您运行一个为多个团队提供服务的 GKE 集群。ML 团队需要 Nvidia Tesla P100 GPU 进行模型训练，并希望以最少的投入和成本完成。您应该怎么做？

向现有 GKE 集群添加一个支持 GPU 的节点池，并让 ML 团队将其 pod 添加 cloud.google.com/gke-accelerator: nvidia-tesla-p100 节点选择器，这是最经济高效且管理方便的解决方案。通过添加一个专门的 GPU 节点池，ML 团队可以按需使用 GPU 资源，而不会影响集群中其他团队的工作负载。节点选择器确保只有需要 GPU 的 Pod 才会被调度到这些节点上，从而优化资源利用率并控制成本。 要求 ML 团队在其 pod 规范中添加 accelerator: gpu 注解是不够的，因为这只是一个通用的请求，并不能保证集群中有可用的 GPU 资源。重新创建 GKE 集群中的每个节点以在所有节点上启用 GPU 会导致不必要的成本增加，因为并非所有工作负载都需要 GPU。在 Compute Engine 上创建一个单独的 Kubernetes 集群会增加管理开销和成本，因为需要维护两个独立的集群。