 Hai, semua. Saya Tima Tee. Saya akan beritahu tentang bagaimana kita boleh menggunakan berbicara dan komuniti untuk memasukkan pembangunan pelajar masyarakat, seperti model atau aplikasi. Sebelum kita mulai, saya akan beritahu tentang saya. Saya Tima Tee. Saya berada di undergrad SUTD, Singapura Universiti Teknologi dan Design. Ia bukan unit pribadi. Ia adalah unit pemeriksaan kawal. Ia adalah pemeriksaan pemeriksaan kawal di Singapura. Saya hanya perlu mengalami sesuatu. Saya juga pemeriksaan internet di NVIDIA. Jika anda ada pertanyaan tentang SUTD ini, anda boleh memasukkan e-mel saya dan pemeriksaan pemeriksaan saya di sana. Dan saya rasa saya akan berhubungan pemeriksaan saya di pemeriksaan kawal juga. Saya hanya menunggu 5 sekejap. Semua orang akan dapat menghubungannya. Ya, saya hanya akan berbicara dengan jauh-jauh. Saya hanya tidak akan menerima bahawa semua orang di sini sudah berminat dengan pelajar masyarakat atau pembangunan pelajar masyarakat. Jadi saya hanya akan membuat dua pelajar masyarakat dan kemudian saya akan bercakap tentang apa yang membuat pelajar masyarakat terlalu menerima. Dan bagaimana kita boleh menggunakan pelajar masyarakat dan pemeriksaan untuk menghubungi pelajar masyarakat banyak-banyak. Ya, jadi hanya untuk menjelaskan beberapa terminologi. Jadi, pelajar masyarakat adalah sebuah pelajar masyarakat di komputer. Yang penting untuk mengenai bagaimana kita membuat pelajar masyarakat senyak dan memperkenalkan pemeriksaan tanpa membutuhkan banyak pelajar masyarakat. Jadi, satu pelajar masyarakat adalah pelajar masyarakat yang akan menerima sedikit lebih banyak dalam kemudian. Dan kemudian lagi pelajar masyarakat yang telah dikenali dalam sebuah pelajar masyarakat adalah pelajar masyarakat yang telah dikenali. Jadi, hanya untuk memberikan idea general di belakang pelajar masyarakat. Pelajar masyarakat adalah idea sebab tanpa memperkenalkan pelajar masyarakat untuk sebuah program, kita ada beberapa algoritm yang dapat menjelaskan pelajar masyarakat dari data. Jadi, sebuah cara untuk menerima adalah pelajar masyarakat adalah sebuah cara untuk kita menolak masyarakat tanpa mengenai bagaimana untuk membuat pelajar masyarakat. Jadi, ada beberapa pelajar masyarakat dengan ini. Satu-satanya mungkin kadang-kadang kita tidak dapat selalu memahami solusi atau bahawa peraturan tidak selalu dipelihangkan. Jadi, ini adalah masalah dalam perniagaan seperti perniagaan semasa ada perlukan untuk memperkenalkan keputusan yang mungkin pelajar masyarakat atau perniagaan membuat. Jadi, pelajar masyarakat adalah hanya sebuah pelajar masyarakat yang dibersendirikan sepanjang perkara seperti pelajar masyarakat dan ini adalah perkara yang kita perlukan banyak kemaharan komputasi untuk memasak. Jadi, itu adalah keadaan pelajar masyarakat. Tetapi, apabila kita gunakan pelajar masyarakat untuk perniagaan, ia dapat menjadi quite enak. Jadi, ini adalah sesuatu yang orang terpaksa mengalami apabila mereka pertama memulakan perniagaan ke dalam pelajar masyarakat atau pelajar masyarakat. Jadi, perniagaan pertama kita memperkenalkan anda perlukan pelajar masyarakat dan pelajar masyarakat. Jadi, ia mencari online. Ada banyak pelajar masyarakat ia memberikan perjalanan yang sederhana untuk menggunakan dan apa yang mereka fikir berlaku. Kemudian pergi ke pelajar masyarakat dan ada 4 pelajar untuk 4 pelajar masyarakat. Kemudian anda perlu memilih perniagaan dan anda tidak pasti anda tahu apakah anda akan memulakan pelajar masyarakat atau pelajar masyarakat dan sebagainya. Jadi, ia benar-benar menyeronokkan. Kemudian selepas itu anda cuba memulakan perniagaan dan kemudian anda tahu anda perlukan Kudianan atau NCCL. Kemudian selepas itu semuanya berlaku tetapi anda memulakan perniagaan dan kemudian semuanya berlaku kerana perniagaan anda tidak akan memulakan perniagaan dengan DKMS. Jadi, ia ada banyak masalah seperti itu yang benar-benar memulakan perniagaan dan ia memulakan perniagaan saya juga. Kemudian selepas itu selepas semua pelajar dan memulakan perniagaan semuanya telah dibuat kemudian anda akan memulakan perniagaan dan anda akan memulakan bahawa kita memiliki perniagaan yang salah untuk perniagaan. Kemudian anda akan kembali ke sebuah kota. Kemudian pada akhirnya selepas ia berlaku melakukan perniagaan lain atau perniagaan baru dan anda akan memulakan bahawa anda tahu, saya seharusnya memulakan perniagaan TN1.08 kerana itu yang yang pelajar masyarakat memulakan dan itu memadakan saya memulakan perniagaan TN1.08 dan itu memulakan perniagaan TN1.08 lagi. Jadi, ini sangat menyeronokkan. Jadi, ini