update the old content of chinese website

content/zh/docs/tasks/manage-gpus/scheduling-gpus.md

@@ -8,172 +8,146 @@ content_template: templates/task
 {{% capture overview %}}
 
 
-Kubernetes 提供对分布在节点上的 NVIDIA GPU 进行管理的**实验**支持。本页描述用户如何使用 GPU 以及当前使用的一些限制
-
-{{% /capture %}}
-
-{{% capture prerequisites %}}
+Kubernetes 提供对分布在节点上的 AMD 和 NVIDIA GPU 进行管理的**实验**支持。对 NVIDIA GPU 的支持在 v1.6 中加入，已经经历了多次不向后兼容的迭代。而对 AMD GPU 的支持则在 v1.9 中通过 [device plugin](#deploying-amd-gpu-device-plugin) 加入。
 
+这个页面介绍了用户如何在不同的 Kubernetes 版本中使用 GPU，以及当前存在的一些限制。
 
-1. Kubernetes 节点必须预先安装好 NVIDIA 驱动，否则，Kubelet 将检测不到可用的GPU信息；如果节点的 Capacity 属性中没有出现 NIVIDA GPU 的数量，有可能是驱动没有安装或者安装失败，请尝试重新安装
+{{% /capture %}}
 
-2. 在整个 Kubernetes 系统中，feature-gates 里面特定的 **alpha** 特性参数 `Accelerators` 必须设置为 true：`--feature-gates="Accelerators=true"`
+{{% capture body %}}
 
-3. Kuberntes 节点必须使用 `docker` 引擎作为容器的运行引擎
+## v1.8 往后
 
+**从 1.8 版本往后，我们推荐通过 [device plugins](/docs/concepts/cluster-administration/device-plugins) 的方式来使用 GPU。**
 
-上述预备工作完成后，节点会自动发现它上面的 NVIDIA GPU，并将其作为可调度资源暴露
+在 1.10 版本之前，为了通过 device plugins 开启 GPU 的支持，我们需要在系统中将 `DevicePlugins`
+这一 feature gate 显式的设置为 true：`--feature-gates="DevicePlugins=true"`。不过，从 1.10 版本开始，我们就不需要这一步骤了。
 
-{{% /capture %}}
+接着你需要在主机节点上安装对应厂商的 GPU 驱动 并运行对应厂商的 device plugin
+([AMD](#deploying-amd-gpu-device-plugin), [NVIDIA](#deploying-nvidia-gpu-device-plugin))。
 
-{{% capture steps %}}
+当上面的条件都满足，Kubernetes 将会暴露 `nvidia.com/gpu` 或
+`amd.com/gpu` 来作为一种可调度的资源。
 
-## API
+你也能通过像请求 `cpu` 或 `memory` 一样请求 `<vendor>.com/gpu` 来在容器中使用 GPU。
+然后，当你要通过指定资源请求来使用 GPU 时，存在着以下几点限制：
 
+- GPU 仅仅支持在 `limits` 部分被指定，这表明：
+  * 你可以仅仅指定 GPU 的 `limits` 字段而不必须指定 `requests` 字段，因为 Kubernetes 会默认使用 limit 字段的值来作为 request 字段的默认值。
+  * 你能同时指定 GPU 的 `limits` 和 `requests` 字段，但这两个值必须相等。
+  * 你不能仅仅指定 GPU 的 `request` 字段而不指定 `limits`。
+- 容器（以及 pods）并不会共享 GPU，也不存在对 GPU 的过量使用。
+- 每一个容器能够请求一个或多个 GPU。然而只请求一个 GPU 的一部分是不允许的。
 
-容器可以通过名称为 `alpha.kubernetes.io/nvidia-gpu` 的标识来申请需要使用的 NVIDIA GPU 的数量
+下面是一个例子:
 
 ```yaml
 apiVersion: v1
-kind: Pod 
+kind: Pod
 metadata:
-  name: gpu-pod
-spec: 
-  containers: 
-    - 
-      name: gpu-container-1
-      image: k8s.gcr.io/pause:2.0
-      resources: 
-        limits: 
-          alpha.kubernetes.io/nvidia-gpu: 2 # requesting 2 GPUs
-    -
-      name: gpu-container-2
-      image: k8s.gcr.io/pause:2.0
-      resources: 
-        limits: 
-          alpha.kubernetes.io/nvidia-gpu: 3 # requesting 3 GPUs
+  name: cuda-vector-add
+spec:
+  restartPolicy: OnFailure
+  containers:
+    - name: cuda-vector-add
+      # https://github.com/kubernetes/kubernetes/blob/v1.7.11/test/images/nvidia-cuda/Dockerfile
+      image: "k8s.gcr.io/cuda-vector-add:v0.1"
+      resources:
+        limits:
+          nvidia.com/gpu: 1 # 请求一个GPU
 ```
 
