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

Linux GPU集群运维从零到精通

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

学习目标 · 课程结构 · GPU集群运维的挑战与价值

课程导入学习目标

Linux基础回顾

文件系统 · 权限管理 · 进程管理

Linux基础回顾

GPU硬件与驱动

GPU架构 · NVIDIA驱动安装与验证 · CUDA Toolkit配置

GPU虚拟化与容器化

Docker与NVIDIA Cont… · Kubernetes GPU调度

集群架构设计

计算节点 · 存储 · 网络拓扑

集群架构设计计算节点

集群管理工具

Slurm作业调度系统安装 · 配置与基本使用

集群管理工具Slurm

作业提交 · 监控 · 优先级

作业管理作业提交

GPU监控与性能分析

nvidia-smi · DCGM · Prometheus与Grafana…

GPU利用率提升 · 显存优化 · 多卡通信（NVLink/Infini…

性能优化GPU

并行文件系统（Lustre/GPFS… · 共享存储配置与性能调优

存储系统Lustre/GPFS

InfiniBand与RoCE · IPoIB · 网络性能测试与调优

网络配置InfiniBand

用户认证 · 权限隔离 · 防火墙与安全加固

集群安全用户认证

常见硬件故障 · 驱动问题 · 作业失败诊断与日志分析

故障排查常见硬件故障

系统日志 · 作业日志 · 审计日志的收集与分析

日志管理系统日志

备份与恢复

配置备份 · 作业数据备份 · 灾难恢复策略

集群自动化

Ansible自动化部署与配置管理

集群自动化Ansible

动态添加节点 · 资源扩容与缩容

集群扩展动态添加节点

多集群管理

联邦集群 · 统一调度与跨集群作业

多集群管理联邦集群

GPU集群在AI训练中的应用

分布式训练框架（Horovod · PyTorch DDP）与集群配置

GPU集群在科学计算中的应用

MPI并行计算环境配置与优化

容器化深度学习平台

JupyterHub · Kubeflow等平台部署

容器化深度学习平…JupyterHub

集群计费与配额

资源配额管理 · 计费系统实现

集群计费配额

高可用设计

管理节点高可用 · 调度器高可用 · 存储高可用

高可用设计管理节点高可用

性能基准测试

GPU性能测试（如MLPerf） · 集群整体性能评估

性能基准测试GPU

常见问题与解决方案

驱动冲突 · 显存泄漏 · 网络拥塞等

常见问题解决方案

集群运维最佳实践

日常巡检 · 预防性维护 · 变更管理

集群运维最佳实践日常巡检

搭建一个8节点GPU集群并运行深度学…

实战案例GPU

处理一次GPU故障导致作业中断的完整…

实战案例GPU

设计并实施一个满足科研需求的GPU集…

综合项目GPU

知识体系回顾 · 进阶学习路径与认证推荐

课程总结知识体系回顾