adalah sebuah perniagaan TN1.08 mencoba memulakan perniagaan TN1.08 tetapi perniagaan TN1.08 seperti yang kita tahu sangat berlaku dan tidak teruk untuk semua orang. Jadi, dari seorang pelajar atau dari seorang pelajar kepada seorang lain, saya hanya di sini untuk berkongsi bagaimana anda dapat membuat perniagaan ini lebih mudah. Ya. Dan saya membuat sebuah perkara yang berlaku kepada masalah ini adalah bahawa banyak orang memulakan perniagaan TN1 atau perniagaan TN1.08. Jadi, ini bermaksud anda menggunakan perniagaan TN1 yang digunakan pada Fodora atau UBAN2 yang memulakan perniagaan TN3.5 atau apa-apa-apa. Dan anda menggunakan untuk memulakan perniagaan TN1.08. Jadi, tidak ada sebab ia tidak harus berlaku tetapi anda juga dapat menjelaskan potensi perniagaan TN2.08. Jadi, bagi contoh, jika anda mencari perniagaan TN1.08. dan sebagainya anda dapat banyak orang berkongsi seperti anda tahu mereka perlukan TN3.6 untuk perniagaan jadi mereka tidak memulakan perniagaan TN3.5 dan mereka memulakan TN3.6 dan kemudian atau perniagaan TN1 atau sebagainya seperti itu. Ya. Dan terakhir-akhir-akhir ia seperti mempunyai perniagaan TN2.08. Di mana mungkin sangat berbeza daripada perniagaan TN1.08. Perniagaan TN1.08. Perniagaan TN2.08. dan sebagainya ia benar-benar memulakan keadaan TN1.08. Di mana sesuatu berlaku pada perniagaan TN1.08. Dan kemudian keadaan TN1.08. Mungkin anda akan mempunyai keadaan TN1.08. Tetapi ia tetap tidak berlaku dan ia sangat susah untuk perniagaan TN1.08. kerana hanya terlalu banyak perniagaan TN1.08. di tempat ini. Jadi satu cara yang kita boleh berlaku untuk memulakan masalah ini adalah menggunakan perniagaan TN1.08. seperti KONDA. Jadi KONDA sangat popular dalam komuniti kerana ia dapat menjelaskan keadaan TN1.08. dan juga menjelaskan banyak keadaan TN1.08. Dan terpengaruh untuk mempercayai KONDA bukan hanya penjagaan TN1.08. untuk Pyton. KONDA juga boleh menjelaskan sistem seperti Z-Lib atau sebagainya. Jadi KONDA juga mempunyai penjagaan TN1.08. Jadi ia dapat menjelaskan saya hanya perlukan semua keadaan TN1.08. dan keadaan TN1.08. Dan KONDA ia mungkin mengambil sekejap seperti anda menjelaskan dan memberikan penjagaan TN1.08. untuk lama-lalu. Tetapi KONDA akan menjelaskan dan memberikan keadaan TN1.08. Jadi KONDA masih sangat bagus tetapi KONDA masih bukan 100% terutamanya apabila ia menjelaskan sistem penjagaan TN1.08. dan KONDA masih menjelaskan kadang-kadang. Jadi hanya beberapa keadaan TN1.08. untuk KONDA. Jadi perkara penting adalah anda masih perlu untuk bila anda mempercayai pembangunan TN1.08. atau apabil anda mempercayai pekerjaan TN1.08. atau apa-apa-apa-apa. tetapi keadaan TN1.08. Sementara yang kita perlu mempercayai KONDA kita perlu mempercayai pembangunan TN1.08. untuk mempercayai dan kemudian kadang-kadang KONDA sangat-sebenar sangat lama untuk mempercayai dan mempercayai pembangunan TN1.08. jika anda ada sebuah pembinaan yang besar dan sebagainya. Dan sebab anda menghubungi orang untuk mempercayai pembangunan KONDA ini secara seperti yang ini YAMO jika pembinaan tidak diberikan dengan baik mereka masih boleh mempercayai kerana setiap kali kamu mempercayai perangkatan, ia mengembangkan perangkatan yang menyebabkan pada perangkatan yang anda berikan dan kadang-kadang dengan perangkatan yang tidak cukup keras, anda mungkin mengembangkan perangkatan yang berbeda dan kemudian keadaan anda tetap bergerak. Dan kemudian-kemudian, tidak saja, jadi ini sedikit perangkatan tetapi beberapa orang akan pergi ke sana dan beritahu mereka menggunakan konda, menggunakan perangkatan virtual dan sebagainya dan kemudian mereka benar-benar terkejut dan mereka seperti saya tidak ingin mengaktifkan perangkatan dan sebagainya dan itu juga susah. Jadi mereka hanya kembali kembali dengan menggunakan sistem Python. Jadi ini adalah beberapa perkara yang kita lihat untuk memikirkan saya. Bagaimana kita mengembangkan dan mengembangkan perangkatan yang seperti benar-benar 99.9% mengembangkan, menggunakan perangkatan dan juga sangat mudah untuk orang menggunakan perangkatan. Jadi ini adalah tempat perangkatan yang datang untuk bermain. Jadi sebuah perangkatan, anda dapat mengikirkan sesuatu seperti perangkatan virtual tapi tidak benar-benar. Jadi kemudian-kemudian perangkatan, anda sebenarnya mempunyai sebuah perangkatan yang seluruh yang sebenarnya sudah mempunyai semua perangkatan dan sebagainya dan ia tidak dapat dipenangkan selepas ia telah dibina sebagai perangkatan. Jadi sebaik-baik saja, sebuah perangkatan sudah mempercayai bahawa perangkatan ini berfungsi. Dia tahu bahawa dia dapat