使用 Helm 部署#

NIM 旨在搭载 NVIDIA GPU 的系统上运行，GPU 的类型和数量取决于模型。要使用 helm，您必须拥有一个 Kubernetes 集群，其中包含合适的 GPU 节点并安装了 GPU Operator。

有关要求，包括 GPU 的类型和数量，请参阅支持矩阵。

先决条件#

如果您尚未设置 NGC API 密钥，并且不确切知道要下载和部署哪个 NIM，请参阅入门指南中的信息。

一旦您设置了您的 NGC API 密钥，请转到 NGC Catalog 并选择 nim-vlm helm chart 以选择版本。在大多数情况下，您应该选择最新版本。

使用以下命令下载 helm chart

helm fetch https://helm.ngc.nvidia.com/nim/charts/nim-vlm-<version_number>.tgz --username='$oauthtoken' --password=<YOUR API KEY>

这将 chart 下载为 .tgz 文件到您的本地计算机。

配置 helm#

以下 helm 选项是使用 Kubernetes 部署 NIM 时最重要的配置选项

  • image.repository – 要部署的容器/NIM

  • image.tag – 该容器/NIM 的版本

  • 存储选项，基于所使用的环境和集群

  • model.ngcAPISecret 和 imagePullSecrets 用于与 NGC 通信

  • resources – 当模型需要的 GPU 超过默认的一个时，使用此选项。有关请求的 GPU 以满足可用硬件上模型的 GPU 内存要求的详细信息，请参阅支持矩阵。

  • env – 这是一个呈现给容器的环境变量数组，如果需要高级配置 - 注意：不要使用 env 值设置以下环境变量。而是使用指示的 helm 选项

    环境变量

    Helm 值

    NIM_CACHE_PATH

    model.nimCache

    NGC_API_KEY

    model.ngcAPISecret

    NIM_SERVER_PORT

    model.openaiPort

    NIM_JSONL_LOGGING

    model.jsonLogging

    NIM_LOG_LEVEL

    model.logLevel

    在这些情况下，直接设置 helm 值，而不是依赖环境变量值。您可以将其他环境变量添加到 values 文件的 env 部分。

要使 chart 的部署行为适应您集群的需求，请参阅 helm chart 的 README，其中列出并描述了配置选项。此 README 在 helm 命令行上可用，但输出是纯 markdown。将其输出到文件并使用 markdown 渲染器打开，或使用命令行工具（例如 glow）在终端中渲染。

以下 helm 命令显示 chart README 并使用 glow 在终端中渲染它

helm show readme nim-vlm-<version_number>.tgz | glow -p -

要检查所有默认值，请运行以下命令

helm show values nim-vlm-<version_number>.tgz

最小示例#

此示例要求您已在部署命名空间中建立某些 Kubernetes 密钥才能继续。本文档的其余部分将假定为默认命名空间。

要下载 NIM 容器镜像，您必须设置镜像拉取密钥，在以下示例中为 ngc-secret。要从 NGC 下载模型引擎或权重，chart 需要一个通用密钥，其中包含一个 NGC API 密钥作为存储在名为 NGC_API_KEY 的密钥中的值。以下示例创建了这两个值

kubectl create secret docker-registry ngc-secret --docker-server=nvcr.io --docker-username='$oauthtoken' --docker-password=$NGC_API_KEY

kubectl create secret generic ngc-api --from-literal=NGC_API_KEY=$NGC_API_KEY

创建文件 *custom-values.yaml*，其中包含以下条目。在上述密钥创建后，这些值将在大多数集群中起作用。

image:
  # Adjust to the actual location of the image and version you want
  repository: nvcr.io/nim/meta/llama-3.2-11b-vision-instruct # container location
  tag: 1.1.1 # NIM version you want to deploy
model:
  ngcAPISecret: ngc-api  # name of a secret in the cluster that includes a key named NGC_API_KEY and is an NGC API key
persistence:
  enabled: true
imagePullSecrets:
  - name: ngc-secret # name of a secret used to pull nvcr.io images, see https://kubernetes.ac.cn/docs/tasks/configure-pod-container/pull-image-private-registry/

