---
title: "持久化儲存卷（Persistent Volume）"
slug: persistent-volume
language: zh-TW
source: https://aiterms.tw/terms/persistent-volume
updated_at: 2026-07-04
tags: [MLOps, 模型部署, 資料處理, 模型訓練, source:ipas]
ipas_term: true
---

# 持久化儲存卷（Persistent Volume）

持久化儲存卷是在容器化環境中獨立於容器生命週期的儲存資源，能確保系統或任務重啟時資料不會遺失。

## 完整說明

持久化儲存卷是一種獨立於容器生命週期的儲存資源，用於確保系統重啟時資料不會遺失。它能夠為機器學習模型訓練提供穩定的持久層，避免容器崩潰導致模型權重或訓練資料集消失，常見應用包括模型查克點儲存、日誌記錄與大型資料集掛載。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 如果我的訓練容器意外崩潰，持久化儲存卷內的資料會遺失嗎？

不會遺失。這正是持久化儲存卷設計的核心目的。當您將資料（例如模型訓練的查克點、日誌檔或特徵處理的中繼資料）寫入已經掛載的持久化儲存卷時，這些資料會被實際儲存到底層的實體儲存媒體或網路儲存系統中。因此，即使運行訓練任務的容器因為記憶體不足或節點故障而突然崩潰，儲存在卷中的資料依然安全。當您啟動新的訓練容器並掛載同一個卷後，就能讀取之前的資料，順利地從中斷的地方接續訓練，避免浪費時間與運算資源。

### 多個不同的機器學習訓練任務可以同時讀寫同一個持久化儲存卷嗎？

這取決於底層儲存技術所支援的存取模式。如果您使用的是基於傳統雲端區塊儲存的技術，通常只支援單一節點掛載並進行讀寫，這意味著多個位於不同運算節點上的訓練容器無法同時寫入。然而，如果您選擇了網路檔案系統或是分散式檔案系統作為底層的實體儲存，系統就能夠支援多節點同時讀寫的模式。在規劃分散式機器學習訓練架構時，必須根據實際的資料共享需求，仔細挑選合適的底層儲存方案與設定對應的存取模式，確保容器順利執行。

### 持久化儲存卷的 I/O 效能是否會影響深度學習模型的訓練速度？

會的，而且影響可能非常顯著。在處理大量高解析度影像或龐大語音檔案的任務中，模型訓練的速度往往受到資料讀取速度的限制，形成資料存取瓶頸。由於持久化儲存卷通常是透過網路掛載的儲存資源，其網路延遲與資料吞吐量會直接決定傳輸效率。如果底層儲存系統的效能不足，即使配置了高階的運算加速硬體，運算單元也會因為需要等待資料載入而閒置。因此，建置基礎設施時應評估需求，挑選具備高吞吐量特性的儲存架構。

---

來源：https://aiterms.tw/terms/persistent-volume
快查頁：https://aiterms.tw/terms/persistent-volume
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-persistent-volume