很多人工智能企业需要部署深度学习平台主来进行开发设计，支持 TensorFlow、PyTorch、Caffe、Caffe-MPI 等深度学习框架，支持 python 与 R 语言的深度学习训练环境是其生产刚需，高性能云计算资源需要从模型开发、训练到部署的全流程进行技术支撑，实现统一管理、调度及监控，提高资源利用率。

GPU 云服务器能够针对企业各应用场景，提供各种预置算法，便于用户快速构建模型；“高效”方面，凭借高性能的 AI 服务器为依托，高密度 GPU 服务器助力模型训练与预测效率更高效。从建模到部署的全流程管理，高性能计算模块可以降低模型训练成本，用户也可以采取按需付费或者预付费的形式灵活选择使用，真正实现“低成本”。

深度学习平台能够应用在各个行业，帮助企业解决业务痛点。在制造业，人工智能将优先为产品服务、生产模式以及运营模式带来高效能。生产车间通过采用图像识别进行产品质量检测、安全生产监督，在节约人力成本的同时，还能提高良品率，加强企业安全保障。相关数据显示，对于单个中小型工厂，通过应用深度学习平台后，良品率可以提升 1 个百分点，每年能够降低成本数千万。

GPU云服务器和 GPU 云物理主机，更能够提供丰富的配置选型，满足用户不同的业务需求。GPU 云服务产品支持在线购买、自动配置、主机生命周期管理等功能。其中 GPU 云物理主机基于 AI 计算服务器，搭载 16 片 V100 Tensor Core GPUs，使用 NVSwitch 技术互联，峰值计算能力达到 2 PetaFLOPS（每秒 2 千万亿次），可以满足用户的极致性能需求。GPU 云服务产品全面满足用户对资源、性能、安全等各方面需求，全面助力人工智能训练和推理、科学计算、图形可视化、虚拟桌面基础架构（VDI）等方向的升级发展。

降低批量部署 GPU 实例的成本，可以轻松实现快速弹性伸缩以及提高运维效率。降低批量部署成本在诸多图形计算和 AI 推理计算的场景中，用户通常并不要求单 GPU 实例的计算性能十分强大，而是更加关注业务在批量部署中的成本。小粒度的虚拟化 GPU 实例则更加合适这些场景，很好的平衡用户业务在批量部署中的成本需求。实现快速弹性伸缩拥有了小粒度的虚拟化 GPU 实例，用户不必再为了匹配较强的物理 GPU 资源而将服务部署成为复杂的胖服务节点，而是可以基于容器方式将有 GPU 计算需求的服务都解耦部署在不同的虚拟化 GPU 实例节点上。这样部署的瘦服务节点更加有利于快速弹性伸缩，在业务的任何时刻都可以应对自如，提高业务运维效率。提高运维效率使用小颗粒的虚拟化 GPU 实例进行瘦服务节点部署，使得服务环境配置和服务接口变得简单，使用不同的镜像即可部署大规模的 AI 应用而无需部署复杂的胖节点，提供运维效率，降低时间风险和成本。