Il prossimoProssima guida
Hugging Face Accelera per l'addestramento multi-GPU
Tecnico
GUIDA TECNICA
NVIDIA Multi-Instance GPU partitions supported GPUs into instances with assigned compute and memory resources.
Ascolta questa guidaNarrato dall'IA · ~2 min
It can improve sharing for smaller workloads, but profile support and isolation boundaries depend on the GPU and configuration.
MIG was introduced with the NVIDIA A100 and is supported on selected later GPUs. A GPU Instance groups compute and dedicated memory resources, including assigned paths through cache and memory hardware. On an A100 40 GB, supported layouts can provide up to seven small GPU Instances or fewer larger ones. Compute Instances can further divide compute resources inside a GPU Instance while sharing its memory resources. This differs from ordinary software time slicing, but does not imply immunity from every device-level fault or interference in the wider host and service. Workload capacity, supported profiles, and operational constraints should be tested on the actual GPU.
Un fornitore di servizi cloud divide un A100 in sette istanze in modo che sette clienti ricevano ciascuno una porzione di GPU isolata e garantita per l'inferenza.
Un cluster di ricerca universitario fornisce a ogni studente di dottorato un'istanza MIG da 10 GB per la prototipazione invece di monopolizzare intere carte.
Un servizio di inferenza racchiude diversi piccoli modelli linguistici e visivi in un H100, ciascuno nella propria partizione con latenza prevedibile.
Un cluster Kubernetes pubblicizza le istanze MIG come risorse pianificabili in modo che i pod richiedano "nvidia.com/mig-1g.5gb" come qualsiasi altra risorsa.
Man mano che le GPU crescono fino a 80 GB, 141 GB e oltre, il partizionamento diventa più interessante perché i singoli modelli raramente necessitano di un'intera scheda per l'inferenza. Aspettatevi una più stretta integrazione tra Kubernetes e cloud, ripartizionamento dinamico senza svuotare il nodo e profili a grana più fine. I fornitori concorrenti stanno perseguendo una virtualizzazione GPU simile in stile SR-IOV e le piattaforme di inferenza serverless si affidano sempre più al partizionamento per compattare molti modelli e ridurre gli sprechi inattivi.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
NVIDIA Multi-Instance GPU partitions supported GPUs into instances with assigned compute and memory resources. It can improve sharing for smaller workloads, but profile support and isolation boundaries depend on the GPU and configuration.
MIG assigns hardware resource slices. Compute Instances within a shared GPU Instance have a different boundary, and device-level faults are not universally eliminated.
MIG ha debuttato con l'A100 basato su Ampere e ha continuato con l'H100 e le successive GPU per data center.
The A100 supports layouts of up to seven GPU Instances. Maximum counts and profiles should not be generalized to all GPU models.
Il profilo codifica le porzioni di calcolo (1 g) e la memoria dedicata (5 GB) assegnata all'istanza.
MIG brilla quando molti carichi di lavoro piccoli e isolati (come l'inferenza) condividono un'unica scheda con qualità di servizio garantita.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Hugging Face Accelera per l'addestramento multi-GPU
Tecnico