如果您的 GPU 集群中的 GPU 处于多实例 GPU 模式 (MIG)，您必须以不同于默认值的方式指定资源。例如

resources:
  limits:
    nvidia.com/mig-4g.24gb: 2

您可以调整之前的配置来部署任何模型，例如 llama-3.2-90b-vision-instruct，方法是根据模型的要求和大小进行调整。例如

image:
  # Adjust to the actual location of the image and version you want
  repository: nvcr.io/nim/meta/llama-3.2-90b-vision-instruct # container location
  tag: 1.1.1  # NIM version you want to deploy
model:
  ngcAPISecret: ngc-api
persistence:
  enabled: true
  size: 220Gi # the model files will be quite large
resources:
  limits:
    nvidia.com/gpu: 4  # much more GPU memory is required
imagePullSecrets:
  - name: ngc-secret

请参阅支持矩阵部分，以确定您的硬件是否足以运行此 NIM。

存储#

设置 NIM 时，存储空间不足始终是一个需要关注的问题，而下载模型可能会延迟集群中的扩展。模型可能非常大，集群操作员在下载模型时可能会快速填满磁盘空间。请务必为 pod 上的模型缓存挂载某种类型的持久存储。在 emptyDir 的默认值之外存储对象时，您有以下互斥选项

  • 持久卷声明（通过 persistence.enabled 启用）

    • 当 persistence.accessMode 设置为 ReadWriteMany 时使用，其中多个 pod 可以共享一个 PVC。

    • 如果 statefulSet.enabled 设置为 false（默认为 true），这将使用 deployment 创建 PVC，但如果访问模式不是 ReadWriteMany，例如使用 NFS provisioner，则扩展到超过一个 pod 很可能会失败。

  • 持久卷声明模板（通过 persistence.enabled 启用，并保持 statefulSet.enabled 为默认值）

    • 对于使用扩展 StatefulSet 的策略来扩展以将模型下载到为所需的最大副本数创建的每个 PVC，然后再次缩减，留下这些 PVC 以允许快速扩展非常有用。

  • 直接 NFS（通过 nfs.enabled 启用）

    • Kubernetes 不允许在直接 NFS 上设置挂载选项，因此可能需要一些特殊的集群设置。

  • hostPath（通过 hostPath.enabled 启用）

    • 了解使用 hostPath 的安全隐患，并了解这也将 pod 绑定到一个节点。

多节点模型#

重要提示

多节点服务是可选的，因为 NVIDIA NIM for VLMs 当前支持的所有模型都可以在单个节点（例如，H100x8）中容纳。

重要提示

需要 helm chart 版本 1.1.2。

在 Kubernetes 上部署多节点 NIM 有两个选项：LeaderWorkerSets 和使用 MPI Operator 的 MPI Jobs。

LeaderWorkerSet#

重要提示

需要 Kubernetes 版本 >1.26

LeaderWorkerSet (LWS) 部署是使用 NIM 部署多节点模型的推荐方法。要启用 LWS 部署，请参阅LWS 文档中的安装说明。helm chart 默认使用 LWS 进行多节点部署。

使用 LWS 部署，您将看到 Leader 和 Worker pod 协同运行您的多节点模型。

LWS 部署支持手动扩展和自动扩展，其中整组 pod 被视为单个副本。但是，在使用 LWS 部署时，扩展存在一些限制。如果手动扩展（未启用 autoscaling），则无法扩展到高于 helm chart 中设置的初始副本数。

