现在人工智能这么火，k8s的gpu支持不知道现在有哪些方案？

Docker 是具有把 device 通过 cgroup 里面的 deivce 来 mapping 到 container 上的能力的，我们可以通过“--device”来达到这个目的。
然后我们可以通过 “docker inspect:” 来检查 container 所指定的设备。
然后我们在 container 的内部就可以看到相应的设备并且可以使用了。
在设备已经可以绑定了之后，我们就可以提供 driver 和 CUDA 的支持了，而 Nvidia 给了一个关于如何在 container 层面支持 GPU 的原型，是基于 Docker 的，叫做 Nvidia Docker。
Nvidia Docker 所提供的功能：
支持 GPU 的 container 在 Nvidia Docker 里面的层级关系。
目前我们已经支持了如何在 container 的层面支持 GPU，但是这还远远不够在 container 编排环境里面支持 GPU，譬如我们在 Kubernetes 里面支持 GPU。

GPU in K8S:
在 Kubernetes 里面我们做一些关于 GPU 的工作才能让 GPU 能够被调度起来，功能如下：
GPU discovery.(kubelet)：加入这个功能是为了能够让 Kubelet 在启动的同时就可以查找本机上的 GPU，而这个 GPU 消息可以发送给 apiserver，但 apiserver 里面有 GPU 的信息后，就可以通过 kube-scheduler 进行调度了。
GPUassignment/release. (kubelet)：当一个 container 存在 GPU 需求的时候，我们可以通过 docker 的 --device 层面来支持对于 GPU 的 assign 和 release Resource API.(kube-apiserver/kube-scheduler)：在 kube-scheduler 和 kubelet 之间需要一个关于 GPU 资源的协议支持，譬如目前有 CPU，memory 等，为了让 GPU 能够被调度，我们需要引入 GPU 作为一个资源可以被调度。

GPU in TensorFlow:
在分布式 TensorFlow 环境里面，各个 worker 不互相通信，只会跟 parameter server 通信。所以即使将各个 worker 部署到不同的机器上也不会造成性能损耗。目前 TensorFlow 支持 GPU 进行 training 的运算，但需要进行编译时设置。

GPU in K8S + TensorFlow
由于在部署分布式 TensorFlow 时极其繁琐，并且在每次扩容都需要进行很多设置和操作。所以提供基于容器化的 TensorFlow 并运行在 Kubernetes 上就使其变得相当容易，而我们需要做的，就是在上面提到的如何让 Kubernetes 支持 GPU 的情况下，将 TensorFlow 容器化。