menghubungi dan terus mempercayai perangkatan ini tanpa perlukan untuk risau bahawa ia berfungsi hari ini. Ia mungkin tidak berfungsi mungkin 6 bulan nanti dan sebagainya. Jadi perangkatan itu sangat mengembangkan. Jika ia berfungsi sekarang, mungkin ia akan berfungsi selama-lamanya. Atau anda dapatkan beberapa perkara yang sangat luar biasa seperti mungkin anda dapatkan band IP atau sesetengah. Tetapi perkara itu adalah perkara yang sangat luar biasa. Perangkatan itu akan mempunyai. Dan perkara yang baik untuk menggunakan perangkatan itu adalah bahawa perangkatan itu akan menyebabkan secara natural. Jadi setiap kali anda membuat perangkatan, anda sepatutnya harus menyebabkan perangkatan itu. Jadi ini menyebabkan anda untuk mengembangkan semua perangkatan yang anda memberi secara natural. Dan jika sesuatu yang benar-benar berguna dengan perangkatan yang anda memberi, ia sangat jelas untuk beritahu seseorang bagaimanapun bagi perangkatan ini. Dan semua orang akan faham apa itu bermakna. Dan jika anda mengawal perangkatan yang penting, anda juga boleh mengubah perangkatan ini di belakang perangkatan. Dan sejauh sejauh sejauh sejauh sejauh sejauh, anda tahu, seperti perangkatan yang paling terkenal dari perangkatan lokal atau sesetengah. Mereka selalu mendapat perangkatan itu. Jadi ia membantu banyak dengan perangkatan standardisasi. Jadi perkara yang lebih kecil tentang perangkatan itu adalah bahawa anda mesti memastikan perangkatan perangkatan seperti stalker. Tetapi itu biasanya perkara yang lebih kecil. Baiklah. Jadi sekarang saya hanya ingin bercakap tentang perangkatan NVIDIA. Jadi perangkatan NVIDIA adalah sebuah layar perangkat perangkat perangkat perangkat. Jadi apa yang perangkat NVIDIA membuat adalah ia membuat perangkatan perangkat perangkat untuk dapat mengalami GPU. Jadi ini sangat penting kerana selalunya untuk perangkatan perangkatan atau perangkatan perangkatan yang terkenal. Kita betul-betul ingin mengalami GPU. Jika tidak, tidak ada masalah untuk mengalami aplikasi. Jadi untuk perangkatan perangkatan default, anda sebenarnya tidak dapat mengadakan perangkat perangkat perangkat perangkat seperti GPU. Sebab itu adanya perangkat NVIDIA membuat Runtang perangkat NVIDIA untuk stalker. Ia akan mempunyai modul kernel yang mengjawab perangkat GPU ke dalam perangkat. Jadi apa-apalah aplikasi yang memperangkat dalam perangkatnya, ia membuat perangkat GPU sehingga ia memperangkat perangkat dan GPU sepatutnya mencari perangkat. Jadi ia sangat jelas dan enci berjaya melakukan ini. kerana, dalam kes ini, tiada peralatan virtual, tiada peralatan virtual kerana untuk peralatan virtual, apa yang perlu dibuat adalah anda perlukan peralatan peralatan untuk membuat apa yang kita panggil PCI ke dalam peralatan virtual dan itu sebenarnya mempunyai pengalaman kerana peralatan peralatan itu basically cuba simulat peralatan PCI ke dalam peralatan virtual jadi membuatnya dengan docker adalah lebih tinggi performa dan efisien dan satu perkara yang tidak dipercaya adalah bahawa anda boleh sebenarnya masih dapat mengalirkan peralatan peralatan tersebut dengan secara selektif menghadirkan peralatan peralatan untuk basically apa-apa peralatan yang mereka menerang jadi ini adalah satu perkara yang lebih tinggi di sini bagaimanapun ini tidak sangat terkenal jadi bagaimanapun anda dapat melakukan ini dan peralatan yang anda menerang hanya akan dapat melihat peralatan 6 dan 7 peralatan peralatan pada masin anda perkara yang berlaku dari 0 kerana computer jadi saya hanya ingin berkongsi tentang peralatan peralatan yang saya telah bekerja selama beberapa bulan yang terakhir jadi ini adalah satu-satunya peralatan peralatan dan peralatan peralatan yang berlaku dengan semuanya yang menghargai dan menghargai jadi hanya sebuah peralatan yang berlaku kerana saya perlu melakukan ini jadi ini bukan produk peralatan peralatan dan peralatan dan tidak ada peralatan jika anda menggunakan peralatan dan robot itu semua salah anda ya betul-betul sebabnya saya bermula dengan projek ini adalah kerana saya mempunyai pengalaman shared GPU tapi saya tidak dapat menemukan peralatan peralatan yang berlaku seperti apa yang saya ingin yang adalah saya hanya ingin mempunyai robot jupit saya tidak ingin menginginkan terlalu banyak tentang peralatan atau konfigurasi dan sebagainya saya hanya ingin memulai sesuatu dengan satu alat dan kemudian dapat melakukan apa-apa yang saya ingin tanpa memikirkan apabila tidak ada pengalaman peralatan atau sebagainya jadi untuk ini ada juga sesuatu yang lain disebut NGC peralatan jadi NGC adalah pengalaman