ACS GPU概述_容器计算服务(ACS)-阿里云帮助中心

阿里云容器计算服务 ACS（Container Compute Service）支持对各种异构计算资源进行统一调度，为用户提供Serverless化使用异构计算资源的形式，降低异构计算集群的运维复杂性。本文介绍ACS支持的异构计算资源使用方式。

ACS GPU典型工作流

ACS为AI工作负载提供了一种极具弹性与成本效益的解决方案，全面覆盖从数据预处理、模型训练到推理部署的完整生命周期。它将Serverless按需使用、自动扩缩容的特性与强大的GPU计算能力相结合，帮助开发者和数据科学家专注于业务逻辑与算法创新，而非底层资源管理。

数据预处理阶段： 对于大规模数据集的清洗、转换和增强任务，您可以利用Serverless CPU的并行处理能力，按需启动大量CPU实例来加速计算。任务完成后，资源立即释放，无需为空闲时间付费。这对于处理周期性或突发性的数据批处理任务尤其高效，能显著缩短数据准备周期。
模型训练阶段： 在模型训练这一计算密集型环节，Serverless GPU允许您根据模型大小和收敛速度的需求，灵活选择所需规格的GPU实例。训练任务按实际执行时长计费，精准到秒，彻底消除了传统模式下GPU服务器的闲置成本，特别适合实验性调参和迭代训练。
考虑到模型训练工作负载对资源确定性和灵活性的需求，可以使用GPU-HPN容量预留方案来预定GPU资源。
推理部署阶段： 模型训练完成后，可以将其无缝部署为在线推理服务。ACS的Serverless架构能够根据实时请求流量，在秒级内自动扩缩容GPU实例，甚至可以缩容至零。这意味着在没有流量时，您不承担任何资源成本。这种极致的弹性非常适合流量波动大或有明显波峰波谷的AI应用场景，如图像识别、自然语言处理等，满足服务高可用的同时最大化节约成本。

通过ACS Serverless GPU，您可以在一个统一、无缝的平台上高效完成整个AI工作流，实现资源的按需分配与成本的最优化，加速AI应用的开发与落地。

关于GPU卡型的更多详情，请参见ACS支持的GPU规格族。