gpu虚拟化解决方案

NVIDIA宣布增加了对vSphere、vCenter或vMotion的支持，将用户的GPU加速需求从自己的服务器通过NVIDIAGPUCloud连接到VMwareCloudonAWS，并使得该技术能够从自有的服务器应用到GPU虚拟化NVIDIA走向更广泛的领域，除了可以用于科学研究、数据分析或人工智能领域，还可以加速部署在云端的现代应用服务的运行。

在VMWorld2019开始之前，NVIDIA宣布将针对人工智能、训练和数据分析需求创建名为vComputeServer的应用服务，并将集成NVIDIAAGPUCloud、NGC容器甚至GPU。RAPIDS加速平台内部资源与VMware和AWS云服务——VMwareCloudonAWS集成，让更多的科学研究、数据分析和人工智能应用可以通过虚拟化GPU进行加速。

与通过云端进行的协同计算相比，由于云服务所使用的CPU计算芯片的性能限制，计算性能很可能不如预期，甚至无法应对。随着越来越大的数据量的计算需求。因此，NVIDIA在VMWrold2019期间与WMware合作，将GPU虚拟化应用引入到VMware提供的服务中，包括将一个名为vComputeServer的应用服务集成到VMware提供的vSphere中，同时还连接了NVIDIA计算资源GPUCloud。

在此次合作中，原本使用vSphere虚拟化平台的计算模型可以接入GPU计算资源，使得vSphere平台生成的虚拟机可以配备一个或多个虚拟化GPU。。同时，利用GPU加速整体计算效率，可以显着提高人工智能学习和研究分析的效率。此外，通过此次合作，用户将能够更活地使用GPU加速计算资源，而无需自己创建GPU加速资源。

相比一些公司在自有数据服务器上集成GPU加速资源来提高整体数据计算效率，不可避免地要承担建设和维护成本，仍能应对计算量的增长规模化，必须有更强的计算性能支撑。因此，NVIDIA在2017年提供了NVIDIAGPUCloud服务，并声称可以连接GoogleCloud、AWS、阿里云、DGX、OracleCloud等云平台，帮助推动更大规模的计算，减少时间必需的。通过GPU虚拟化进行计算。

在今年的GTC2019上，NVIDIA还提出了全新的加速计算平台CUDA-XAI，该平台采用图灵显示架构和TensorRT计算框架，并兼容TuringTensorCores设计，因此，英伟达通过推广各种人工智能计算模型，强调可以带来50倍以上的加速计算效果，为人工智能计算应用带来更大的井喷。

本次发布增加了对vSphere、vCenter或vMotion的支持，这将把用户的GPU加速需求从自己的服务器通过NVIDIAGPUCloud连接到VMwareCloudonAWS，并使应用程序NVIDIA的GPU虚拟化技术能够在更广泛的领域，除了用于科学研究、数据分析或人工智能之外，还可以加速部署云端的现代应用服务的运行。

NVIDIA解释称，过去曾投入GPU虚拟化技术的深度开发，例如第一台采用GRID技术打造的虚拟化PC，以及后续的虚拟化工作站，使得GPU虚拟化可以应用。到更多的应用。高级专业绘图应用程序甚至支持专业数据分析、机器学习、人工智能、深度学习或超级计算应用程序。此外，它们还可以支持各种服务器计算加速，保证计算资源无缝连接。实时。登录并集成。

相比仅使用CPU网络加速模式，GPU加速可以将深度学习的效率提升50倍以上。它还可以确保数据正确性或减少数据比较错误的可能性。此外，通过GPU虚拟化还可以为要自建硬件设备的公司降低成本，NVIDIA还提供了使用NVIDIAT4、V100或使用QuadroRTX8000、6000和Turing显示架构GPU的选项，根据计算需求，甚至可以选择使用Pascal显示基于该架构构建的P40、P100和P60作为GPU虚拟化应用程序。