目前,云计算的经济利益偏向于短暂的工作负载而非永远在线的工作负载。一个短暂的例子是云功能,例如Amazon Lambda或GCP云功能或Azure功能。短期云功能比始终在线的云VM或永远在线的本地VM更具成本效益。另一个短暂的例子是临时使用云计算进行灾难恢复或机器学习(ML)模型培训。通常不需要D/R资源,也不需要ML GPU资源池。如果您的企业需要持续不断地拥有大量GPU资源,那么肯定是在内部而不是在云中构建。
我花了很多时间使用99美元的Jetson Nano IoT设备,并发现使用临时云GPU是一种加速ML模型创建的经济有效的方法。
教我的Nano识别手语
GitHub上有一套优秀的手语训练图像(点击这里)。 我认为通过Jetson NANO相机的实时视频输入教NANO识别手语会很有趣.
NVIDIA DIGITS
NVIDIA提供名为DIGITS的免费机器学习培训环境。 DIGITS可以消除构建和测试机器学习模型带来了所有编程上的痛苦。 DIGITS可以从源代码编译,在容器中运行,也可以作为AWS VM使用。 为了熟悉DIGITS,我一直在Mac上的Ubuntu VM中从编译源运行它。 NVIDIA DIGITS具有GPU感知功能(自然而然)。 我的Ubuntu VM无法访问GPU,因此我的所有训练都是在vCPU上运行的,并没有尽可能高的性能。
图像加载比较
在我的笔记本电脑VM和我的云VM中将87,000个手语手的小图像加载到DIGITS数据集中并没有花那么长时间。 在笔记本电脑VM中加载大约需要4分钟,在云VM中大约需要2分钟。