运行 TFJob
运行 Kueue 调度的 TFJob
此页面展示了在运行 训练操作符 TFJob 时如何利用 Kueue 的调度和资源管理功能。
本指南适用于对 Kueue 有基本了解的 批处理用户。有关更多信息，请参阅 Kueue 概述。
开始之前
查看 管理集群配额，了解初始集群设置的详细信息。
查看 训练操作符安装指南。
请注意，最低要求的训练操作符版本为 v1.7.0。
您可以 修改已安装版本的 kueue 配置，将 TFJob 包含为允许的工作负载。
TFJob 定义
a. 队列选择
目标 本地队列 应在 TFJob 配置的 metadata.labels 部分中指定。
metadata:
labels:
kueue.x-k8s.io/queue-name: user-queue
b. 在 TFJob 中选择性设置 Suspend 字段
spec:
runPolicy:
suspend: true
默认情况下，Kueue 将通过 webhook 将 suspend 设置为 true，并在 TFJob 被接纳时取消暂停。
示例 TFJob
apiVersion: kubeflow.org/v1
kind: TFJob
metadata:
name: tensorflow-dist-mnist
namespace: default
labels:
kueue.x-k8s.io/queue-name: user-queue
spec:
tfReplicaSpecs:
PS:
replicas: 1
restartPolicy: Never
template:
spec:
containers:
- name: tensorflow
image: kubeflow/tf-dist-mnist-test:latest
resources:
requests:
cpu: 1
memory: "200Mi"
Worker:
replicas: 2
restartPolicy: Never
template:
spec:
containers:
- name: tensorflow
image: kubeflow/tf-dist-mnist-test:latest
resources:
requests:
cpu: 1
memory: "200Mi"