DEXUN GPU NEWS
资讯中心
汇集 GPU 选型、模型训练、推理部署与高性能计算资讯。
多租户GPU隔离不能只靠配额，忽略显存与权限边界易出问题
GPU配额主要解决资源调度问题，不能单独保证显存、设备访问和数据安全。本文说明如何结合硬件分区、容器权限、身份授权与监控，设计可落地的多租户AI算力隔离方案，并比较常见方案的适用条件。
阅读全文 →
统一管理CUDA与驱动版本：5项收益及灵活性取舍
统一规划主机驱动、应用运行时与部署环境，可提升复现能力、排错效率和维护可控性；但版本固定也会限制升级灵活度。本文梳理五项收益、主要取舍和落地步骤。
阅读全文 →CUDA运行依赖驱动支持范围，版本匹配需同时核对工具链
CUDA应用能否运行，不只取决于工具包版本，还要核对驱动最低要求、运行时组件、编译器与GPU架构。本文说明版本关系、常见误判及可执行的排查步骤。
阅读全文 →
CUDA升级选新驱动还是锁定版本，哪种更适合现有环境？
是否升级驱动，取决于现有程序、工具包和显卡的兼容关系。稳定运行的环境通常适合锁定并记录已验证版本；遇到新硬件、软件要求或安全维护需求时，再按兼容矩阵分阶段升级。
阅读全文 →
小团队采用Kubernetes训练调度前，先评估运维能力与资源规模
小团队是否适合用 Kubernetes 调度机器学习训练，关键不在于集群能否搭建，而在于团队能否持续维护、任务能否从集群化中获益。本文从运维职责、资源核算、替代方案和试运行步骤出发，帮助判断 Kubernetes机器学习任务调度实践是否适合当前阶段。
阅读全文 →
机器学习任务上Kubernetes：5步配置法与手动调度对照
从资源申报、任务封装到节点约束和运行检查，介绍在 Kubernetes 上配置机器学习批任务的五步流程，并比较自动调度与手动指定节点的适用场景。
阅读全文 →
在共享GPU集群中，Kubernetes可按优先级调度机器学习训练任务
介绍如何用 PriorityClass 区分训练任务优先级，并结合节点约束、抢占、配额和分布式作业调度，减少共享 GPU 集群中的排队与资源浪费。
阅读全文 →