去年，我们推出了首款针对GoogleKubernetesEngine的GPUalpha产品，使用NVIDIATeslaGPU，并获得了惊人的客户响应。今天，Kubernetes引擎中的GPU处于beta阶段，并且可以在最新的Kubernetes Engine版本中广泛使用。
在Kubernetes Engine中使用GPU可以增强计算密集型应用，如机器学习(ML)，图像处理和财务建模。通过将CUDA工作负载打包到容器中，无论何时需要，都可以从Kubernetes Engine GPU的强大处理能力中受益，而无需管理硬件甚至虚拟机。
凭借其一流的CPU，GPU和现在的TPU，GoogleCloud为在云中运行ML工作负载提供了最佳选择，灵活性和性能。例如，搭乘共享先驱Lyft使用Kubernetes Engine中的GPU来加速其深度学习模型的训练。
GKE集群非常适合深度学习工作负载，具有开箱即用的GPU集成，针对尖端培训工作负载的自动缩放集群以及集成的容器记录和监控。“
-Lyft工程副总裁Luc Vincent
NVIDIA®(英伟达™)Tesla P100和K80 GPU作为beta版本的一部分提供，并且V100即将问世。最近，我们还推出了可抢占式GPU以及新的更低价格，为你解开新的机遇。
在Kubernetes引擎中开始使用GPU
使用Kubernetes Engine中的GPU创建集群非常简单。从云控制台，可以在“创建Kubernetes群集”页面上展开机器类型，以选择GPU的类型和数量。
如果想要将具有GPU的节点添加到现有集群中，则可以使用节点池和集群Autoscaler功能。通过在GPU中使用节点池，群集可以在需要时使用GPU。与此同时，Autoscaler可以在请求GPU的pods被调度时自动创建具有GPU的节点，并且当GPU不再被任何活动的pod消耗时，缩小到零。
以下命令使用GPU创建一个节点池，最多可扩展到五个节点，最少可扩展到零个节点。
gcloud beta container node-pools create my-gpu-node-pool –accelerator=type=nvidia-tesla-p100,count=1 –cluster=my-existing-cluster–num-nodes 2 –min-nodes 0 –max-nodes 5 –enable-autoscaling
在后台，Kubernetes引擎应用了 taint和 toleration技术，以确保只有GPU请求的GPU才会在具有GPU的节点上进行调度，并防止不需要GPU的GPU运行。
尽管Kubernetes Engine为你后台做了很多事情，但我们也希望你了解GPU作业的表现如何。 Kubernetes Engine公开了使用GPU的容器度量标准，例如GPU的繁忙程度，可用的内存量以及分配的内存量。还可以使用Stackdriver来查看这些指标。
有关使用GPU的Kubernetes引擎的更详细的解释，例如安装NVIDIA驱动程序以及如何配置一个pod以使用GPU，请查看文档。
用Kubernetes解决新的工作负载
2017年，Kubernetes Engine核心工作时间同比增长9倍，并且该平台作为ML工作负载的首要部署平台获得了巨大的发展动力。对于像Kubeflow这样的开源项目，我们感到非常兴奋，它使得它在Kubernetes中运行ML堆栈变得简单，快速和可扩展。我们希望这些开源ML项目和GPU在Kubernetes Engine中的结合将帮助您在商业，工程和科学领域进行创新。
今天就尝试
要开始使用带有Kubernetes Engine的GPU，使用我们免费试用的300美元积分，需要升级你的帐户并申请GPU配额才能生效。
感谢你在制定我们的路线图方面提供支持和反馈，以更好地满足您的需求。保持对话进行，并在Kubernetes引擎频道与我们联系。