使用以下示例 values 文件，通过此方法部署 Llama 3.2 90B Vision Instruct 模型。请参阅支持矩阵部分，以确定您的硬件是否足以运行此模型。

image:
  # Adjust to the actual location of the image and version you want
  repository: nvcr.io/nim/meta/llama-3.2-90b-vision-instruct # container location
  tag: 1.1.1  # NIM version you want to deploy
imagePullSecrets:
  - name: ngc-secret
model:
  name: meta/llama-3_2-90b-vision-instruct
  ngcAPISecret: ngc-api
# NVIDIA recommends using an NFS-style read-write-many storage class.
# All nodes will need to mount the storage. In this example, we assume a storage class exists name "nfs".
persistence:
  enabled: true
  size: 220Gi
  accessMode: ReadWriteMany
  storageClass: nfs
  annotations:
    helm.sh/resource-policy: "keep"
# This should match `multiNode.gpusPerNode`
resources:
  limits:
    nvidia.com/gpu: 8
multiNode:
  enabled: true
  workers: 2
  gpusPerNode: 8
# Downloading the model will take quite a long time. Give it as much time as ends up being needed.
startupProbe:
  failureThreshold: 1500

MPI Job#

对于不支持 LeaderWorkerSet 的集群（Kubernetes 版本低于 v1.27），使用 MPI Operator 的 MPI Jobs 是另一种部署选项。要启用 MPI Jobs，请安装 MPI operator。这是一个禁用 LeaderWorkerSets 并启动 MPI Job 的 *custom-values.yaml* 文件示例

image:
  # Adjust to the actual location of the image and version you want
  repository: nvcr.io/nim/meta/llama-3.2-90b-vision-instruct # container location
  tag: 1.1.1  # NIM version you want to deploy
imagePullSecrets:
  - name: ngc-secret
model:
  name: meta/llama-3_2-90b-vision-instruct
  ngcAPISecret: ngc-api
# NVIDIA recommends using an NFS-style read-write-many storage class.
# All nodes will need to mount the storage. In this example, we assume a storage class exists name "nfs".
persistence:
  enabled: true
  size: 220Gi
  accessMode: ReadWriteMany
  storageClass: nfs
  annotations:
    helm.sh/resource-policy: "keep"
# This should match `multiNode.gpusPerNode`
resources:
  limits:
    nvidia.com/gpu: 8
multiNode:
  enabled: true
  leaderWorkerSet:
    enabled: False
  workers: 2
  gpusPerNode: 8
# Downloading the model will take quite a long time. Give it as much time as ends up being needed.
startupProbe:
  failureThreshold: 1500

对于 MPI Jobs，您将看到为您的模型部署的 launcher pod 和一个或多个 worker pod。launcher pod 不需要任何 GPU，并且部署日志将通过 launcher pod 提供。

使用 MPI Jobs 部署时，您可以设置副本数，但是如果不重新部署 helm chart，则不支持动态扩展。MPI Jobs 也不会自动重启，因此如果多节点集中的任何 pod 失败，则必须手动卸载并重新安装作业才能重新启动。

启用 Open Telemetry 追踪和指标#

env:
  - name: NIM_ENABLE_OTEL
    value: "1"
  - name: OTEL_SERVICE_NAME
    value: <name of the service>
  - name: OTEL_TRACES_EXPORTER
    value: otlp
  - name: OTEL_METRICS_EXPORTER
    value: otlp
  - name: HOST_IP
    valueFrom:
      fieldRef:
        fieldPath: status.hostIP
  - name: OTEL_EXPORTER_OTLP_ENDPOINT
    value: "http://$(HOST_IP):4318"

NVIDIA 建议在 Kubernetes 中安装 OpenTelemetry 收集器期间，您在自定义 *values.yaml* 文件中设置这些环境变量，以通过 OpenTelemetry 启用追踪和指标收集。此版本要求您配置收集器以使用主机端口运行，并将其作为 DaemonSet 安装。如果您在安装收集器时使用不同的配置，请将 OTEL_EXPORTER_OTLP_ENDPOINT 变量设置为正确的摄取 URL。