GPU NVIDIA untuk para anda yang bekerja di tempat HPC anda mungkin dengar jadi ini adalah pengalaman peralatan NVIDIA yang digunakan untuk pengalaman HPC jadi mereka sudah menggunakan pengalaman peralatan dan pengalaman versi optimasi dan kemudian anda melihat skrip anda dan anda dapat menggunakan di peralatan HPC tapi ini tidak benar-benar untuk peralatan rapid atau prototyping kerana ia menyebabkan sesuatu seperti jupiter anda mungkin menyebabkan beberapa library yang anda inginkan seperti beberapa peralatan peralatan peralatan jadi itu juga cukup menakutkan dan kemudian ada beberapa pengalaman tetapi banyak mereka sangat menakutkan dan tidak mengubah selama enam bulan dan tidak ada peralatan GPU jadi anda tidak dapat melihat doktor dan mungkin membuat versi anda sendiri dan sebagainya dan akhirnya saya juga ingin sesuatu yang berlaku dengan jupiter jadi ini sesuatu yang saya akan menggunakan nanti jadi saya sedar banyak orang berkongsi masalah yang sama dan itu sebabnya saya memutuskan untuk cuba membuat sesuatu yang akan terbaik untuk semua orang ya jadi hanya sedikit lebih menggunakan jadi ini adalah kontainer yang berlaku di luar dan tidak perlu membuat keputusan kemudian kemudian kemudian kita akan meluncurkan kontainer dan ia berlaku jadi saya akan mencari ini nanti semuanya dan ia menyebabkan kebanyakan masing-masing dan kebanyakan pengalaman yang orang lebih suka untuk menggunakan jadi TensorFlow, PyTorch, MXNet dan sebagainya jadi saya mencari yang terbaik untuk berkongsi bahawa semuanya berlaku tapi tidak ada kemampuan dan juga kita tidak seperti ini tidak digunakan pada kemampuan NGC kerana walaupun ia cukup menyerang untuk menggunakan versi yang berkongsi untuk TensorFlow, PyTorch dan sebagainya kita tidak sebenarnya dapat menyebabkan kontainer NGC jadi kita tidak mencari itu dan ia jadi ini adalah kebanyakan personal dan saya rasa banyak orang berkongsi jadi kontainer yang berlaku menjadi sebuah notebook jupiter atau lapar jupiter dengan kebanyakan pengalaman yang berlaku dan sebagainya jadi ini adalah sesuatu yang banyak orang berkongsi kepada saya ia sangat berlaku dan terakhir-akhir untuk orang kongsi kongsi kongsi kongsi kongsi kongsi anda boleh tentu-tentu mencari kemampuan kongsi kongsi kongsi jadi jika anda menggunakan lapar jupiter CLI sebenarnya sangat bagus jadi saya akan mencari ini nanti saya berharap ia berlaku jadi bagaimanapun hanya sebuah kebanyakan pengalaman yang saya sebenarnya mencari dan memastikan ia lebih kurang berlaku lapar jupiter, lapar jupiter, lapar jupiter dan sebagainya lapar jupiter yang berlaku termasuk AI cepat jika orang ingin menikmati sebagainya seperti lapar jupiter yang berlaku seperti auto-karas yang sangat menarik jadi auto-karas adalah pengalaman sebuah algoritma neuroarchitektur untuk karas jadi ia bermaksud bahawa jika ada lapar jupiter dan sebuah masalah lapar jupiter akan mencari lapar jupiter yang berlaku untuk model anda dan kita juga memakai lapar jupiter jadi lapar jupiter adalah sesuatu yang NVIDIA mempunyai selama beberapa bulan dan saya rasa banyak orang tak pasti apa lapar jupiter saya tak pasti pada awal juga jadi lapar jupiter adalah sebuah reimagina atau beberapa pilihan data science untuk menggunakan sepenuhnya pada GPU jadi kita lihat QDF seperti pandas tapi pada GPU dan QML seperti scikit-learn tapi pada GPU jadi apa ini bermaksud algoritma yang berlaku yang mungkin ada botoneg dengan cepat CPU dan semuanya bergerak untuk prosesi GPU dan perkara yang bagus tentang QDF adalah NVIDIA cuba mempunyai seperti standard jadi untuk contoh jika anda ingin membuat prosesi QDF atau beberapa aplikasi lain yang berguna dengan QDF seperti XGBoost dan mungkin ada kedua pilihan pilihan atau latihan yang menggunakan lagi yang berguna dengan QDF basically data berlaku dalam mempunyai GPU tanpa membutangkannya tanpa membutangkannya atau RAM dan membutangkannya ke dalam GPU jadi ini adalah masalah yang berlaku seperti sekarang jika anda menggunakan XGBoost data hanya membutangkannya dalam mempunyai GPU tetapi membutangkannya ke dalam GPU dan kemudian membutangkannya ke dalam RAM untuk menggunakan framework lain tetapi dengan QDF semuanya boleh tinggalkan dalam mempunyai GPU dan beberapa lain perkara yang tidak standard seperti OpenCV kemudian apabila mungkin kita cuba menggunakan performa yang lebih optimis versi yang berlaku seperti contoh bagi contoh, PILO adalah pilihan yang sangat popular pilihan pilihan pilihan tetapi apa yang orang tidak faham adalah yang sebenarnya versi optimis yang berlaku disebut PILO SIMD jadi kita juga memutuskan