Apache YuniKorn 项目使用教程
2024-08-07 02:27:37作者:虞亚竹Luna
1. 项目的目录结构及介绍
Apache YuniKorn 项目的目录结构如下:
yunikorn-release/
├── helm-charts/
│ └── yunikorn/
├── perf-tools/
├── release-top-level-artifacts/
├── tools/
├── .asf.yaml
├── .gitignore
├── LICENSE
├── NOTICE
├── README.md
├── check_license.sh
├── go.mod
└── go.sum
目录介绍
helm-charts/: 包含用于 Kubernetes 的 Helm charts。perf-tools/: 性能工具目录。release-top-level-artifacts/: 发布顶级 artifacts 目录。tools/: 工具目录。.asf.yaml: Apache 软件基金会配置文件。.gitignore: Git 忽略文件。LICENSE: 项目许可证文件。NOTICE: 项目通知文件。README.md: 项目自述文件。check_license.sh: 许可证检查脚本。go.mod: Go 模块文件。go.sum: Go 模块校验和文件。
2. 项目的启动文件介绍
Apache YuniKorn 项目的启动文件主要位于 helm-charts/yunikorn/ 目录下。以下是关键文件的介绍:
helm-charts/yunikorn/templates/: 包含 Kubernetes 资源模板文件。deployment.yaml: YuniKorn 部署文件。service.yaml: YuniKorn 服务文件。configmap.yaml: YuniKorn 配置映射文件。
启动流程
- 使用 Helm 安装 YuniKorn:
helm install yunikorn ./helm-charts/yunikorn - 检查 Kubernetes 集群中的 YuniKorn 部署和服务是否正常运行。
3. 项目的配置文件介绍
Apache YuniKorn 的配置文件主要位于 helm-charts/yunikorn/values.yaml 和 helm-charts/yunikorn/templates/configmap.yaml 中。
values.yaml
values.yaml 文件包含了 Helm chart 的默认配置值,可以在此文件中自定义 YuniKorn 的配置。
configmap.yaml
configmap.yaml 文件定义了 YuniKorn 的配置映射,包含了 YuniKorn 的核心配置。
关键配置项
scheduler.name: 调度器名称。scheduler.image: 调度器镜像。scheduler.resources: 调度器资源配置。service.type: 服务类型。service.port: 服务端口。
配置示例
scheduler:
name: yunikorn
image: apache/yunikorn:latest
resources:
requests:
memory: "512Mi"
cpu: "500m"
limits:
memory: "1Gi"
cpu: "1"
service:
type: ClusterIP
port: 9089
通过修改 values.yaml 文件中的配置项,可以自定义 YuniKorn 的行为和资源分配。
以上是 Apache YuniKorn 项目的基本使用教程,涵盖了项目的目录结构、启动文件和配置文件的介绍。希望这些信息能帮助你更好地理解和使用 Apache YuniKorn。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
648
149
Ascend Extension for PyTorch
Python
211
221
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
655
291
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
250
319
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
486
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.16 K
640
仓颉编程语言运行时与标准库。
Cangjie
136
874
openGauss kernel ~ openGauss is an open source relational database management system
C++
159
216