VMware ESXi
- 6.7
- 7
GPU DEDICATED / NVIDIA / DATACASA
Pour louer un serveur GPU, partez du logiciel à exécuter et de la mémoire graphique nécessaire. Comparez ensuite les configurations GTX 1080 Ti, RTX 2080 Ti et RTX A4000, puis les ressources CPU, RAM, disque et réseau de chaque offre.
Les neuf offres précisent le modèle et le nombre de GPU ainsi que le processeur, le stockage et le prix mensuel. Vérifiez la mémoire par carte et la compatibilité de votre application avant de choisir plusieurs GPU.
138,51 € / mois
274,41 € / mois
374,60 € / mois
182,07 € / mois
304,03 € / mois
260,48 € / mois
448,65 € / mois
500,92 € / mois
870,29 € / mois
La RAM du serveur et la mémoire graphique ne remplissent pas le même rôle. Vos données, votre modèle ou votre scène doivent tenir dans les ressources accessibles à l’application. Plusieurs cartes ne constituent pas automatiquement une seule réserve de mémoire : le logiciel doit savoir répartir le travail.
Le GPU ne remplace pas le reste du serveur. Préparation des données, stockage des résultats et transferts réseau peuvent limiter un traitement pourtant compatible avec NVIDIA. Mesurez un échantillon représentatif et comparez le temps de calcul, la mémoire utilisée et le volume de données à déplacer.
Cinq offres comprennent 1–3 GTX 1080 Ti ou 1–2 RTX 2080 Ti, avec le nombre de cartes indiqué sur chaque offre.
Quatre offres de serveur physique comprennent une, deux ou quatre cartes RTX A4000.
Les offres fournissent 128 GB RAM et 1 TB SSD ou NVMe M.2 SSD, avec le type de stockage indiqué sur chaque carte.
Les neuf offres indiquent une ligne de 100 MBit et un port de 1 GBit. Évaluez aussi le temps nécessaire au transfert de vos données et résultats : la vitesse du port ne remplace pas le débit de la ligne indiqué dans l’offre.
Pour les traitements d’apprentissage ou d’inférence compatibles avec les GPU proposés. La mémoire du modèle et des données, ainsi que la prise en charge des cartes par votre logiciel, déterminent la configuration utile.
Encodage, transcodage et rendu avec les logiciels qui prennent en charge les cartes proposées. La mémoire graphique de la scène et le stockage des fichiers de travail comptent autant que le nombre de GPU.
Capacité GPU physique pour les tests graphiques, les processus de construction et le développement à distance.
Analyse des données et tâches scientifiques conçues pour bénéficier du parallélisme GPU.
Un serveur dédié standard se concentre sur les charges de CPU, de mémoire et de stockage. Les offres GPU dédiées ajoutent des cartes graphiques NVIDIA physiques pour le traitement parallèle compatible, sans gain automatique pour les logiciels réservés au CPU. Comparez la compatibilité des frameworks, le nombre de GPU, le CPU hôte, la mémoire, le disque et les besoins réseau avant de choisir une configuration.
Les offres GPU Dedicated sont proposées dans les centres de données Datacasa avec une ligne de 100 MBit et un port de 1 GBit.
Comparez les serveurs physiques pour les charges de travail qui ne nécessitent pas de GPU.
Découvrez des niveaux de départ plus modestes fondés sur des ressources virtuelles.
Découvrez la gamme de serveurs virtuels axée sur les CPU Ryzen et le stockage NVMe.
Confirmez la compatibilité du GPU, du pilote et du logiciel avant de placer une commande.
Réponses claires sur le choix, le périmètre et l’exploitation.
Il s’agit d’un serveur physique dont le GPU NVIDIA et les ressources hôtes sont réservés à un seul client.
Les offres proposent des options GTX 1080 Ti, RTX 2080 Ti et RTX A4000.
Commencez par vérifier la compatibilité et la mémoire requise par votre application. Plusieurs GPU sont utiles si elle répartit effectivement son travail entre les cartes ; leur mémoire ne s’additionne pas automatiquement pour un même traitement.
Les offres GPU ajoutent du matériel graphique pour le traitement parallèle compatible; les serveurs standard se concentrent sur les charges CPU.
Vérifiez ensemble le modèle de GPU, la version du pilote et celle du framework. Avant la commande, précisez qui installe et maintient ces composants ; la présence d’une carte NVIDIA ne prouve pas qu’un environnement CUDA ou OpenCL est déjà configuré.