terkelola sepenuhnya, kini dengan opsi komputasi, harga, dan reservasi resource baru

Dapatkan dukungan GPU yang lebih baik, performa, dan harga yang lebih rendah untuk workload AI/ML dengan GKE Autopilot.

Cara SEEN menskalakan output 89x dan mengurangi biaya GPU sebesar 66% menggunakan GKE

Startup menskalakan output video yang dipersonalisasi dengan GKE.

Cara Let's Enhance menggunakan AI dan GKE NVIDIA untuk mendukung pengeditan foto berbasis AI

AI inovatif untuk mempercantik gambar menggunakan GPU dan GKE NVIDIA.

Cara berbagi GPU GKE membantu pencarian neutrino para ilmuwan

Berbagi GPU GKE membantu pencarian neutrino para ilmuwan.

GPU berbagi waktu di GKE

Pelajari cara fitur berbagi waktu GPU di GKE yang memungkinkan beberapa container berbagi satu GPU fisik, sehingga meningkatkan utilitasnya.

GPU multi-instance di GKE

Lihat bagaimana GPU multi-instance di GKE membantu Anda meningkatkan nilai dari investasi GPU Anda.

Cara Etsy menggunakan GKE untuk mendesain ulang Platform Machine Learning mereka

Etsy memanfaatkan machine learning (ML) untuk menciptakan pengalaman yang dipersonalisasi bagi jutaan pembeli kami di seluruh dunia.

Cara Spotify meluncurkan Inovasi ML dengan Ray dan GKE

Cara Ray mengubah pengembangan ML di Spotify.

Cara Ordaōs Bio memanfaatkan AI generatif di GKE

Ordaōs Bio, salah satu akselerator AI terkemuka untuk penelitian dan penemuan biomedis, sedang mencari solusi terhadap imunoterapi baru untuk onkologi dan penyakit inflamasi kronis.

GKE dari startup yang sedang berkembang yang didukung oleh ML

Cara Moloco, sebuah startup Silicon Valley, memanfaatkan kecanggihan GKE dan Tensor Flow Enterprise untuk meningkatkan infrastruktur machine learning (ML)-nya.

Ray di GKE

Gunakan template Terraform ini untuk menjalankan Ray di GKE.

Menyiapkan Ray di GKE dengan TPU

Gunakan sampel Terraform ini untuk men-deploy Ray di cluster GKE dengan topologi 2x2x1.

Workload pelatihan ML di GKE menggunakan JobSet API

Jalankan workload pelatihan machine learning terdistribusi di GKE menggunakan JobSet API.

JAX 'Hello World' (Halo Dunia) di GKE

Jalankan program JAX sederhana menggunakan NVIDIA GPU A100-80GB di cluster GKE.