Kubeflow实战系列：阿里云上小试TFJob
`tf-operator`是Kubeflow的第一个CRD实现，解决的是TensorFlow模型训练的问题，它提供了广泛的灵活性和可配置，可以与阿里云上的NAS，OSS无缝集成，并且提供了简单的UI查看训练的历史记录。
开源工具GPU Sharing：支持Kubernetes集群细粒度
问题背景
全球主要的容器集群服务厂商的Kubernetes服务都提供了Nvidia GPU容器调度能力，但是通常都是将一个GPU卡分配给一个容器。这可以实现比较好的隔离性，确保使用GPU的应用不会被其他应用影响；对于深度学习模型训练的场景非常适合，但是如果对于模型开发和模型预测的场景就会比较浪费。
100TB级, 日增量1TB(100亿), OLTP OLAP混合场景数据库设计方向
标签
PostgreSQL , LLVM , JIT , 并行 , 列存储 , GPU
背景
总量100TB，日增量1TB左右。这样的体量应该可以覆盖目前绝大多数企业的数据库体量。
提到100TB级别，OLTP和OLAP的混合场景，大家可能会想到Oracle的一体机extradata，没错Oracle在这方面做得确实是非常棒的，但是价格也是很漂亮的。
在阿里云上轻松部署Kubernetes GPU集群，遇见TensorFlow
Kubernetes在版本1.6后正式加入了Nvidia GPU的调度功能，支持在Kubernetes上运行运行和管理基于GPU的应用。而在2017年9月12日，阿里云发布了新的异构计算类型GN5，基于P100 nvidia GPU, 提供灵活强悍的异构计算模型，从基础设施到部署环境全面升级，可有效提升矩阵运算、视频识别、机器学习、搜索排序等处理计算效率。
CUDNN学习笔记（1）
cuDNN概述NVIDIA cuDNN是一个GPU加速深层神经网络原语库。它提供了在DNN应用程序中频繁出现的例程的高度优化的实现：
卷积前馈和反馈，
pooling前馈和反馈
softmax前馈和反馈
神经元前馈和反馈：
整流线性（ReLU）-sigmoid
双曲线正切（TANH）
张量转换函数
LRN，LCN和批量归一化前进和后退
cuDNN的卷积程序旨在提高性能，以最快的GEMM（矩阵乘法）为基础实现此类例程，同时使用更少的内存。
阿里云郑晓：浅谈GPU虚拟化技术（第三章）
本系列文章推送门：
阿里云郑晓：浅谈GPU虚拟化技术（第一章） GPU虚拟化发展史 阿里云郑晓：浅谈GPU虚拟化技术（第二章）GPU虚拟化方案之——GPU直通模式
今天一个小伙伴@我说：“你浅谈一下，没点技术背景的，估计都看不懂…”，醍醐灌顶啊，面向公众的文章不是学术论文，应以普及基本概念为主。
Kubernetes的Device Plugin设计解读
Kubernetes的生态地位已经确立，可扩展性将是其发力的主战场。异构计算作为非常重要的新战场，Kubernetes非常重视。而异构计算需要强大的计算力和高性能网络，需要提供一种统一的方式与GPU、FPGA、NIC、InfiniBand等高性能硬件集成。
打造云上深度学习实验室
云栖TechDay36期，来自阿里云技术专家必嘫带来题为“打造云上深度学习实验室”的演讲。本文主要从深度学习流程开始谈起，解释了深度学习应用构建的完整生命周期，进而分享了机遇与容器服务的深度学习解决方案架构，接着讲解了端到端的深度学习体验，最后作了简要总结。