itu dan itu mengambil lebih banyak instruksinya dalam CPU modern anda seperti AVX2 dan sebagainya untuk perkara lebih cepat JPEG dan perkara seperti itu jadi dalam termasuk support dan stabiliti apa yang saya boleh katakan adalah bahawa beberapa kawan dan saya menggunakan ini hari ini dan pada GPU jadi ia berlaku pada GPU tapi jika anda menggunakan ini untuk perniagaan bukan idea yang baik untuk menggunakan GPU tetapi bagaimanapun ia berlaku pada GPU jadi dalam SUTD kita mempunyai beberapa servis GPU jadi ada juga pelajar dan pelajar untuk menggunakan ini untuk berlaku untuk beberapa projek pada servis GPU dan sebagainya dalam perasaan yang kita telah menggunakan dalam kontainan ini kita menggunakan ini dengan sebuah doker kita menggunakan ini dengan kubanatis kita menggunakan ini dengan JPEG dan JPEG dan sebagainya kerja kerja jadi sebagainya semua servis GPU yang kita akan menunggu dalam termasuk cloud kita telah menggunakan ini pada EC2 Google Compute Engine dan juga Google Kubanatis Engine dan kemudian selama cara kerana projek ini telah berjalan selama beberapa bulan saya telah mengenai servis GPU dan servis GPU tergantung jadi saya percaya ia akan berlaku dengan produk yang baik kemudian kemudian kita juga mempunyai servis GPU yang lebih besar kita menggunakan servis GPU di SUTD dengan sebagainya pada klas GKE dan kita mempunyai dalam perjalanan kita ini adalah kebiasaan yang lebih besar kita sehingga servis kubanatis ini dengan kubanatis ini dan kemudian berfungsi baik jadi dengan ini kita ya ya, jadi bagaimanapun hanya untuk bercakap tentang projek ini jadi sebenarnya saya masih mengalami servis GPU dan servis GPU jadi servis GPU yang bekerja baik jadi di sini kita dapat lihat saya telah berjalan memperbaiki perjalanan dengan sebagainya dengan sebagainya 4 servis GPU jadi itu tentang perjalanan yang saya telah meletakkan dan kemudian pada kisah saya saya mahu mengalami servis GPU dan mempunyai performa MPI jadi servis GPU ini lebih mempunyai dari klas Universiti atau klas HPC apabila mereka betul-betul mahu memperbaiki sesuatu seperti ini pada servis GPU dan untuk itu performa multinode sebenarnya sangat penting jadi kita mencari perkara yang seperti servis GPU untuk melihat jika kita dapat semuanya yang diperbaiki untuk bekerja dengan betul-betul dan juga perkara yang lain yang menarik yang mempunyai adalah orang yang telah saya tanya bolehkah kita memperbaiki aplikasi yang memperbaiki pembukaan AI untuk memperbaiki belajaran jadi itu adalah perkara yang saya juga mencari ya, jadi servis GPU yang digunakan di GitHub saya akan kembali okey, jadi di sini saya akan cuba membuat demo tapi jika anda menarik saya pada awal tadi itu sebab saya lupa memperbaiki demo jadi mari kita lihat jika saya memperbaiki memperbaikannya di depan jadi saya rasa saya benar-benar menarik bagaimana cepat untuk memperbaikannya sebab apabila saya berada di sini atau memperbaikannya di environment okey, jadi demo pertama saya adalah saya mempunyai Google Cloud virtual machine jadi basically semua yang saya telah membuat ya, maaf oh, zoom in, okey ya, jadi sebenarnya semua yang saya telah membuat pada demo ini adalah saya sebenarnya menarik skrips untuk memastikan kuda, driver dan docker 2K dan sebagainya jadi sebenarnya saya dapat memastikan kontainer ini dengan hanya satu kata jadi sebenarnya kata ini di sini tapi saya cuba dengan versi baru tapi bila-bila ini kata ini jadi sebenarnya saya hanya docker menarik skrips saya memperbaiki kuda dan saya memperbaiki kuda ke dalam kontainer dan kemudian anda akan mengulang kuda jupiter jadi saya akan cuba menarik skrips jadi ini prosesi standard semasa anda hanya masuk ke IP address dan berhubung ke kuda ya, berharap ia berlaku ya, ia berlaku jadi saya hanya menarik skrips dan berhubung ke kuda ya, jadi sekarang saya mempunyai jupiter jupiter dalam masin yang seluruh jadi jika saya cuba buat sesuatu sekarang mungkin saya mahu memperbaiki TensorFlow tidak memperbaiki PyTorch dan mungkin memperbaiki rapi-rapi memperbaiki kuda kuda dan okey, jadi ini adalah idea yang baik untuk cuba versi baru dari kontainer okey, saya cuba ini kerana versi yang lebih kecil yang sepatutnya memperbaiki lebih cepat jadi masalah yang lebih kecil di sini menggunakan Google Cloud untuk memperbaiki performa iO ini sangat teruk jadi ia mengambil sekejap untuk memperbaiki okey, kita akan kembali ke ini nanti ya, saya lupakan untuk memperbaiki versi yang diperbaiki ya okey, jadi okey, sebabnya sebabnya saya tidak memperbaiki saya memperbaiki versi baru yang tidak selamat jadi nanti kita akan kembali