有关环境变量的详细说明，请参阅环境变量。

在 Kubernetes 中启动 NIM#

现在您可以启动 chart 了。

helm install my-nim nim-vlm-<version_number>.tgz -f path/to/your/custom-values.yaml

等待 pod 达到“Ready”状态。

运行推理#

在之前的示例中，OpenAI 兼容 API 端点通过默认类型且没有入口的 Kubernetes 服务在端口 8000 上公开，因为身份验证不是由 NIM 本身处理的。以下命令假定已部署 Llama 3.2 11B Vision Instruct 模型。调整请求 JSON 正文中的 model 值以使用不同的模型。

使用以下命令将服务端口转发到您的本地计算机以测试推理。

kubectl port-forward service/my-nim-nim-vlm 8000:http-openai

然后尝试一个请求

curl -X 'POST' \
  'https://:8000/v1/chat/completions' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
  "messages": [
    {
      "role": "user",
      "content": [
         {
           "type": "text",
           "text": "What is in this image?"
         },
         {
           "type": "image_url",
           "image_url":
             {
               "url": "https://upload.wikimedia.org/wikipedia/commons/thumb/d/dd/Gfp-wisconsin-madison-the-nature-boardwalk.jpg/2560px-Gfp-wisconsin-madison-the-nature-boardwalk.jpg"
             }
         }
      ]
    }
  ],
  "model": "meta/llama-3.2-11b-vision-instruct",
  "temperature": 0.2,
  "top_p": 0.7,
  "max_tokens": 256,
  "stream": true,
  "frequency_penalty": 0.0
}'

故障排除 FAQ#

问：如果我的 pod 卡在“Pending”状态，我该怎么办？ 答：尝试运行 kubectl describe pod <pod name>，并检查 Events 部分以查看调度程序正在等待什么。可能需要容忍的节点污点、GPU 不足和存储挂载问题都是常见原因。

问：我尝试使用 statefulset.enabled: false 和 persistence.enabled: true 扩展或升级部署。为什么 pod 永远无法启动？ 答：要在不使用 StatefulSet PVC 模板的情况下进行扩展或升级（这在时间和存储方面效率都不高），您必须使用 ReadWriteMany 存储类，以便它可以挂载在不同的节点上，手动克隆 ReadOnlyMany 卷或类似直接 NFS 存储的东西。如果没有持久性，每个启动的 pod 都必须将其模型下载到 emptyDir 卷。诸如 NFS PVC provisioner 或 CephFS provisioner 之类的 ReadWriteMany 存储类是理想的。

问：最后一条日志消息之一是关于“准备模型工作区。此步骤可能会下载其他文件以运行模型。” 为什么在此期间失败？ 答：很可能是模型权重尚未完成下载，但 Kubernetes 达到了启动探测的故障阈值。尝试增加 startupProbe.failureThreshold。对于大型模型或非常慢的网络连接，这种情况尤其可能发生。

附加信息#

helm chart 的内部 README 包含以下参数。NVIDIA 建议您使用下载的 README 中的 chart 版本，因为它具有该 chart 版本的这些参数的最正确和最新的版本。

参数#

部署参数#

名称

描述

值

affinity

部署的亲和性设置。

{}

containerSecurityContext

设置容器的特权和访问控制设置（仅影响主容器，不影响 pod 级别）。

{}

customCommand

使用此处列出的数组覆盖发送到 NIM 的命令行选项。

[]

customArgs

使用此处列出的数组覆盖 NIM 容器的命令行参数。

[]

env

向主容器添加任意环境变量。

[]

extraVolumes

向部署集定义添加任意附加卷。

{}

extraVolumeMounts

从 extraVolumes 向主容器添加卷挂载。

{}

image.repository

指定要部署的 NIM-VLM 镜像。

""

image.tag

指定镜像标签或版本。

""