+### 部署 AMD GPU device plugin
 
-- GPU 只能在容器资源的 `limits` 中配置
-
-- 容器和 Pod 都不支持共享 GPU
+[官方的 AMD GPU device plugin](https://github.com/RadeonOpenCompute/k8s-device-plugin) 有以下要求：
 
-- 每个容器可以申请使用一个或者多个 GPU
+- Kubernetes 节点必须预先安装 linux 上的 AMD GPU 驱动。
 
-- GPU 必须以整数为单位被申请使用
-
-- 所有节点的 GPU 硬件要求相同
+要在你的集群已经启动的情况下部署 AMD device plugin，可以运行下面的命令来实现：
+```
+# 对于 Kubernetes v1.9
+kubectl create -f https://raw.githubusercontent.com/RadeonOpenCompute/k8s-device-plugin/r1.9/k8s-ds-amdgpu-dp.yaml
 
+# 对于 Kubernetes v1.10
+kubectl create -f https://raw.githubusercontent.com/RadeonOpenCompute/k8s-device-plugin/r1.10/k8s-ds-amdgpu-dp.yaml
+```
+在这一页面来提交相关 device plugin 的 issues [RadeonOpenCompute/k8s-device-plugin](https://github.com/RadeonOpenCompute/k8s-device-plugin)。
 
-如果在不同的节点上面安装了不同版本的 GPU，可以通过设置节点标签以及使用节点选择器的方式将 pod 调度到期望运行的节点上。工作流程如下：
+### 部署 NVIDIA GPU device plugin
 
+对于 NVIDIA，目前存在两种 device plugin 的实现：
 
-在节点上，识别出 GPU 硬件类型，然后将其作为节点标签进行暴露
+#### 官方的 NVIDIA GPU device plugin
 
-```shell
-NVIDIA_GPU_NAME=$(nvidia-smi --query-gpu=gpu_name --format=csv,noheader --id=0)
-source /etc/default/kubelet
-KUBELET_OPTS="$KUBELET_OPTS --node-labels='alpha.kubernetes.io/nvidia-gpu-name=$NVIDIA_GPU_NAME'"
-echo "KUBELET_OPTS=$KUBELET_OPTS" > /etc/default/kubelet
-```
+[官方的 NVIDIA GPU device plugin](https://github.com/NVIDIA/k8s-device-plugin) 有以下要求:
 
+- Kubernetes 的节点必须预先安装了 NVIDIA 驱动
+- Kubernetes 的节点必须预先安装 [nvidia-docker 2.0](https://github.com/NVIDIA/nvidia-docker)
+- 对于 docker 而不是 runc，nvidia-runtime 必须被设置为 [default-container-runtime](https://github.com/NVIDIA/k8s-device-plugin#preparing-your-gpu-nodes)
+- NVIDIA 驱动版本 ~= 361.93
 
-在 pod 上，通过节点[亲和性](/docs/concepts/configuration/assign-pod-node/#affinity-and-anti-affinity)规则为它指定可以使用的 GPU 类型
+要在你的集群已经启动的情况下部署 NVIDIA device plugin，可以运行下面的命令来实现:
 
