运行 TFJob
使用 Kueue 调度 TFJob
此页面展示了在运行 Trainer TFJob 时，如何利用 Kueue 的调度和资源管理能力。
本指南适用于对 Kueue 有基本了解的批处理用户。 欲了解更多信息，请参阅 Kueue 概述。
警告
弃用通知： Kueue 中与 Kubeflow Trainer v1（包括 TFJob）的集成已弃用，并将于未来的版本（暂定 v0.20）中移除。
Kubeflow Trainer v1 现在已是传统遗留项目（legacy）。我们强烈建议迁移到 Kubeflow Trainer v2（在 Kueue 中已通过 TrainJob（英文文档）提供支持），或者使用其他替代框架（例如 JobSet）来运行您的作业。有关如何迁移的详细信息，请参阅 Kubeflow Trainer v1 到 v2 迁移指南（英文文档）。
开始之前
请查看管理集群配额， 以获取初始集群设置的详细信息。
请查阅 Trainer 安装指南。
请注意，Trainer 的最低要求版本是 v1.7.0。
你可以修改已安装版本的 Kueue 配置， 以将 TFJob 添加到允许的工作负载中。
注意
为了使用 Trainer，在 v0.8.1 之前，你需要在安装后重启 Kueue。 你可以通过运行以下命令来实现：kubectl delete pods -l control-plane=controller-manager -n kueue-system。TFJob 定义
a. 队列选择
目标 本地队列 应当在 TFJob
配置的 metadata.labels 部分指定。
metadata:
labels:
kueue.x-k8s.io/queue-name: user-queue
b. 可选择在 TFJob 中设置 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 被接受时取消挂起。
TFJob 示例
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"
反馈
这个页面有帮助吗？
Glad to hear it! Please tell us how we can improve.
Sorry to hear that. Please tell us how we can improve.