Planifier des applications sur des nœuds virtuels GPU-HPN en fonction des libellés d'attribut - Container Compute Service

Les nœuds virtuels GPU-HPN des clusters ACS exposent des libellés d'attribut GPU qui permettent de cibler un modèle de GPU ou une zone réseau spécifique pour vos pods, sans modifier le code de votre application.

Prérequis

Avant de commencer, assurez-vous que vous avez :

Activé ACS
Associé le cluster à une réservation de capacité GPU-HPN

Libellés d'attribut GPU

Chaque nœud virtuel GPU-HPN comporte les libellés suivants.

Libellé	Description
`alibabacloud.com/gpu-model-series`	Modèle de GPU utilisé par le nœud virtuel
`alibabacloud.com/node-series`	Type de ressource réservée du nœud virtuel
`alibabacloud.com/hpn-zone`	Zone du réseau haute performance

Pour consulter les modèles de GPU pris en charge par votre réservation de capacité, ouvrez un ticket .

Choisir une méthode de planification

Kubernetes propose deux méthodes pour assigner un pod à un nœud spécifique.

Méthode	Fonctionnement	Cas d'usage
node selector	Correspondance stricte : le pod est planifié uniquement sur les nœuds portant la valeur de libellé exacte	Ancrage à un modèle de GPU précis, sans option de repli
node affinity	Prise en charge de contraintes strictes (`required`) et souples (`preferred`)	Règles plus flexibles, par exemple préférer un modèle de GPU tout en acceptant un autre

L'exemple suivant utilise un node selector. Pour la syntaxe de node affinity, reportez-vous à la documentation Kubernetes.

Planifier des pods sur un modèle de GPU spécifique

Cet exemple exécute une tâche d'entraînement TensorFlow MNIST sur un nœud virtuel doté d'un modèle de GPU spécifique.

Créez un fichier nommé tensorflow-mnist.yaml avec le contenu suivant.

apiVersion: batch/v1
kind: Job
metadata:
  name: tensorflow-mnist
spec:
  parallelism: 1
  template:
    metadata:
      labels:
        app: tensorflow-mnist
    spec:
      nodeSelector:
        alibabacloud.com/gpu-model-series: "gpu-example"  # Replace with your GPU model
      containers:
      - name: tensorflow-mnist
        image: registry.cn-beijing.aliyuncs.com/acs/tensorflow-mnist-sample:v1.5
        command:
        - python
        - tensorflow-sample-code/tfjob/docker/mnist/main.py
        - --max_steps=1000
        - --data_dir=tensorflow-sample-code/data
        resources:
          requests:
            cpu: 1
            memory: 1
            nvidia.com/gpu: 1
          limits:
            cpu: 1
            memory: 1
            nvidia.com/gpu: 1
        workingDir: /root
      restartPolicy: Never

Déployez le Job.
```
kubectl apply -f tensorflow-mnist.yaml
```

Vérifiez l'état du pod.

kubectl get pod -l app=tensorflow-mnist -o wide

Consultez la colonne NODE pour confirmer que le pod s'exécute sur le nœud virtuel attendu.

NAMESPACE   NAME                     READY   STATUS    RESTARTS   AGE    IP       NODE                                   NOMINATED NODE   READINESS GATES
default     tensorflow-mnist-xxx     0/2     Running   0          4h2m   <none>   cn-shanghai-b.cr-u4ub6c3un2mrjlct2l9c  <none>           <none>

La sortie indique que le pod s'exécute sur le nœud virtuel utilisant le GPU gpu-example.