-```yaml
-kind: pod
-apiVersion: v1
-metadata:
-  annotations:
-    scheduler.alpha.kubernetes.io/affinity: >
-      {
-        "nodeAffinity": {
-          "requiredDuringSchedulingIgnoredDuringExecution": {
-            "nodeSelectorTerms": [
-              {
-                "matchExpressions": [
-                  {
-                    "key": "alpha.kubernetes.io/nvidia-gpu-name",
-                    "operator": "In",
-                    "values": ["Tesla K80", "Tesla P100"]
-                  }
-                ]
-              }
-            ]
-          }
-        }
-      }
-spec:
-  containers:
-    -
-      name: gpu-container-1
-      resources:
-        limits:
-          alpha.kubernetes.io/nvidia-gpu: 2
 ```
+# For Kubernetes v1.8
+kubectl create -f https://raw.githubusercontent.com/NVIDIA/k8s-device-plugin/v1.8/nvidia-device-plugin.yml
 
+# For Kubernetes v1.9
+kubectl create -f https://raw.githubusercontent.com/NVIDIA/k8s-device-plugin/v1.9/nvidia-device-plugin.yml
+```
 
-上述设定可以确保 pod 会被调度到包含名称为 `alpha.kubernetes.io/nvidia-gpu-name` 的标签并且标签的值为 `Tesla K80` 或者 `Tesla P100` 的节点上
+在这一页面来提交相关 device plugin 的 issues [NVIDIA/k8s-device-plugin](https://github.com/NVIDIA/k8s-device-plugin)。
 
+#### GKE/GCE 中使用的 NVIDIA GPU device plugin
 
-### 警告
+[GKE/GCE 使用的 NVIDIA GPU device plugin](https://github.com/GoogleCloudPlatform/container-engine-accelerators/tree/master/cmd/nvidia_gpu)
+并不要求使用 nvidia-docker，并且对于任何实现了 Kubernetes CRI 的容器运行时，都应该能够使用。这一实现已经在 [Container-Optimized OS](https://cloud.google.com/container-optimized-os/) 上进行了测试，并且在 1.9 版本之后会有对于 Ubuntu 的实验性代码。
 
+在你 1.9 版本的集群上，你能使用下面的命令来安装 NVIDIA 驱动以及 device plugin：
 
-当未来的 Kubernetes 版本能够更好的支持GPU以及一般的硬件加速器时，这里的 API 描述**将会随之做出变更**
+```
+# 在 Container-Optimized OS 上安装 NVIDIA 驱动:
+kubectl create -f https://raw.githubusercontent.com/GoogleCloudPlatform/container-engine-accelerators/k8s-1.9/daemonset.yaml
 
+# 在 Ubuntu 上安装 NVIDIA 驱动 (实验性质):
+kubectl create -f https://raw.githubusercontent.com/GoogleCloudPlatform/container-engine-accelerators/k8s-1.9/nvidia-driver-installer/ubuntu/daemonset.yaml
 
-## 访问 CUDA 库
+# 安装 device plugin:
+kubectl create -f https://raw.githubusercontent.com/kubernetes/kubernetes/release-1.9/cluster/addons/device-plugins/nvidia-gpu/daemonset.yaml
+```
 
+在这一页面来提交相关 device plugin 的 issues 以及相应的安装方法 [GoogleCloudPlatform/container-engine-accelerators](https://github.com/GoogleCloudPlatform/container-engine-accelerators).
 
-到目前为止，还需要预先在节点上安装 CUDA 库
+## 集群内存在不同类型的 NVIDIA GPU
 
+如果集群内部的不同节点上有不同类型的 NVIDIA GPU，那么你可以使用 [Node Label 和 NodeSelecter](/docs/tasks/configure-pod-container/assign-pods-nodes/) 来将pod调度到合适的节点上。
 
-为了避免后面使用库出现问题，可以将库放到 ``/var/lib/`` 下的某个文件夹下，或者直接改变库目录的权限(以后的版本会自动完成这一过程)
+举一个例子：
 
+```shell
+# 为你的节点加上它们所拥有的 accelerator 类型的标签.
+kubectl label nodes <node-with-k80> accelerator=nvidia-tesla-k80
+kubectl label nodes <node-with-p100> accelerator=nvidia-tesla-p100
+```
 
-Pods能够通过 `hostPath` 卷来访问库
+在 pod 的 spec 字段中指定 GPU 的类型：
 
 ```yaml
-kind: Pod
 apiVersion: v1
+kind: Pod
 metadata:
-  name: gpu-pod
+  name: cuda-vector-add
 spec:
+  restartPolicy: OnFailure
   containers:
-  - name: gpu-container-1
-    image: k8s.gcr.io/pause:2.0
-    resources:
-      limits:
-        alpha.kubernetes.io/nvidia-gpu: 1
-    volumeMounts:
-    - mountPath: /usr/local/nvidia/bin
-      name: bin
-    - mountPath: /usr/lib/nvidia
-      name: lib
-  volumes:
-  - hostPath:
-      path: /usr/lib/nvidia-375/bin
-    name: bin
-  - hostPath:
-      path: /usr/lib/nvidia-375
-    name: lib
+    - name: cuda-vector-add
+      # https://github.com/kubernetes/kubernetes/blob/v1.7.11/test/images/nvidia-cuda/Dockerfile
+      image: "k8s.gcr.io/cuda-vector-add:v0.1"
+      resources:
+        limits:
+          nvidia.com/gpu: 1
+  nodeSelector:
+    accelerator: nvidia-tesla-p100 # or nvidia-tesla-k80 etc.
 ```
 
-
-## 未来
-
-
-- Kubernetes 对硬件加速器的支持还处在早期阶段
-
-- GPU 和其它的加速器很快会成为系统的本地计算资源
-
-- 将引入更好的 API 以可扩展的方式提供和使用加速器
-
-- Kubernets 将会自动确保应用在使用 GPU 时得到最佳性能
-
-- 类似访问 CUDA 库这种关键的可用性问题将得到解决
-
-{{% /capture %}}
-
-
+这能够保证 pod 能够被调度到拥有你所指定类型的 GPU 的节点上去。