1單機訓練，本地多臺機器無法進行統(tǒng)一管理，資源利用率低；

2GPU資源分散，只能單機使用，難以進行分布式訓練；

3缺乏資源使用管理流程，日常使用基本靠搶；

4模型、數(shù)據(jù)集和鏡像散落在單機上，沒有統(tǒng)一的平臺管理，維護工作繁瑣；

5訓練任務(wù)環(huán)境配置復雜、費時費力，移植難度高；

6難以對訓練效果進行評估分析和調(diào)優(yōu)。

AI計算

PyTorch

1提供了GPU資源的統(tǒng)一納管平臺，通過支持靈活的調(diào)度策略提高了資源整體利用率；

2提供了一個可視化的GPU資源管理平臺，用戶可以輕松選所需資源進行分布式訓練；

3平臺可支持管理員基于GPU的可用狀態(tài)、任務(wù)狀態(tài)、運行時長、任務(wù)隊列等信息做管理；

4可統(tǒng)一對數(shù)據(jù)集、模型庫和鏡像進行管理，大大降低了復雜度；

5平臺任務(wù)在容器環(huán)境運行，用戶可以自行更新、保存鏡像，易于管理和移植；

6監(jiān)控模塊可幫助用戶實時分析訓練效果，便于訓練結(jié)果評估和模型調(diào)優(yōu)。

1異構(gòu)資源的統(tǒng)一納管能力；

2支持在同一個平臺展示資源、任務(wù)、調(diào)度狀態(tài)；

3數(shù)據(jù)的統(tǒng)一管理能力；

4支持多樣化的容器運行環(huán)境；

5全面、實時的監(jiān)控指標。