Dieser Rechner schätzt, wie viele Cloud-GPUs parallel benötigt werden, um einen gegebenen Rechenbedarf innerhalb einer Deadline abzuschließen. Dabei werden produktive Auslastung, Parallelisierungseffizienz und Sicherheitsreserve berücksichtigt. Das Ergebnis eignet sich für Trainings-, Rendering-, Simulations- oder Batch-Workloads, sofern sie ausreichend parallelisierbar sind.
Das Ergebnis ist eine aufgerundete Kapazitätsschätzung. Sinkende Auslastung oder Parallelisierungseffizienz erhöht die Zahl benötigter GPUs; eine Sicherheitsreserve schafft zusätzlichen Puffer für Schwankungen.
Die Parallelisierungseffizienz ist besonders wichtig: Eine Workload mit starken seriellen Anteilen kann trotz vieler GPUs nicht proportional schneller werden.
960 GPU-Stunden in 24 Stunden entsprechen theoretisch 40 GPUs. Bei 85 % Auslastung und 90 % Parallelisierungseffizienz steigt der Bedarf auf 52,3 GPUs. Mit 15 % Reserve werden 61 GPUs empfohlen.
Vergleiche die tatsächliche Beschleunigung bei mehreren GPUs mit der ideal linearen Beschleunigung. Der Quotient kann als Effizienzannahme dienen.
Diese Rechnung setzt 100 % Auslastung und perfekte lineare Parallelisierung voraus, was in realen GPU-Workloads selten erreicht wird.
Ja, sofern du den gesamten Rechenbedarf sinnvoll in GPU-Stunden ausdrückst und die passende Parallelisierungseffizienz verwendest.
Effizienz bildet systematische Verluste ab; die Reserve dient als Puffer für Schwankungen, Verzögerungen oder Kapazitätsrisiken.
Dann sollte die Parallelisierungseffizienz deutlich niedriger angesetzt werden. Bei stark seriellen Workloads kann zusätzliche GPU-Kapazität die Deadline dennoch nicht proportional verkürzen.
| Kennzahl | Bedeutung |
|---|---|
| Theoretisches Minimum | GPU-Stunden geteilt durch Deadline bei idealer Skalierung. |
| Effizienzbereinigter Bedarf | Kapazität nach Auslastung und Parallelisierungseffizienz. |
| Erwartete Laufzeit | Rechnerische Dauer mit der empfohlenen GPU-Zahl. |