versi yang bekerja jadi pertanyaan yang akan saya tanya bagaimana kita dapat memperbaiki perjalanan ini untuk sebuah peperiksaan yang tidak mencari seperti pada pejabat kerja apabila kita mempunyai 14 peperiksaan dan mereka semua begini jadi bagaimana kita dapat melakukannya? jadi untuk ini, saya mempunyai lebih banyak kembali seperti saya mempunyai lebih jauh dan menunjukkan video demo ya, saya sebenarnya mempunyai kubinati-kubinati yang diperbaiki dalam latihan tapi saya akan menunjukkan video dulu kerana ada peluang yang tidak berfungsi kerana saya memperbaiki sekarang juga okey, saya akan mencuba ya, jadi apa yang peluang dapat dalam latihan adalah bahawa mereka menghubungi menggunakan Google okey, saya hanya berbual ya, jadi bahawa mereka menghubungi menggunakan Google account dan kemudian mereka menghubungi ke pakaian ini jadi apa yang mereka boleh lakukan adalah mereka hanya menghubungi gambar tempoh mereka menghubungi pakaian CPU dan RAM yang mereka inginkan dan kemudian kemungkinan GPU dan kemudian mereka akan dapat menghubungi pakaian GPU jadi ia sangat mudah menghubungi dan kemudian mereka akan dapat menggunakan servo laptop dalam sekitar 10-20 saat jadi ini sudah tentu jadi apa yang mereka boleh lakukan adalah mereka boleh pergi ke pakaian command saya akan berjumpa sedikit dan kemudian mereka boleh menghubungi material workshop dalam kes kita dan kemudian mereka dapat menghubungi material workshop seperti hanya menggunakan notebook Jupyter dan menghubungi dan menggunakan notebook dan latihan dan sebagainya ya jadi sebabnya sebabnya sebabnya sebabnya sebabnya sebabnya kita tidak mahu menghubungi memastikan semua orang mempunyai pakaian dan semua itu dihubungi pada komputer mereka jadi kita menghubungi semuanya ke Google Cloud ya jadi sebenarnya ini adalah apa yang saya katakan jadi sebenarnya kita mempunyai seperti sekitar 40 peperiksaan dan semua mereka mempunyai kemungkinan mereka sendiri server notebook Jupyter dan GPU untuk menghubungi semua material workshop dengan setidaknya 0 set-up pada laptop mereka daripada membutuhkan web browser ya jadi sebenarnya ini telah dibuat menggunakan projek open source disebabkan Qt Flow jadi sebenarnya Qt Flow adalah toolkit machine learning untuk Kubernetes yang mempunyai untuk menghubungi seluruh pipeline untuk pembangunan untuk penghubungi dan pengalaman untuk kemungkinan kemungkinan dan aplikasi ya jadi sebenarnya web Qt Flow adalah Qt Flow.org dan sebenarnya apa yang saya lakukan adalah mempunyai semua projek machine learning yang terbaik dan sebenarnya hanya menghubungi satu toolkit giant yang disebabkan untuk menghubungi Kubernetes ya jadi sebenarnya saya mencuba dan pada Google Cloud dan ia berfungsi dengan baik pada Google Cloud ada sebenarnya sebuah tool deployment yang hanya menghubungi dan ia menghubungi aplikasi ini untuk anda jadi itu sangat menarik ya jadi beberapa perkara lain ya okey, jadi tidak jadi untuk 40 user 8 user berkongsi 1 instan tapi ya untuk menghubungi duit tapi sebenarnya kepada user mereka tidak mempunyai apa yang berlaku kerana ini semua dibuat dari mereka ya, jadi saya akan menerima sedikit lebih tentang ini nanti ya, jadi daripada dapat menghubungi nombor JUPITER dengan JUPITER HUB Qubeflow juga dapat menghubungi perkara lain sejujurnya kerana perkara lain yang menarik anda dapat melakukan servis model menggunakan RT atau Seldon atau TF servis dan sebagainya jadi anda dapat lihat ini benar-benar menarik pipeline sehingga dari eksperimentasi kelebihan yang besar kelebihan yang sebenar kelebihan jadi Qubeflow menarik pipeline ya jadi saya sudah menyebabkan ini adalah pipeline yang Qubeflow menarik jadi semuanya dari eksperimentasi kelebihan JUPITER kelebihan kelebihan servis model dan aplikasi kelebihan kelebihan kelebihan jadi perkara lain Qubeflow bukan projek seperti saya Qubeflow adalah projek yang sangat besar dengan kontributasi dari Google, Microsoft dan NVIDIA jadi kelebihan yang menarik yang berlaku beberapa hari lalu adalah Intel sebenarnya menerima produk kelebihan yang berdasarkan kelebihan Qubeflow tapi tanpa support JUPITER saya bermakna tanpa support JUPITER yang benar-benar menarik tapi saya rasa mereka cuba menarik mereka ya jadi ini seperti kontributasi untuk kelebihan Qubeflow jadi anda juga dapat lihat ada beberapa syarikat syarikat syarikat juga jadi juga ada banyak kelebihan kelebihan Qubeflow di China juga dari syarikat seperti Alibaba dan saya rasa ini adalah salah satu syarikat syarikat di China tentu-tentu projek Google seperti biasa ya jadi saya tidak pasti jika saya menarik kelebihan