版本：0.5.10

可以作为K8s节点的设备

特征

此类设备可以作为一个独立的 K8s 节点运行，节点的概念可以参考 K8s 官方文档简单来讲，设备至少支持安装和运行

这类设备接入之后，通常需要定制 runtime 镜像来运行 Starwhale 的 [Job](/zh/docs/overview/concepts# -job-step-and-task)

典型设备

树莓派

树莓派是我们熟知的微型电脑, 除了是 ARM 架构外, 使用起来和常规的服务器区别不大, 下面简单介绍树莓派加入 K8s 集群的步骤.

安装操作系统, 建议使用基于 Ubuntu 的 Raspberry Pi OS
安装 Docker 环境, 按照 Docker 官方文档的说明操作即可完成安装
加入已有的 K8s 集群, 过程中如果遇到问题, 可以参考 Kubernetes The Hard Way

成功加入集群之后, 就可以参考后续的文档将任务调度到树莓派上进行实验了.

Jetson

Jetson 是 Intel 公司出品的一类高性能嵌入式设备，内置 GPU 我们使用它通常是要充分利用它的GPU计算资源

后面我们以 orin 为例进行环境配置的说明

节点环境初始化

按照官方的文档初始化好定制的 Ubuntu 系统以及 JetPack 套件, 保证能够成功运行官方提供的demo, 拥有 docker 环境. orin 的初始化文档

配置 GPU

K8s 基于 device plugin 机制支持将硬件资源发布到集群. NVIDIA 为它的 GPU 提供了自己的 k8s device plugin, 并且从 v0.13.0-rc.1 开始支持了 Jetson 系列设备

配置 nvidia-container-runtime 作为默认的 runtime, 参考链接比如如果使用的是docker, 则需要配置 /etc/docker/daemon.json 包含下面内容

{
    "runtimes": {
        "nvidia": {
            "path": "nvidia-container-runtime",
            "runtimeArgs": []
        }
    },

    "default-runtime": "nvidia"
}

使用 Jetson 官方教程中提到的 deviceQuery 测试在 docker 中使用 GPU

如果有类似下面的输出, 则我们的 docker 环境已经配置好

# docker run --rm -v `/path/to/deviceQuery`:/root/deviceQuery nvcr.io/nvidia/l4t-jetpack:r35.1.0 /root/deivceQuery

/root/deviceQuery Starting...

CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "Orin"
CUDA Driver Version / Runtime Version          11.4 / 11.4
CUDA Capability Major/Minor version number:    8.7
Total amount of global memory:                 30623 MBytes (32110190592 bytes)
(016) Multiprocessors, (128) CUDA Cores/MP:    2048 CUDA Cores
GPU Max Clock rate:                            1300 MHz (1.30 GHz)
Memory Clock rate:                             1300 Mhz
Memory Bus Width:                              128-bit
L2 Cache Size:                                 4194304 bytes
Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
Total amount of constant memory:               65536 bytes
Total amount of shared memory per block:       49152 bytes
Total shared memory per multiprocessor:        167936 bytes
Total number of registers available per block: 65536
Warp size:                                     32
Maximum number of threads per multiprocessor:  1536
Maximum number of threads per block:           1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch:                          2147483647 bytes
Texture alignment:                             512 bytes
Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
Run time limit on kernels:                     No
Integrated GPU sharing Host Memory:            Yes
Support host page-locked memory mapping:       Yes
Alignment requirement for Surfaces:            Yes
Device has ECC support:                        Disabled
Device supports Unified Addressing (UVA):      Yes
Device supports Managed Memory:                Yes
Device supports Compute Preemption:            Yes
Supports Cooperative Kernel Launch:            Yes
Supports MultiDevice Co-op Kernel Launch:      Yes
Device PCI Domain ID / Bus ID / location ID:   0 / 0 / 0
Compute Mode:
    < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 11.4, CUDA Runtime Version = 11.4, NumDevs = 1

将节点加入 K8s 集群此环节和服务器无差别, 细节参考 K8s 相关文档完成即可
配置 device plugin 的 daemon set 参考链接
以 v0.13.0-rc.1 为例
```
kubectl create -f https://raw.githubusercontent.com/NVIDIA/k8s-device-plugin/v0.13.0-rc.1/nvidia-device-plugin.yml
```
注意: 此操作会在所有的 K8s 节点中运行 NVIDIA 的 device plugin 插件, 如果之前配置过, 则会被更新, 请谨慎评估使用的镜像版本

确认 GPU 可以在集群中发现和使用参考下边命令, 查看 Jetson 节点的 Capacity 中有 nvidia.com/gpu, GPU 即被 K8s 集群正常识别

# kubectl describe node orin | grep -A15 Capacity
Capacity:
cpu:                12
ephemeral-storage:  59549612Ki
hugepages-1Gi:      0
hugepages-2Mi:      0
hugepages-32Mi:     0
hugepages-64Ki:     0
memory:             31357608Ki
nvidia.com/gpu:     1
pods:               110

制作和使用自定义镜像

文章前面提到的 l4t-jetpack 镜像可以满足我们一般的使用, 如果我们需要自己定制更加精简或者更多功能的镜像, 可以基于 l4t-base 来制作相关 Dockerfile 可以参考 Starwhale为mnist制作的镜像

特征​

典型设备​

树莓派​

Jetson​

节点环境初始化​

配置 GPU​

制作和使用自定义镜像​

特征

典型设备

树莓派

Jetson

节点环境初始化

配置 GPU

制作和使用自定义镜像