【.com原创文章】AI时代，企业对高性能计算的需求越来越迫切，尤其是随着深度学习和计算的不断演进AI应用、图形计算成为企业不可或缺的算力。NVIDIAProviz亚太区业务总监沉伟认为，对于深度学习企业用户来说，在数据中心使用GPU已经成为一种常态配置。因此，英伟达开始从vGPU图形计算向纯数据中心发展。这是因为NVIDIA硬件首先是从工作站向数据中心发展的，所以从虚拟化的角度来看，它也会从工作站向数据中心发展。 两年前，vGPU5.0引入了vGPU计算的概念。vGPU不仅可以用于图形应用，还可以用于计算应用。通过软件，GPU被重新定义。如今，vGPU7.1可以虚拟出多个物理GPU，分配给某个用户，实现两个功能：一个是针对性能要求不高的场景，比如图形场景、教学场景、开发测试场景。第二种是针对对计算能力要求非常高的用户。这时候就可以使用multi-vGPU功能，为这些用户分配给各个虚拟机。NVIDIAGPU虚拟化高级解决方案架构师张杰表示，因此，vGPU7.X解决方案比之前的版本更加灵活，符合vGPU解决方案的发展趋势。 据张杰介绍，vGPU7.X具有以下特点：首先，支持多GPU。对于算力要求高的用户，需要多块GPU。虚拟化的方法是给虚拟机多块物理GPU。虚拟机需要高算力就给它高算力，需要低算力就给它低算力。例如，大学有时需要低计算能力，有时需要高计算能力。对算力要求不高的场景一般是教学场景，学生需要用到算力不高的GPU进行教学实践和训练。而教师需要具有高计算能力的GPU来进行科学研究。 虚拟化可以将两者合二为一。比如学生在上培训班的时候，可以把整个GPU资源池中的GPU裁掉，给他们提供低算力。学习后可以完全释放GPU，物理GPU可以给某位老师或教授做科研相关的工作。因此，虚拟化可以使其更加灵活。 第二种是vMotion动态迁移。一些不适合用硬件实现的功能可以用软件来实现。比如数据中心有热迁移，现在可以支持VMware和Citrix的服务器虚拟化平台在数据中心挂载vGPU虚拟机，在数据中心不间断的进行业务迁移。数据中心用户可以将大量的GPU服务放在虚拟化平台上，在GPU资源池中实现。 第三是图形虚拟化已经比较成熟，现在需要在vGPU上加入大量关于虚拟化的计算特性。NVIDIA的目标是让vGPU的特性与物理GPU的特性完全一致，让传统的物理GPU用户可以通过虚拟GPU解决方案平滑无缝地迁移到数据中心。 在物理GPU上，NVIDIA发布了整机方案DGX-1。DGX-1与NVIDIAGPUCloud（NGC）合作，将NVIDIA优化的人工智能神经网络框架下载到DGX-1，这是一个8卡或16卡的训练环境。您也可以将NGC与NVIDIAvGPU软件搭配使用，将NGC上优化后的Docker镜像直接下载到vGPU环境中进行推理和训练。因此，将传统物理环境中的特性移植到虚拟化环境中进行验证，以保证性能和兼容性。 第四是支持TeslaT4，这是一款基于图灵架构的全新GPU。它有人工智能加速的TensorCore，实时光线追踪加速的RTCore，以及图形和计算的CUDACore。 对于vGPU7.X版本的应用场景扩展，NVIDIA官方也给出了建议。首先是Windows10，2020年1月，微软将正式停止支持Win7，越来越多的用户将迁移到Win10，因此越来越多的虚拟桌面用户将迁移到Windows10。 Window10要求比较高在GPU上。因此，在虚拟桌面场景下，有和没有GPU的用户体验是完全不同的——如果有GPU，用户体验会大大提升，可以帮助客户的终端用户接受桌面虚拟化的改造和迁移，并能帮助客户更好地推广桌面虚拟化，更好地管理桌面、终端和数据。 通过GPU虚拟化，在虚拟桌面服务器上插入一块GPU进行切割，切割后给它一个vGPU。当虚拟桌面上有vGPU时，性能会得到提升，用户体验也会变得更好。更好的是，它将接近物理机的体验。 第二是5.0版本，GPU支持计算。一些对GPU算力要求非常高的离线渲染场景，用GPU就可以完成。因此，支持多GPU分配的7.X版本可以提高渲染效率。 第三，在AI场景下，深度学习推理会用GPU来实现。【原创稿件，合作网站转载请注明原作者和出处为.com】