image.pullPolicy

设置镜像拉取策略。

""

imagePullSecrets

指定主容器和任何 init 容器所需的密钥名称列表。

initContainers

指定模型 init 容器（如果需要）。

initContainers.ngcInit

仅限旧版容器。实例化并配置 NGC init 容器。它应该预装 NGC CLI 或预装 wget + unzip – 不得是基于 musl 的（alpine）。

{}

initContainers.extraInit

完全指定您的用例所需的任何其他 init 容器。

[]

healthPort

指定健康检查端口。– 仅用于 models.legacyCompat，因为当前的 NIM 没有单独的端口。

8000

nodeSelector

设置 NIM 的节点选择器 – 例如 nvidia.com/gpu.present: "true"。

{}

podAnnotations

在主 deployment pod 上设置其他注释。

{}

podSecurityContext

指定 pod 的安全上下文设置。

podSecurityContext.runAsUser

指定 pod 的用户 UID。

1000

podSecurityContext.runAsGroup

指定 pod 的组 ID。

1000

podSecurityContext.fsGroup

指定文件系统所有者组 ID。

1000

replicaCount

指定 deployment 的静态副本计数。

1

resources

指定运行服务的资源限制和请求。

resources.limits.nvidia.com/gpu

指定要呈现给运行服务的 GPU 数量。

1

serviceAccount.create

指定是否应创建服务帐户。

false

serviceAccount.annotations

设置要添加到服务帐户的注释。

{}

serviceAccount.name

指定要使用的服务帐户的名称。如果未设置且 create 为 true，则使用 fullname 模板生成名称。

""

statefulSet.enabled

启用 statefulset 部署。启用 statefulSet 允许 PVC 模板进行扩展。如果使用具有 RWX accessMode 的中央 PVC，则不需要此项。

true

tolerations

指定 pod 分配的容忍度。允许调度程序调度具有匹配污点的 pod。

自动扩展参数#

用于创建 Horizontal Pod Autoscaler 的值。如果未启用自动扩展，则其余参数将被忽略。NVIDIA 建议使用自定义指标 API，通常使用 prometheus-adapter 实现。CPU 和内存的标准指标在扩展 NIM 中的用途有限。

名称

描述

值

autoscaling.enabled

启用水平 pod 自动扩展器。

false

autoscaling.minReplicas

指定自动扩展的最小副本数。

1

autoscaling.maxReplicas

指定自动扩展的最大副本数。

10

autoscaling.metrics

自动扩展的指标数组。

[]

Ingress 参数#

名称

描述

值

ingress.enabled

启用 ingress。

false

ingress.className

指定 Ingress 的类名。

""

ingress.annotations

指定 ingress 的其他注释。

{}

ingress.hosts

指定主机列表，每个主机包含路径列表。

ingress.hosts[0].host

指定主机名。

chart-example.local

ingress.hosts[0].paths[0].path

指定 ingress 路径。

/

ingress.hosts[0].paths[0].pathType

指定路径类型。

ImplementationSpecific

ingress.hosts[0].paths[0].serviceType

指定服务类型。它可以是 nemo 或 openai – 确保您的模型服务于适当的端口。

openai

ingress.tls

指定 TLS secretName 和主机的配对列表。

[]

探测参数#

名称

描述

值

livenessProbe.enabled

启用 livenessProbe。

true

livenessProbe.method

LivenessProbe http 或 script，但目前未提供脚本。

http

livenessProbe.command

LivenessProbe 要使用的脚本命令（目前不受支持）。

["myscript.sh"]

