(一)  背景资料

GPU就是图形处理器，是Graphics Processing Unit的缩写。电脑显示器上显示的图像，在显示在显示器上之前。要经过一些列处理，这个过程有个专有的名词叫“渲染" ，曾经计算机上是没有GPU的，都是通过CPU来进行“渲染”处理的，这些涉及到“渲染”的计算工作很耗时。占用了CPU的大部分时间。之后出现了GPU，是专门为了实现“渲染”这样的计算工作的。用来将CPU解放出来，GPU是专为运行复杂的数学和几何计算而设计的，这些计算是“渲染”所必需的。

以下看看百度百科上CPU同GPU的对照图。当中绿色的是计算单元：

能够看出来GPU有大量的计算单元，所以GPU是专门为“渲染”这样的计算工作设计的。

(二)  应用领域

最開始同GPU相关的应用仅仅是简单地停留在图形相关应用上，比方游戏中3D图形“渲染”等图像处理应用。如今GPU的应用已经很广泛的。在游戏、娱乐、科研、医疗、互联网等涉及到大规模计算的领域都有GPU应用的存在。比方高性能计算应用、机器学习应用、人工智能应用、自己主动驾驶应用、虚拟现实应用、自然语言处理应用等等。

1、以下看看Nvidia提供的深度学习领域使用GPU的分析结果：

能够看出来从2013年到2015年在深度学习领域呈现出爆发性增长的趋势。

2、以下看看Nvidia提供的资料：

使用GPU来实现深度学习应用后，在自己主动驾驶、医疗诊断和机器学习三方面效率提高的十分明显。

(三)  Kubernetes 1.3中支持GPU的实现

在kubernetes1.3中提供了对Nvidia品牌GPU的支持，在kubernetes管理的集群中每一个节点上，通过将原有的Capacity和Allocatable变量进行扩展，添加了一个针对Nvidia品牌GPU的α特性：alpha.kubernetes.io/nvidia-gpu。当中Capacity变量表示每一个节点中实际的资源容量，包含cpu、memory、storage、alpha.kubernetes.io/nvidia-gpu。而Allocatable变量表示每一个节点中已经分配的资源容量。相同包含包含cpu、memory、storage、alpha.kubernetes.io/nvidia-gpu。

在启动kubelet的时候，通过添加參数--experimental-nvidia-gpu来将带有GPU的节点加入到kubernetes中进行管理。

这个參数experimental-nvidia-gpu用来告诉kubelet这个节点中Nvidia品牌GPU的个数。假设为0表示没有Nvidia品牌GPU，假设不添加这个參数，那么系统默觉得这个节点上没有Nvidia品牌GPU。

当节点上安装有多块Nvidia品牌GPU的时候，參数experimental-nvidia-gpu是能够输入大于1的数值的。可是对于kubernetes1.3这个版本号，GPU还是个α特性。在代码中參数experimental-nvidia-gpu事实上仅仅支持两个值。各自是0和1，我们通过以下代码就能够看出来：

在执行docker的时候，须要映射节点上的设备到docker中，这段代码是在告诉docker，仅仅映射第一块Nvidia品牌GPU。通过上面代码能够看出来，在kubernetes1.3中。GPU这个α特性，參数experimental-nvidia-gpu事实上仅仅支持两个值，各自是0和1。通过上面代码也能够看出来，为什么在kubernetes1.3中仅仅支持Nvidia品牌GPU，对于不同品牌的GPU，映射到linux操作系统里面有着不同的设备路径，须要针对不同的GPU品牌分别进行实现。

(四)  Kubernetes 1.6中支持GPU的实现

在kubernetes1.6中更全面的提供了对Nvidia品牌GPU的支持，保留了kubernetes1.3中针对Nvidia品牌GPU的α特性：alpha.kubernetes.io/nvidia-gpu，可是在启动kubelet的时候。去掉了參数--experimental-nvidia-gpu，改成了通过配置Accelerators为true来启动这个α特性，完整的启动參数是--feature-gates="Accelerators=true"。

在kubernetes1.3中仅仅能利用节点上的一颗NvidiaGPU，可是在kubernetes1.6中会自己主动识别节点上的全部Nvidia GPU，并进行调度。

从上面代码中就能够看出来。在1.6中能够获取节点中全部NvidiaGPU设备。

以下是1.6中在kubelet中添加的Nvidia GPU相关结构体：

在nvidiaGPUManager这个结构体中，allGPUs变量表示这个节点上全部的GPU信息；allocated变量表示这个节点上已经被分配使用的GPU信息，这个allocated变量是一个podGPUs结构体变量，用来表示POD同已使用GPU的相应关系。dockerClient变量是docker接口变量，用来表示全部使用GPU的docker。activePodsLister变量表示这个节点上全部活动状态的POD，通过这个变量，能够释放已经处于终止状态POD所绑定的GPU资源。

在kubernetes中Nvidia GPU这个特性仅仅是在容器是docker的时候才生效。假设容器使用的是rkt，是无法使用到Nvidia GPU的。

在1.6中能够參照以下例子使用Nvidia GPU：

能够看到。在1.6中使用GPU的时候，不同docker之间是无法共享GPU的。也就是说每一个docker都会独占整个GPU，并且事实上还须要kubernetes集群中全部节点上面的NvidiaGPU类型都是同样的，假设在一个集群中有的不同节点上面的Nvidia GPU类型不同。那么还须要给调度器配置节点标签和节点选择器。用来区分不同Nvidia GPU类型的节点。

在节点启动时，能够指明Nvidia GPU类型，而且作为节点标签传递给kubelet。例如以下所看到的：

在使用的时候，能够參考以下例子：

在这个例子中，利用到了节点亲和性规则，保证POD仅仅能使用GPU类型是"TeslaK80"或"Tesla P100"的节点。

假设已经在节点上安装了CUDA(Compute UnifiedDevice Architecture。是显卡厂商NVIDIA推出的运算平台。

CUDA™是一种由NVIDIA推出的通用并行计算架构。该架构使GPU可以解决复杂的计算问题。它包括了CUDA指令集架构以及GPU内部的并行计算引擎)，那么POD可以通过hostPath卷插件来訪问CUDA库：

(五)  未来展望

以后会逐渐完好这个α特性，让GPU成为kubernetes中原生计算资源的一部分，并且会提高使用GPU资源的方便性，还会让kubernetes自己主动确保使用GPU的应用能够达到最佳性能。

随着机器学习的火热，为了支撑各种以GPU为主的机器学习计算平台。相信kubernetes在GPU处理上还会继续高速完好，逐渐成为机器学习的底层编排架构。