Qubeflow jadi sebenarnya saya rasa saya beritahu sebelumnya jadi Qubeflow adalah sebuah kit yang menarik kelebihan Qubeflow dan kelebihan Qubeflow adalah sebab untuk menariknya ia menarik setiap kontainer jadi anda boleh menarik seperti otomasi jadi sebenarnya otomasi framework untuk kontainer dan sebabnya anda boleh menarik kelebihan seperti komputer load balancing, networking dan storage jadi untuk menarik pertanyaan lelaki jadi sebenarnya apa yang berlaku di belakang apabila pembantu pembantu JUPITER notebook serva adalah semua kelebihan Qubeflow akan dapat saya perlukan 1 CPU 5GB RAM dan K80 GPU dan kelebihan Qubeflow akan menarik anda tahu kelebihan Qubeflow ada kelebihan ini dan kelebihan port akan menarik kelebihan kelebihan dan ia berlaku sangat cepat dan untuk orang yang menarik untuk belajar lebih banyak kelebihan Qubeflow ada video ini yang berlaku ada video ini yang berlaku kelebihan Qubeflow tapi ini sebenarnya video yang sangat bagus jika anda tak tahu kenapa kelebihan Qubeflow jadi saya periksa ok jadi saya akan kembali ke demo ya tunggu ok ya saya rasa ia berlaku jadi saya akan cuba kelebihan lagi ok, mari kita cuba lagi semoga ia berlaku ok, tunggu saya tak pasti apa yang salah ok, jadi ini adalah demo yang sangat teruk ok, mari saya tukar ke kelebihan Qubeflow saya hanya perlu ke anggaran lupa apa anggaran ya, ok, jadi saya masuk ya, ok, jadi bahan-bahan itu yang anda lihat dalam video adalah versi custom jadi ini versi vanilla yang anda dapat kelebihan Qubeflow jadi saya hanya ok, jadi apa yang saya percaya saya juga lupa saya tak meletakkan kelebihan untuk ini jadi ia akan meletakkan tapi ia akan mengambil lama untuk meletakkan ya jadi sebenarnya mungkin kita hanya selesai di sini jika saya dapat berlaku kelebihan kelebihan kemudian saya akan menunjukkan setelah berlaku mungkin ya, tapi sekarang saya akan hanya mengambil pertanyaan ya, ya dan kemudian saya boleh mengambil perlukan mod garlic ahli kita kata janjikan naik c aquilo yang anda lihat system ya, gibtli żeby perlukan semua yang yang anda lihat caranya kalau besok berlaku hahaha kalian caranya saya akanisations 4 saya akan ik fruitful jadi untuk co-lab, anda tidak sebenarnya dapat banyak perkara seperti anda tidak dapat perhatian yang penting, anda dapat lima jam 12 jam dan anda juga dapat seperti sebuah cahaya CPU dan GPU performa dan anda juga tidak dapat mengandungkan perubahan yang berlaku dengan co-lab jadi, kita katakan anda mengandungkan sebuah kelas di universiti anda tidak dapat mengandungkan perubahan jupiter untuk kelas dengan semua modus yang telah diperkenalkan dan anda sebenarnya perlukan sebuah kelas di atas kuali co-lab dengan banyak kode co-lab untuk mengandungkan perubahan dan sebagainya dan anda di Google untuk melihat apa yang berlaku apakah tidak, beberapa perkara di-supported anda tidak dapat memperkenalkan kelas dan memperkenalkan kelas anda jadi co-lab sebenarnya mempunyai perkara di luar kualiti tetapi saya memperkenalkan bahwa saya tidak pernah mencari perkara di luar kualiti untuk co-lab sebabnya ia sangat keren betul, jadi co-lab adalah jika anda memperkenalkan kelas di universiti anda boleh mengandungkan kelas dengan mereka dan kemudian memperkenalkan kelas di universiti betul jadi perkara lain adalah, bagi contoh, universiti terpaksa mempunyai perkara seperti kelas GPU yang sudah di sana tetapi pelajar-pelajar memperkenalkan kelas itu kerana anda perlu menggunakan perkara seperti Slam untuk memperkenalkan kerja anda dan sebagainya jadi perkara lain adalah sebab kita datang dengan perkara ini supaya kita dapat memperkenalkan kelas itu adalah sesuatu yang mempunyai lebih banyak pengguna dan perkara yang saya tidak yakin anda dapat memperkenalkan kelas di luar kualiti adalah anda dapat memperkenalkan lebih banyak kelas dari satu kelas jadi perkara seperti itu bagaimanapun kelas untuk memperkenalkan kelas anda untuk memperkenalkan kelas anda? betul, jadi kelas 40GPU sebab, saya ingat bagaimanapun kelas itu saya rasa ia lebih daripada 100% sepanjang hari dan basically Google sangat mendukung tentang perkara ini jadi mereka membantu kita untuk memperkenalkan kelas di Google Cloud jadi saya rasa yang lain jadi mereka... jadi ini adalah demo yang sangat teruk sebab saya benar-benar sedang memperkenalkan kelas 10 minit di sini sebab saya lupa tentangnya jadi idea ini adalah jika anda sudah mempunyai kelas yang sudah dikeluarkan maka lebih mudah untuk memperkenalkan semua orang untuk memperkenalkan kelas yang satu dan ini juga menyebabkan kelas yang anda tahu perempuan saya cuba memperkenalkan