livenessProbe.path

LivenessProbe 端点路径。

/v1/health/live

livenessProbe.initialDelaySeconds

livenessProbe 的初始延迟秒数。

15

livenessProbe.timeoutSeconds

livenessProbe 的超时秒数。

1

livenessProbe.periodSeconds

livenessProbe 的周期秒数。

10

livenessProbe.successThreshold

livenessProbe 的成功阈值。

1

livenessProbe.failureThreshold

livenessProbe 的失败阈值。

3

readinessProbe.enabled

启用 readinessProbe。

true

readinessProbe.path

就绪端点路径。

/v1/health/ready

readinessProbe.initialDelaySeconds

readinessProbe 的初始延迟秒数。

15

readinessProbe.timeoutSeconds

readinessProbe 的超时秒数。

1

readinessProbe.periodSeconds

readinessProbe 的周期秒数。

10

readinessProbe.successThreshold

readinessProbe 的成功阈值。

1

readinessProbe.failureThreshold

readinessProbe 的失败阈值。

3

startupProbe.enabled

启用 startupProbe。

true

startupProbe.path

StartupProbe 端点路径。

/v1/health/ready

startupProbe.initialDelaySeconds

startupProbe 的初始延迟秒数。

40

startupProbe.timeoutSeconds

startupProbe 的超时秒数。

1

startupProbe.periodSeconds

startupProbe 的周期秒数。

10

startupProbe.successThreshold

startupProbe 的成功阈值。

1

startupProbe.failureThreshold

startupProbe 的失败阈值。

180

指标参数#

名称

描述

值

metrics

在端口 8002 上打开 triton 推理服务器的指标端口。

metrics.enabled

启用指标端点 – 仅用于 legacyCompat，因为当前的 NIM 在 OpenAI API 端口上提供指标。

true

serviceMonitor

用于 serviceMonitor 的选项，以使用 Prometheus Operator 和主服务对象。

metrics.serviceMonitor.enabled

启用 serviceMonitor 创建。

false

metrics.serviceMonitor.additionalLabels

指定 ServiceMonitor 的其他标签。

{}

模型参数#

名称

描述

值

model.nimCache

用于挂载可写存储或 NIM 的预填充模型缓存的路径。

""

model.name

指定 API 中模型的名称（通常是 NIM 的名称）。这主要用于 helm 测试，通常在其他情况下是可选的。这必须与 /v1/models 中的名称匹配，以允许 helm test <release-name> 工作。在 legacyCompat 中，这是必需的，并设置 /v1/models 中模型的名称。

meta/llama-3.2-11b-vision-instruct

model.ngcAPISecret

预先存在的密钥的名称，该密钥具有名为 NGC_API_KEY 的密钥，其中包含用于 NGC 模型下载的 API 密钥。

""

model.ngcAPIKey

要用作 API 密钥和镜像拉取密钥的 NGC API 密钥文字值（设置后）。

""

model.openaiPort

指定 Open AI API 端口。

8000

model.labels

指定要添加到已部署 pod 的额外标签。

{}

model.jsonLogging

打开或关闭 JSON 行日志记录。默认为 true。

true

model.logLevel

NIM 服务的日志级别。变量的可能值为 TRACE、DEBUG、INFO、WARNING、ERROR、CRITICAL。

INFO

已弃用和旧版模型参数#

名称

描述

值

model.legacyCompat

设置为 true 以启用与 1.0.0 之前的预发布 NIM 版本的兼容性。

false

model.numGpus

（已弃用）指定模型的 GPU 要求。

1

model.subPath

（已弃用）指定模型卷中要挂载的路径（如果不是根路径）– 默认值适用于 ngcInit 和持久卷。（仅限 legacyCompat）

model-store

model.modelStorePath

（已弃用）指定解压模型的location。

""

