GUIDA TECNICA

Partizionamento GPU multiistanza

NVIDIA Multi-Instance GPU partitions supported GPUs into instances with assigned compute and memory resources.

Ascolta questa guidaNarrato dall'IA · ~2 min

In questa pagina2 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro del partizionamento GPU multiistanza
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

It can improve sharing for smaller workloads, but profile support and isolation boundaries depend on the GPU and configuration.

Immersione profonda

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.

Implementazione nel mondo reale

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.

Il futuro del partizionamento GPU multiistanza

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.

Metterlo in pratica

Perché è importante

  • Costo e budget. Le decisioni relative all'architettura determinano prestazioni e costi operativi per anni.
  • Decisioni più chiare. La formazione tecnica aiuta i team a scegliere lo stack giusto, non solo quello più nuovo.
  • Controllo di qualità. Migliori scelte ingegneristiche riducono gli incidenti legati all’affidabilità nella produzione.

Attenzione

  • L'ottimizzazione di un benchmark può nascondere debolezze di sistema più ampie.
  • I costi delle infrastrutture e della manutenzione sono spesso sottostimati.
  • Le lacune in termini di sicurezza e osservabilità possono aumentare man mano che i sistemi diventano più complessi.

Prossimi passi

  1. Definire obiettivi di latenza, qualità e costi prima dell'implementazione.
  2. Benchmark in condizioni di carico e dati realistiche.
  3. Monitoraggio dello strumento per errori, deriva e impatto sull'utente.
  4. Preparare percorsi di rollback e risposta agli incidenti prima della scalabilità.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

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

Take the Multi-Instance GPU Partitioning quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

What is Multi-Instance GPU Partitioning?

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.

Which resource boundary distinguishes separate MIG GPU Instances from software time slicing?

MIG assigns hardware resource slices. Compute Instances within a shared GPU Instance have a different boundary, and device-level faults are not universally eliminated.

Su quale architettura NVIDIA è stata introdotta per la prima volta MIG?

MIG ha debuttato con l'A100 basato su Ampere e ha continuato con l'H100 e le successive GPU per data center.

On an A100 40 GB using supported small-instance profiles, how many GPU Instances can a layout provide?

The A100 supports layouts of up to seven GPU Instances. Maximum counts and profiles should not be generalized to all GPU models.

In un profilo MIG come "1g.5gb", cosa rappresenta "5gb"?

Il profilo codifica le porzioni di calcolo (1 g) e la memoria dedicata (5 GB) assegnata all'istanza.

Per quale carico di lavoro la MIG è particolarmente adatta?

MIG brilla quando molti carichi di lavoro piccoli e isolati (come l'inferenza) condividono un'unica scheda con qualità di servizio garantita.