gpu服务器能用vmvare虚拟化吗

GPU虚拟化主要针对在桌面虚拟化的一些研发和设计工作人员，这些人员需要进行大型的3D设计，从而使用普通的桌面虚拟化无法满足其主要的需求。所以必须采用在虚拟化平台增加GPU，通过GPU虚拟化的方式进行。

目前VMware的GPU虚拟化主要分为以下三种方式：

vSGA：

是指“Virtual Shared Graphics Acceleration”（虚拟共享图形加速）。vSGA 的功能是利用在 ESXi 主机中本机安装的物理 GPU（图形处理单元，也称为显卡）为众多虚拟桌面提供硬件加速 3D 图形。通过提供这种功能，可进一步扩展使用虚拟桌面能够提供的使用情形和目标用户。除了扩展目标使用情形外，还可以提供更生动鲜活的视觉体验，从而进一步增强用户体验。vSGA在虚拟机中使用的是VMware的驱动，每个用户显存最多512MB。

vGPU：

是指Virtual Graphics Processing Unit (vGPU) ，是在VMware vSphere6.0上的新功能，它介于vSGA和vDGA之间，即可以使用GPU的核心资源，又可以进行不同配置的共享，从而在经济性和性能之间达到比较好的均衡，在虚拟机中使用的是GPU的原生驱动，从而性能比vSGA更加强劲，而通过显存上的共享从而使一块GPU卡可以共享给更多的用户，达到更加经济的目的。vGPU有不同类型的配置文件使用，包含K120Q，K220Q，K140Q，K240Q，K160Q，K260Q，K180Q，K280Q型号，应用程序对于它们也都已经加入了认证的列表。

选择GPU服务器时首先要考虑业务需求来选择适合的GPU型号。在HPC高性能计算中还需要根据精度来选择，比如有的高性能计算需要双精度，这时如果使用P40或者P4就不合适，只能使用V100或者P100；同时也会对显存容量有要求，比如石油或石化勘探类的计算应用对显存要求比较高；还有些对总线标准有要求，因此选择GPU型号要先看业务需求。

GPU服务器人工智能领域的应用也比较多。在教学场景中，对GPU虚拟化的要求比较高。根据课堂人数，一个老师可能需要将GPU服务器虚拟出30甚至60个虚拟GPU，因此批量Training对GPU要求比较高，通常用V100做GPU的训练。模型训练完之后需要进行推理，因此推理一般会使用P4或者T4，少部分情况也会用V100。

综上所述，选择服务器时不仅需要考虑业务需求，还要考虑性能指标，比如精度、显存类型、显存容量以及功耗等，同时也会有一些服务器是需要水冷、降噪或者对温度、移动性等等方面有特殊的要求，就需要特殊定制的服务器。

欢迎了解更多：网页链接

GPU（Graphics Processing Unit），中文名：图形处理器，曾用名：显卡。

1999年，Nvidia（英伟达）公司“ZAO”了GPU，这玩意除了极大的推动了基于PC的游戏市场发展，还彻底改变了并行计算。

没想到二十年后，Nvidia摇身一变成了高大上的AI计算公司，还用GPU绑架了整个人工智能圈子。

我有个客户，几年前新建了一个数据中心，通过P2V技术淘汰了大量X86物理服务器，直接在IT基础设施上成功完成了服务器虚拟化转型，之后就马不停蹄的向云计算转型，而当下，又开始了人工智能转型。

随着智能商业时代的到来，一些大公司对于AI技术的关注和使用也快速增加，这些企业都非常注重自身科技能力的构建。其中，搭建自有AI平台，赋能业务成了这些有实力企业的首选。我这个客户自然也不能免俗，采购了大量的GPU服务器进行部署。

在落地AI场景的同时，客户也希望对建立GPU资源池做一个评估。针对客户需求，做了一些功课。对于AI，我依然只是知道一点皮毛，要说什么算法和模型，我是没戏的，但是可以把交流的学习心得分享一下。

---