存储参数#

名称

描述

值

persistence

如果启用了 model.legacyCompat，则指定修改路径 /model-store 的设置，否则指定模型从中服务的 /.cache 卷。

persistence.enabled

启用持久卷的使用。

false

persistence.existingClaim

指定现有的持久卷声明。如果使用 existingClaim，则仅运行一个副本或使用 ReadWriteMany 存储设置。

""

persistence.storageClass

指定持久卷存储类。如果设置为 "-"，则禁用动态配置。如果未定义或设置为 null，则使用集群默认存储 provisioner。

""

persistence.accessMode

指定 accessMode。如果使用 NFS 或类似设置，则可以使用 ReadWriteMany。

ReadWriteOnce

persistence.stsPersistentVolumeClaimRetentionPolicy.whenDeleted

指定删除时的持久卷声明保留策略。仅与 Stateful Set 卷模板一起使用。

Retain

persistence.stsPersistentVolumeClaimRetentionPolicy.whenScaled

指定扩展时的持久卷声明保留策略。仅与 Stateful Set 卷模板一起使用。

Retain

persistence.size

指定持久卷声明的大小（例如 40Gi）。

50Gi

persistence.annotations

向持久卷声明添加注释。

{}

hostPath

使用 hostPath 在节点上的本地磁盘上配置模型缓存 – 用于特殊情况。在使用此选项之前，您应了解安全隐患。

hostPath.enabled

启用 hostPath。

false

hostPath.path

指定节点上用作 hostPath 卷的路径。

/model-store

nfs

配置模型缓存以位于共享的直接挂载 NFS 上。注意：您无法使用直接 NFS 挂载为 pod 设置挂载选项，而无需节点安装的 nfsmount.conf。在大多数情况下，基于 NFS 的 PersistentVolumeClaim 可能更好。

nfs.enabled

启用直接 pod NFS 挂载。

false

nfs.path

指定 NFS 服务器上要挂载的路径。

/exports

nfs.server

指定 NFS 服务器地址。

nfs-server.example.com

nfs.readOnly

设置为 true 以只读方式挂载。

false

服务参数#

名称

描述

值

service.type

指定 deployment 的服务类型。

ClusterIP

service.name

覆盖默认服务名称

""

service.openaiPort

指定服务的 Open AI 端口。

8000

service.annotations

指定要添加到服务的其他注释。

{}

service.labels

指定要添加到服务的其他标签。

{}

多节点参数#

目前，必须跨越多个节点的大型模型在仅使用 GPU Operator 的普通 Kubernetes 上无法工作。当自动或通过环境变量选择优化的 TensorRT 配置文件时，需要安装 LeaderWorkerSets 或 MPI Operator 的 MPIJobs。由于 MPIJob 是一种批处理类型的资源，其设计并未考虑到服务稳定性和可靠性，因此如果您的集群版本允许，则应使用 LeaderWorkerSets。目前，多节点部署仅支持优化的配置文件。

名称

描述

值

multiNode.enabled

启用多节点部署。

false

multiNode.clusterStartTimeout

设置等待工作节点启动的秒数，超过此时间将失败。

300

multiNode.gpusPerNode

将呈现给每个 pod 的 GPU 数量。在大多数情况下，这应与 resources.limits.nvidia.com/gpu 匹配。

1

multiNode.workers

指定每个多节点副本要启动多少个工作 pod。

1

multiNode.leaderWorkerSet.enabled

NVIDIA 建议您使用 LeaderWorkerSets 进行部署。如果禁用，则默认为使用来自 mpi-operator 的 MPIJob。

true

multiNode.existingSSHSecret

将 MPI 的 SSH 私钥设置为现有密钥。否则，Helm chart 将在安装期间随机生成密钥。

""

multiNode.mpiJob.workerAnnotations

仅应用于 MPIJob 的工作节点的注释（如果使用）。这可能是必要的，以确保工作节点连接到 CNI``s offered by ``multus 和网络 operator（如果使用）。

{}

multiNode.mpiJob.launcherResources

仅应用于 MPIJob 中 launcher pod 的资源部分（如果使用）。Launcher 不会受到 chart 资源限制。只有 worker 会受到限制，因为它们需要 GPU。

{}

multiNode.optimized.enabled

启用优化的多节点部署（目前是唯一支持的选项）。

true
在本页