kelas satu seperti sebuah projek kelas satu dan kelas yang lain atau mungkin mereka hanya menggunakan untuk memperkenalkan dan memperkenalkan kelas yang mereka dapat dari internet dan satu lagi perkara saya merenangkan sebenarnya saya cuba memperkenalkan kelas yang lain tetapi apa yang saya merenangkan adalah gambar yang berdasarkan yang sebenarnya gambar Kudak Ambeda dengan gambar yang berdasarkan instalasi notebook dan instalasi python dan kemudian memperkenalkan kelas satu yang berdasarkan kelas yang lebih daripada kelas yang saya membuat jadi saya cuba memperkenalkan kelas yang berdasarkan jadi saya rasa terutamanya untuk gambar yang digunakan untuk kelas yang penting ia membuat banyak kelas untuk hanya mempunyai gambar kerana ia lebih mudah untuk mengecewakan dan juga Google Cloud memang mempunyai performa IO jadi ia memperkenalkan dengan cepat tetapi kemudian ia memperkenalkan untuk memperkenalkan sebabnya jadi ia hanya memperkenalkan sebabnya menggunakan Google Cloud tapi jika anda membuatnya pada komputer sendiri ia memperkenalkan sebanyak-banyak kali lebih cepat seperti performa Google Cloud apabila memperkenalkan gambar itu dan secara normal, saya rasa ya jadi mungkin oh iya, jadi saya lupa untuk memperkenalkan ini tetapi biasanya ia mempunyai pakaian untuk kontainer jadi saya mempunyai projek random jadi apa yang ini adalah ini adalah sebuah liners untuk memperkenalkan Kuda Toolkit Docker dan Nvidia Docker jadi ini adalah sesuatu yang saya juga memperkenalkan selama beberapa bulan semasa saya memperkenalkan apa adalah cara yang terbaik untuk memperkenalkan Kuda Toolkit dalam cara yang tidak akan memperkenalkan setelah app memperkenalkan dan sebagainya dan memperkenalkan seperti pakaian dan servis dan sebagainya jadi lagi ini tidak mempunyai pakaian tetapi ia memperkenalkan sejauh-jauh di sebagainya iya iya, jadi sebenarnya perkara yang menggunakan Kuda Docker adalah versi Kuda di dalam kontainer tidak perlu menggantikan versi Kuda di dalam sistem kamu jadi kesalahan teruk kamu adalah kamu perlu memperkenalkan versi Kuda dengan kudah Kuda saya dengan kuda Kuda Toolkit di dalam kontainer tetapi apa-apa pun Kuda Toolkit atau kuda yang memperkenalkan dalam sistem kamu tidak penting tanpa ia seperti 2-0 contohnya jadi ada sebuah layar jadi sebenarnya kamu tidak perlu memperkenalkan masin sebenarnya dan kamu hanya perlu memperkenalkan kontainer kita memperkenalkannya lebih mudah kerana kadang-kadang jika kamu cuba memperkenalkan versi Kuda pada versi Kuda di dalam sistem kamu seperti ia tidak memperkenalkan dan kemudian kamu perlu memperkenalkan makin dan mulai memperkenalkan iya, jadi kadang-kadang itu berlaku saya minta maaf bolehkah kamu memperkenalkan pertanyaan? saya tidak memperkenalkan okey, jadi apa yang saya cuba katakan adalah bahawa jika kita memperkenalkan keadaan yang penting seperti mungkin kamu perlu memperkenalkan kuda 8.0 ia okey jika seperti contohnya Kuda 10 adalah memperkenalkan kuda sejauh-jauh kontainer kamu dibina untuk kuda 8.0 jadi, seperti contohnya jika kamu memperkenalkan beberapa projek jadi satu projek menggunakan kuda 9 satu projek menggunakan kuda 8 sejauh-jauh semuanya ada kuda 10 diberikan projek kamu akan memperkenalkan semua masin sejauh-jauh kamu mempunyai kuda image yang mempunyai kuda 8.0 atau kuda 9.0 di dalam kuda image jadi, jika kamu tidak mempunyai kompleksiti ini atau memperkenalkan versi Kuda yang sebenarnya diberikan di dalam servis kamu kamu hanya perlu memperkenalkan kuda image dan kemudian memperkenalkan kuda image satu pertanyaan terakhir minta maaf saya fikir kuda image memperkenalkan kompleksiti yang sebenarnya diberikan di dalam kuda atau saya memperkenalkan atau saya memperkenalkan baiklah, jadi baiklah, saya ingin memperkenalkan itu tapi sebenarnya baiklah, untuk kontainer kamu untuk bekerja dengan Jupiter Harp yang sebenarnya adalah perkara yang sama kuda image kontainer kamu perlu mempunyai beberapa pakar dan sejauh-jauh yang diperkenalkan jadi, sejauh-jauh kontainer kamu ada yang dapat kamu gunakan dengan kuda image atau Jupiter Harp jadi, mereka menghubungi versi-versi mereka sendiri dari kuda image dan sepatutnya, apa yang saya lakukan adalah saya cuba memperkenalkan itu untuk memperkenalkan kuda image yang saya rasa orang selalu perlukan tapi yang diperkenalkan dari kuda image tapi seolah-olah ada kuda image yang dibuat untuk memperkenalkan semua pakar jupiter dan pilihan entri akan berhasil dengan kuda image atau Jupiter Harp dengan kuda image yang diperkenalkan atau sebuah versi Jupiter Harp dan sebagainya ya okey, itu betul