第一天

容器基础概念，在深度学习中的应用

1，容器的基本概念，包括功能介绍，运行机制等

2，容器和虚拟机的对比，容器的优势

3，容器的应用场景，在深度学习中如何应用

Docker容器的基础理论

1.Docker容器的基本架构 

2.Docker容器基础组件详解

3.Docker容器的创建方式和实例分析

4.Docker容器网络设计

5.Docker容器数据卷管理

6.Docker容器存储驱动

7.Docker镜像及镜像的分层机制

8.Docker镜像仓库管理

9.Nvidia-docker的概念和应用

10.Docker容器对于GPU的管理

11.Dockerfile详解

Docker容器技术实战上机：

1.Docker容器的环境搭建和命令使用

2.Dockerfile操作实战

第二天

kubernetes容器管理平台

1，kubernetes的由来

2. kubernetes核心概念

3. kubernetes技术架构与设计理念

4. kubernetes常用对象

5. kubernetes的核心组件和运行机制

6. kubernetes核心配置文件yaml的介绍

7. kubernetes的网络模式与常用的网络插件(CNI)

8. kubernetes的存储模式与常用的存储插件

9. kubernetes负载均衡和弹性伸缩

10.kubernetes监控解决方案

11.kubernetes日志管理

12.kubernetes DNS管理

13.kubernetes NVIDIA GPU管理和调度

14.kubernetes在深度学习中的应用

Kubernetes上机实战：

1.kubernetes快速部署

2.kubernetes操作实战（yaml配置，系统调试等）

第三天

GPU高性能计算——OpenACC编程基础与优化进阶

并行计算的应用场景和实际意义

并行计算机体系结构：处理器、内存和互连网，常用的并行计算机系统

性能分析模型：如何测量并行性能和扩展性

CPU/GPU体系结构对比介绍：流水线、多核、缓存、访存、通信模型、分支预测等

OpenACC基础：概念，与CUDA区别，编译器，生态

OpenACC四步开发流程：判断并行性，并行化表达，显式数据传递，优化

判断并行性：Profile工具pgprof

并行化表达：引导关键字Kernerls和Parallel Loop

显式管理数据的拷贝：引导关键字Data

OpenACC上机实战：矢量点乘

OpenACC优化：统一内存管理，线程并行层级，collapse，tile

第四天

GPU高性能计算——CUDA编程基础与优化进阶

CUDA基础：API、数据并行、线程模型、存储模型、控制、同步、并发和通信、加速比

CUDA开发环境搭建和工具配置

CUDA上机：Helloworld，向量加

CUDA优化进阶：线程组织调度，分支语句，访存优化，数据传输，原子操作

CUDA上机：矩阵乘、直方图

GPU并行计算模式及案例分析

分析调试：parallel nsight，visual profiler，cuda-gdb

CUDA上机实战：卷积，reduce和scan

GPU异步编程，多GPU编程（混合OpenMP和MPI）及调试调优工具

OpenACC互操作性：OpenMP，MPI，CUDA

NVIDIA最新技术：CUDA 10新特性，Turing显卡

GPU高性能计算——深度学习

1.1基于GPU的交互式深度学习训练平台：DIGITS；

1.2深度学习框架的GPU加速：TensorFlow，Caffe等；

1.3 NVIDIA深度学习SDK：cuDNN，TensorRT，NCCL；

1.4深度学习显卡选择；

深度学习上机实操：

Caffe，TensorFlow，Theano等通用深度学习框架的GPU加速库cuDNN的使用；

深度学习前端推理引擎TensorRT的使用；