| 技术参数及配置要求 | CPU :2* AMD EPYC Genoa 9354 32 Core/64 Thread 3.25G/280W/256MB 内存:24*32G DDR5 4800MHZ ECC REG（共计：768GB） 固态: SSD 7.68TB PCIe4.0 NVMe U.2 网络：双千兆以太网端口 PCIE插槽： 9 x PCIe5.0 x16 slots（FHFL）、1 x PCIe5.0 x8 slot（FHFL） GPU: 8*RTX 4090D涡轮 48G 电源: 大于或等于2000W（2+2）白金级高效冗余电源 操作系统:Linux 24.04 LTS 测试：5stageQA至少包括24小时负载99%的耐高温测试，75小时不宕机测试等。 配套支持：单机版AIMax 表盘式工作界面，从首页可以看到，AI Max 里所有的资源，已分配的资源，任务信息等。菜单界面平滑直观，所有功能一目了然。 系统预置种类丰富的任务镜像，支持各种机器学习框架，如：Caffe、TensorFlow、MxNET、Pytorch等。 用户使用时只需自定义资源配额（ CPU、内存、GPU 等），选择训练框架并根据需求做出相应调整。 镜像制作允许用户自定义 python package，可支持本地环境 pull 和 push 镜像模型训练 基于 Kubernetes 的容器调度引擎，支持离线训练，成熟稳定；支持 TensorFlow 框架的多机多卡分布式训练，可通过 key-value 对的形式设置超参数；任务训练时，支持可视化及显示 loss 和 accuracy 变化曲线，可实时查看任务训练过程中的 log 输出；可动态调度任务到最优的节点上，保证资源使用的效率；同时支持 Jupyter，JupyterLab，PyCharm，Terminal 等多种交互式开发方式和调试。 模型训练、超参数调节、模型可视化、日志查看等一系列环节和工具，使用户可以聚焦在核心的算法设计上面，极大提高了工作效率。通过资源配额、任务调度和容错，使模型训练任务高效可靠；分布式任务使大规模网络模型的训练性能大大提高 |
当前位置：
附件包：
