VIP19
本课程属于：025-系统化实战技能 AI与大模型 · 共 19 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

AI训练平台搭建完整实战手册

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导入
学习目标 · 课程结构 · 平台搭建的整体流程与关键决策点
课程导入学习目标
02
AI训练平台概述
定义 · 核心功能 · 主流平台对比（如AWS SageMa…
AI训练平台概述
03
硬件与基础设施规划
GPU/TPU选型 · 服务器配置 · 网络架构
硬件基础设施规划
04
操作系统与基础环境配置
Linux系统优化 · 驱动安装（NVIDIA驱动 · CUDA
操作系统基础环境配置
05
容器化技术基础
Docker核心概念 · 镜像构建 · 容器编排（Kubernetes）入门
容器化技术基础Docker
06
Kubernetes集群部署
集群规划 · kubeadm部署 · 高可用配置
Kubernetes集群部署
07
GPU资源管理与调度
NVIDIA device plug… · GPU共享与隔离 · 监控与调度策略
GPU资源管理
08
存储解决方案
分布式存储（Ceph · GlusterFS） · 云存储集成
存储解决方案Ceph
09
AI框架安装与配置
TensorFlow · PyTorch · PaddlePaddle等框架的安装
AI框架安装
10
Python环境管理
虚拟环境（venv · conda） · 依赖管理
Python环境管理
11
数据准备与管理
数据集收集 · 清洗 · 标注工具（LabelImg
数据准备管理
12
模型训练工作流
训练脚本编写 · 超参数调优 · 分布式训练（Horovod
模型训练工作流训练脚本编写
13
实验跟踪与可视化
MLflow · TensorBoard · Weights & Biases的集…
实验跟踪可视化
14
模型版本管理
模型注册 · 版本控制 · 模型仓库（如MLflow Model…
模型版本管理模型注册
15
推理服务部署
TensorFlow Serving · TorchServe · ONNX Runtime
推理服务部署TensorFlow
16
CI/CD与自动化
GitLab CI · Jenkins · Argo Workflows实现训练…
CI/CD自动化
17
监控与日志
Prometheus · Grafana监控集群与训练任务 · ELK/EFK日志收集
监控日志
18
安全与权限管理
RBAC · 网络策略 · 数据加密
安全权限管理
19
多租户与资源配额
Namespace隔离 · ResourceQuota · LimitRange
多租户资源配额
20
性能优化
分布式训练性能调优 · 数据加载优化（TFRecord · LMDB）
性能优化分布式训练性能调…
21
成本控制
Spot实例使用 · 自动扩缩容 · 资源利用率分析
成本控制Spot
22
常见问题排查
环境配置问题 · GPU通信故障 · 存储性能瓶颈
常见问题排查环境配置问题
23
案例实战一
从零搭建单机多卡训练平台（含代码与配…
案例实战一从零搭建单机多卡…
24
案例实战二
基于Kubernetes的弹性训练平…
案例实战二Kubernetes
25
案例实战三
集成MLflow的完整MLOps平台…
案例实战三MLflow
26
案例实战四
面向NLP大模型的训练平台优化（如D… · Megatron）
案例实战四NLP
27
综合项目
设计并实现一个满足特定业务需求的AI… · 架构设计 · 实施部署）
综合项目AI
28
平台评估与选型
功能对比 · 性能测试 · TCO分析
平台评估选型
29
前沿趋势与扩展
云原生AI · Serverless训练 · 边缘训练
前沿趋势扩展
30
课程总结与进阶路径
核心要点回顾 · 常见误区 · 学习资源推荐
课程总结进阶路径