测量对象（维度） 监控周期（原始指标） disk_inodesUsedPercent (Agent) inode已使用占比 该指标用于统计测量对象当前磁盘已使用的inode占比。 单位：百分比 采集方式（Linux）：执行df -i命令，查看IUse%列数据。挂载点前缀路径长度不能超过64个字符

查看更多 →

够多的节点来调度新扩容的Pod，那么就需要为集群增加节点，从而保证业务能够正常提供服务。 弹性伸缩在CCE上的使用场景非常广泛，典型的场景包含在线业务弹性、大规模计算训练、深度学习GPU或共享GPU的训练与推理、定时周期性负载变化等。 CCE弹性伸缩 CCE的弹性伸缩能力分为如下两个维度：

查看更多 →

l元数据空间使用百分比。 0～100 百分比（%） aom_host_diskpartition_thinpool_data_percent Thin pool 数据空间使用率 该指标用于统计CCE节点上thinpool数据空间使用百分比。 0～100 百分比（%） aom_ho

查看更多 →

显存容量（aom_node_gpu_memory_free_megabytes） 该指标用于统计测量对象的显存容量。 >0 兆字节（MB） 显存使用率（aom_node_gpu_memory_usage） 该指标用于统计测量对象已使用的显存占显存容量的百分比。 0～100 百分比（%） 显存使

查看更多 →

2*10GE GPU加速型 GPU加速型实例包括计算加速型（P系列）和图形加速型（G系列），提供优秀的浮点计算能力，从容应对高实时、高并发的海量计算场景。特别适合于深度学习、科学计算、CAE、3D动画渲染、CAD等应用。 表5 GPU加速型规格详情 规格名称/ID CPU 内存 本地磁盘

查看更多 →

基于CodeArts IDE Online、TensorFlow和Jupyter Notebook开发深度学习模型 概要 准备工作 导入和预处理训练数据集 创建和训练模型 使用模型

查看更多 →

放音快退 前置条件 座席已签入 座席在放音中 场景描述 录音播放时在当前位置进行快退操作。 接口方法 设置成“POST”。该接口仅支持POST方法，不支持PUT、GET和DELETE等方法。 接口URI https://ip:port/agentgateway/resource/

查看更多 →

高吞吐的数据访问挑战：随着企业使用 GPU/NPU 越来越多，底层存储的 IO 已经跟不上计算能力，企业希望存储系统能提供高吞吐的数据访问能力，充分发挥 GPU/NPU 的计算性能，包括训练数据的读取，以及为了容错做的检查点（以下简称Checkpoint）保存和加载。训练数据的读取要尽量读得快，减少计算对

查看更多 →

弹性伸缩：支持工作负载和节点的弹性伸缩，可以根据业务需求和策略，经济地自动调整弹性计算资源的管理服务。 服务治理：深度集成应用服务网格，提供开箱即用的应用服务网格流量治理能力，用户无需修改代码，即可实现灰度发布、流量治理和流量监控能力。 容器运维：深度集成容器智能分析，可实时监控应用及资源，支持采集、管理、分析日

查看更多 →

>0 兆字节（MB） 显存使用率（aom_container_gpu_memory_usage） 该指标用于统计测量对象已使用的显存占显存容量的百分比。 0～100 百分比（%） 显存使用量（aom_container_gpu_memory_used_megabytes） 该指标用于统计测量对象已使用的显存。

查看更多 →

GPU调度 GPU节点驱动版本 使用Kubernetes默认GPU调度 GPU虚拟化 监控GPU资源指标 基于GPU监控指标的工作负载弹性伸缩配置 GPU虚拟化节点弹性伸缩配置 GPU故障处理 父主题： 调度

查看更多 →

(GB) 无 2 x 2*10GE + SDI卡 GPU加速型 提供优秀的浮点计算能力，从容应对高实时、高并发的海量计算场景。特别适合于深度学习、科学计算、CAE、3D动画渲染、CAD等应用。 表5 GPU加速型规格详情 规格名称/ID CPU 内存 本地磁盘 扩展配置 physical

查看更多 →

部分深度学习模型参数 一键式模型部署和API发布，提供深度学习模型的快速部署功能，支持GPU资源分配、弹性扩容、模型迭代发布、应用监控和统计分析，轻松实现AI能力服务化。 图19 模型部署发布平台 平台基于模型训练结果，面向典型业务场景与应用需求，可提供遥感影像在线智能解译能力，包括遥感影像的单

查看更多 →

0～100% NA NA NA GPU编码器利用率 ma_container_gpu_enc_util 表示编码器利用率 百分比（Percent） % NA NA NA GPU解码器利用率 ma_container_gpu_dec_util 表示解码器利用率 百分比（Percent） % NA

查看更多 →

0～100% NA NA NA GPU编码器利用率 ma_container_gpu_enc_util 表示编码器利用率 百分比（Percent） % NA NA NA GPU解码器利用率 ma_container_gpu_dec_util 表示解码器利用率 百分比（Percent） % NA

查看更多 →

python3.6、python2.7、tf2.1-python3.7，表示该模型可同时在CPU或GPU运行。其他Runtime的值，如果后缀带cpu或gpu，表示该模型仅支持在CPU或GPU中运行。 默认使用的Runtime为python2.7。 默认启动命令：sh /home/mind/run

查看更多 →

GB/sec，则内存带宽利用率为50%。 0～100 百分比（%） ma_container_gpu_enc_util GPU编码器利用率 表示编码器利用率 0～100 百分比（%） ma_container_gpu_dec_util GPU解码器利用率 表示解码器利用率 0～100 百分比（%） DCGM_FI_DEV_GPU_TEMP

查看更多 →

GPU算法开发和训练基础镜像，预置AI引擎MindSpore-GPU GPU 是 是 rlstudio1.0.0-ray1.3.0-cuda10.1-ubuntu18.04 CPU、GPU强化学习算法开发和训练基础镜像，预置AI引擎 CPU/GPU 是 是 mindquantum0.9.0-mindspore2

查看更多 →

高吞吐的数据访问挑战：随着企业使用 GPU/NPU 越来越多，底层存储的 IO 已经跟不上计算能力，企业希望存储系统能提供高吞吐的数据访问能力，充分发挥 GPU/NPU 的计算性能，包括训练数据的读取，以及为了容错做的检查点（以下简称Checkpoint）保存和加载。训练数据的读取要尽量读得快，减少计算对

查看更多 →

CPU架构具有更加均衡的性能功耗比。 表1 x86 CPU架构和鲲鹏CPU架构差异对比 维度 x86 CPU架构 鲲鹏CPU架构 优势 生态好，支持几乎所有常用软件。 自研芯片，性价比更高。 适用场景 Windows系列、仅x86兼容的商业软件等强平台相关场景。 电商、大数据、科学计算等弱平台相关场景。

查看更多 →

性能，适合平时不会持续高压力使用CPU，但偶尔需要提高计算性能完成工作负载的场景，可用于轻量级Web 服务器 、开发、测试环境以及中低性能数据库等场景。 GPU加速型：提供优秀的浮点计算能力，从容应对高实时、高并发的海量计算场景。P系列适合于深度学习，科学计算，CAE等；G系列适合于3D动画渲染，CAD等。仅支持1

查看更多 →