风险与费用提示
资源影响 创建 GPU Pod 并占用加速资源
费用影响 会占用 GPU 或超级节点资源，可能产生较高算力费用。
执行前确认 GPU 配额和节点池状态；验证完成后立即删除 Pod 释放资源。
执行拓扑
SuperNode
GPU Pod
AI Training
前置条件
- 目标集群已配置 GPU 或超级节点资源。
- kubectl 已连接目标集群。
- 已确认镜像、GPU 型号和资源规格。
参数表
| 参数 | 必填 | 示例 | 说明 |
|---|---|---|---|
--cluster-id | 是 | cls-xxxxxxxx | 目标 TKE 集群 ID，用于定位 GPU 工作负载部署环境。 |
--gpu-type | 是 | T4 | 目标 GPU 类型，应与集群节点或超级节点资源匹配。 |
--gpu-count | 是 | 1 | Pod 申请的 GPU 数量，过高会导致调度失败或成本增加。 |
--image | 是 | nvidia/cuda:11.8-runtime | 验证 Pod 使用的容器镜像。 |
--wait | 否 | --wait | 部署后等待 Pod 调度和启动完成。 |
执行命令
Step 1
cd cookbook Step 2
python3 supernode/deploy_gpu_pod.py --cluster-id cls-xxxxxxxx --gpu-type T4 --gpu-count 1 --image nvidia/cuda:11.8-runtime --wait验证步骤
Check 1
kubectl get pods -l workload=gpu Check 2
kubectl describe pod <gpu-pod-name> Check 3
kubectl logs <gpu-pod-name>清理步骤
- kubectl delete pod -l workload=gpu --ignore-not-found
- 确认 GPU 节点或超级节点上的测试 Pod 已释放。
- 检查是否还有测试命名空间、PVC 或镜像拉取密钥需要清理。
Agent Prompt
Prompt
请根据 TKE Workshop 的 deploy-gpu-pod Cookbook，在目标 TKE 集群中部署一个使用 1 张 T4 GPU 的验证 Pod。执行前检查 kubeconfig 和 GPU 资源，执行后验证 Pod 调度与日志。