Model Whale官网,和鲸社区heywhale在线数据科学工具,提供免费GPU 什么是Model Whale? ModelWhale 数据科学云端协同工具，帮助解决底层工程繁复、数据难安全应用、成果流转困难、成果复现困难等问题。基于不同使用场景，ModelWhale 提供三个版本，分别是 基础版、专业版、团队版 ；此外，还提供 私有化独立部署服务! ModelWhale! 即开即用的数据科学云端协同工具 Model Whale官网1: https://www.heywhale.com/mw/workspace/index Model Whale官网2: https://www.modelwhale.com/pricing Model Whale用户手册: https://www.heywhale.com/docs/org_admin/ ModelWhale.数据驱动研究·与开拓者同行！和鲸旗下数据科学协同平台,将数据管理、建模分析、模型训练管理、算力资源管理、任务管理等功能深度整合,为科研工作 者及团队解决数据安全、底层工程繁复、研究成果流转复现困难等问题。 https://www.modelwhale.com/pricing 如果在本地使用Jupyter Notebook，需要耗费大量的金钱和时间，还要将原有的计算环境重新安装一遍，再次感受装包失败、内存不足、网络不佳、编译报错等带来的痛苦。 ModelWhale则可随时随地即开即用，若需变更算力，运行项目时点选对应资源即可，省时省力不浪费。 强大的算力调度管理能力 如何进行算力调度管理一直是广大高校与科研机构较为关心的问题，如前文所述，目前正是由于缺乏合理的调度机制，造成了空有强大硬件资源而用不上的情况。本节将从算力接入、各规格算力统一管理、精细化算力调度、算力资源的即开即用四个层面提供相应解决方案。 算力接入：私有化部署与运维 独立部署的 ModelWhale 在算力接入上可选择本地服务器（需要高效利用已有硬件设备客户的首选）、私有云或来自各主流云厂商提供的云服务，无论是哪种方式，基于云原生技术方案的 ModelWhale 都可灵活对接，同时支持跨云调度。 部署完成后，ModelWhale 将 提供全套运维服务与完整的售后机制， 做到全程跟进。一般性问题，可于线上远程支持；严重或复杂问题，也可以到当地进行解决，不再浪费研究组织内的人力资源运维相关系统。 各规格算力统一管理：闲置算力不浪费 若选择高校与科研机构的本地服务器完成算力接入，这意味着已将组织内的本地服务器算力进行了集成，下一步便是各规格算力的统一管理，即如何将之前的闲置资源更方便地利用起来，并分配给不同的老师、研究人员的项目课题组。 通过 ModelWhale，高校与科研机构的管理员可利用图形化操作界面， 根据核数与内存大小对算力进行拆分，再按照不同的使用需求分配给不同群体。 举例来说，数据驱动研究中经常出现大型复杂计算任务，因此需要较高规格的 CPU 算力或 GPU 集群，同时，较为基础的算力资源则可分配给高校内的教学团队用于课程实践，做到各规格算力都不闲置。 此外，ModelWhale 还提供资源申用机制，当现有计算存储资源不够用时，项目组管理员可直接通过发起申请及时获得算力补给，应对不同研究需求。 算力资源按需分配至不同的研究项目组 精细化、灵活的算力调度 如果说各规格算力统一管理的着眼点在于从高校与科研机构组织到组织内不同的项目课题组，那么精细化、灵活的算力调度则更关心项目组内人员间的算力调配。 数据驱动研究项目组内使用算力资源属于“高规格+高并发”场景，如何将有限的算力分配给组内较多的研究人员呢？同组织管理员一样，项目组管理员同样可通过简单的点选式操作完成远程资源的分配与管控，精细到组内的每个成员，包括配置可使用的特定资源类型与时长。通过算力上云， 项目组内研究人员的研究环境不再局限于办公室、实验室的网络或电脑，个人 pc 也可随时随地进行相关研究。 计算资源管理：可以看到每个学生的算力使用情况 项目组管理员、负责人对组内研究者们的算力进行实时把控也是 杜绝资源浪费 的一种途径。另外，在算力紧缺的情况下，ModelWhale 不仅提供资源排队机制，也支持为组内成员配置资源使用优先级，使其优先完成部分相对重要的研究工作。最后，算力申请机制同样适用于项目课题组内，申请将由管理员审核，通过后即可根据各研究者的需求自动发放相应资源。 算力资源的即开即用 最后，算力同分析环境与镜像一样，属于即开即用的一部分：获得项目组管理员分配的算力后，组内研究人员在开始项目前自主选取所需算力，即可 一键完成资源调用 ，开始数据研究工作，同时在研究过程中，也可随时查看自己算力、内存、磁盘的使用情况。当遇到大型、复杂的计算任务时，新上线的 Pipeline 功能能够支持 任务编排与并行计算 ，该功能属于模型离线训练的一环，可使训练过程中的相关算力调度变得更为高效。 项目关闭、算力使用结束后，资源也会自动释放 ，供组内其他有需要的研究人员使用。
