# GPU云服务器 #
0
关注
7691内容
阿里云函数计算 x NVIDIA 加速企业 AI 应用落地
阿里云函数计算与 NVIDIA TensorRT/TensorRT-LLM 展开合作，通过结合阿里云的无缝计算体验和 NVIDIA 的高性能推理库，开发者能够以更低的成本、更高的效率完成复杂的 AI 任务，加速技术落地和应用创新。
深度对话 解锁阿里云分布式云原生技术落地新姿势
深度对话 解锁阿里云分布式云原生技术落地新姿势
阿里云GPU云服务器实例规格gn6v、gn7i、gn6i实例性能及区别和选择参考
阿里云的GPU云服务器产品线在深度学习、科学计算、图形渲染等多个领域展现出强大的计算能力和广泛的应用价值。本文将详细介绍阿里云GPU云服务器中的gn6v、gn7i、gn6i三个实例规格族的性能特点、区别及选择参考，帮助用户根据自身需求选择合适的GPU云服务器实例。
Android 性能测试初探 (四)
本文介绍了GPU在移动端性能测试中的重要性，并详细解释了过度绘制、帧率和帧方差的概念。针对GPU测试，文章列举了三项主要测试内容：界面过度绘制、屏幕滑动帧速率和平滑度。其中，过度绘制测试需遵循特定标准，而帧速率和平滑度测试则可通过软件或硬件方法实现。在软件测试中，使用Systrace插件和高速相机是两种常用手段。对于不同机型，帧率及帧方差的测试标准也需相应调整。
Android性能测试——发现和定位内存泄露和卡顿
本文详细介绍了Android应用性能测试中的内存泄漏与卡顿问题及其解决方案。首先，文章描述了使用MAT工具定位内存泄漏的具体步骤，并通过实例展示了如何分析Histogram图表和Dominator Tree。接着，针对卡顿问题，文章探讨了其产生原因，并提供了多种测试方法，包括GPU呈现模式分析、FPS Meter软件测试、绘制圆点计数法及Android Studio自带的GPU监控功能。最后，文章给出了排查卡顿问题的四个方向，帮助开发者优化应用性能。
Liger kernel训练加速，一行代码训练吞吐量提高 20%，显存使用量降低 60%
在LLM的训练/微调过程中，开发者通常会遇到一些瓶颈，包括GPU显存不够，经常遇到OOM，GPU使用率100%而且非常慢等。
CUDA：王者之巅——探究CUDA为何能成为并行计算的佼佼者
本文探讨了CUDA在并行计算领域的崛起及其成为佼佼者的原因，详细介绍了CUDA的技术背景、架构原理及在深度学习、图像处理等领域的应用案例，展示了其显著的性能优势与优化方法，并展望了CUDA在未来计算技术发展中的潜力与方向。
一文读懂deepSpeed：深度学习训练的并行化
DeepSpeed 是由微软开发的开源深度学习优化库，旨在提高大规模模型训练的效率和可扩展性。通过创新的并行化策略、内存优化技术（如 ZeRO）及混合精度训练，DeepSpeed 显著提升了训练速度并降低了资源需求。它支持多种并行方法，包括数据并行、模型并行和流水线并行，同时与 PyTorch 等主流框架无缝集成，提供了易用的 API 和丰富的文档支持。DeepSpeed 不仅大幅减少了内存占用，还通过自动混合精度训练提高了计算效率，降低了能耗。其开源特性促进了 AI 行业的整体进步，使得更多研究者和开发者能够利用先进优化技术，推动了 AI 在各个领域的广泛应用。
Kubernetes与GPU的调度：前世今生
本文详细探讨了Kubernetes与GPU的结合使用，阐述了两者在现代高性能计算环境中的重要性。Kubernetes作为容器编排的佼佼者，简化了分布式系统中应用程序的部署与管理；GPU则凭借其强大的并行计算能力，在加速大规模数据处理和深度学习任务中发挥关键作用。文章深入分析了Kubernetes如何支持GPU资源的检测与分配，并介绍了热门工具如NVIDIA GPU Device Plugin和Kubeflow的应用。
一文讲懂大模型调优技术
随着AI技术的发展，大模型如GPT系列、BERT等成为推动自然语言处理和计算机视觉领域进步的重要驱动力。然而，大模型的调优过程复杂且资源消耗巨大，对开发者构成严峻挑战。本文旨在全面解析大模型调优的关键技术，涵盖数据预处理、模型架构调整、超参数优化、正则化与泛化能力提升，以及分布式训练与并行优化等内容，为开发者提供系统性的调优指南。
免费试用