基于该方案，客户可以将应用程序利用容器技术构建镜像，结合Kubernetes+GPU运行机器学习，图像处理等高运算密度等任务，无需安装nvidia driver和CUDA，就能实现一键部署和弹性扩缩容等功能。
下面开始体验如何在阿里云容器服务上创建Tesla P4和P100的Kubernetes GPU混部集群，部署和测试Jupyter应用运行TensorFlow。
1.首先选择区域
2. 选择实例系列：GPU计算型gn5，通过下拉框可以选择实例规格
3. 勾选开放公网SSH登录,这样就可以通过ssh登录Kubernetes的Master节点
4.当集群创建成功后，点击<code>管理</code>按钮
5. 这样就可以看到Master节点SSH连接地址
6. 通过ssh登录Master查看包含GPU节点
7. 具体查看GPU节点的状态信息
可以看到该节点的含有GPU资源数量为1， 这样我们就可以开始运行使用GPU的TensorFlow应用
数据科学家通常习惯使用Jupyter作为TensorFlow实验环境，我们这里可以用一个例子向您展示如何快速部署一个Jupyter应用。
下面的deployment.yaml内容分为两部分： Deployment和Service,
Deployment配置： nvidia.com/gpu 指定调用nvidia gpu的数量 环境变量 PASSWORD 指定了访问Jupyter服务的密码，您可以按照您的需要修改
如果您编写过老的GPU部署方案，会知道过去必须要定义如下的nvidia驱动所在的数据卷。
这需要您在编写部署文件时，强依赖于所在的集群，导致缺乏可移植性。但是在Kubernetes 1.9.3中，最终用户无需指定这些hostPath，nvidia的插件会自发现驱动所需的库链接和执行文件。
1. 运行kubectl部署该应用：
2. 查看deployment的配置
3. 查看deployment日志
4. 通过service查看访问端点，只需要检查EXTERNAL-IP
现在要验证这个Jupyter实例可以使用GPU，可以在运行下面的程序。它将列出Tensorflow可用的所有设备。
可以看到如下输出
这样，您就可以正式开始自己的TensorFlow on GPU之旅
利用阿里云容器服务的Kubernetes，您可以在部署时刻选择GPU类型的工作节点，而无需操心复杂Nvidia驱动和Kubernetes集群配置，一键部署，不出十分钟就可以轻松获得阿里云强大的异构计算能力和Kubernetes的GPU应用部署调度能力。这样您就可以专心的构建和运行自己的深度学习应用了。欢迎您在香港区域尝试和体验，后续我们也会开放其他地区的Kubernetes 1.9.3。