通过 Annotation 指定
TKE Serverless 集群支持在工作负载 yaml 中以添加 template annotation 的方式，显式的指定 Pod 资源规格。详情请参见 Annotation 说明。 通过 Request、Limit 自动计算
TKE Serverless 集群支持对工作负载设置的 Request 及 Limit 进行计算，自动判断 Pod 运行所需的资源量。根据 Pod 资源类型的不同，其计算方法也略有差异。请参考 CPU Pod 规格计算方法 及 GPU Pod 规格计算方法，进一步了解如何通过 Request、Limit 自动计算指定资源规格。 注意：
如指定了工作负载 template annotation，则以 Annotation 配置为准，不进行 Request 及 Limit 核算。
Request 及 Limit 的分配请参考 资源规格 中的 CPU、GPU 支持规格，若设定值与支持规格差别过大可能会导致某项资源分配超预期，造成资源浪费。 无论如何设置 Request 及 Limit，其最终计算结果都会与 资源规格 进行匹配，且最终 Pod 分配的实际资源一定不会超出其中允许的规格。 如 Pod 内有容器未设置 Request 及 Limit，则未设置项作为0运算。
如 Pod 内所有容器都未设置 Request 及 Limit，则默认使用 Pod 规格为1核2GiB。
Initcontainer 和 Container 分别按下述方法计算，最终取大者。
CPU Pod 规格计算方法
步骤1：分别计算 Pod 的 CPU、Memory 的合计数值。
合计数值分别为 Pod 内所有容器的 Request 之和、Pod 内所有容器的 Limit 中的最大值中的较大者。
步骤2：按以下情况匹配 Pod 资源规格：
|
合计数值均为0 | 选择规格为1核2GiB。 |
任一合计数值为0 | 按非0项的合计数值进行最小匹配。例如，CPU 合计数值为0核，Memory 合计数值为8GiB，则在 Memory 为8GiB的允许规格中进行 CPU 最小匹配，最终选择规格为1核8GiB。 |
合计数值均不为0 | 与 资源规格 进行匹配。首先选择与 CPU 合计数值一致或相近的较大规格（A 规格），然后再选择与 Memory 的相近较大规格： 如 Memory 合计数值 < A 规格的 Memory 区间最小值，则选择 A 规格的 Memory 区间的最小值。 如 Memory 合计数值 > A 规格的 Memory 区间最大值，则选择与 Memory 相近的较大规格（B 规格），并将 CPU 合计数改为 B 规格 CPU。 如 Memory 合计数值在 A 规格 Memory 区间之内，则选择最相近较大双数值。 |
任一合计数值超过允许的最大规格 | 出现错误，无法进行匹配。 |
示例
请结合以下示例，进一步了解 CPU Pod 规格计算方法：
resources:
limits:
cpu: "1"
memory: 2Gi
requests:
cpu: "1"
memory: 2Gi
结果：选择 Pod 规格为1核2GiB。
resources:
limits:
cpu: "4"
memory: 4Gi
requests:
cpu: "2"
memory: 4Gi
resources:
limits:
cpu: "1"
memory: 2Gi
requests:
cpu: "1"
memory: 2Gi
说明：
CPU 合计数值为：max((2+1),max(4,1)) = 4核
Memory 合计数值为：max((4+2),max(4,2)) = 6GiB
结果：TKE Serverless 集群暂不支持4核6GiB的 Pod 规格，且6GiB小于 CPU 4核对应规格中 Memory 区间的最小值，则调整 Memory 为4核对应规格中 Memory 区间的最小值。最终选择 Pod 规格为4核8GiB。
GPU Pod 规格计算方法
说明：
GPU 和 vGPU 的 Request 及 Limit 参数 “nvidia.com/gpu” 通常相等且仅支持整数。
vGPU 可以看作是一种独立的 GPU 类型。例如 1/4*V100，是将一张 V100 GPU 卡 1/4 的算力虚拟为一张完整的卡进行分配，故在请求资源分配时依然应该是申请1卡 GPU，即 “nvidia.com/GPU”=1。
步骤1：计算 Pod 的 GPU 的合计数值。
GPU 合计数值为 Pod 内所有容器的 Request 之和。
步骤2：根据以下情况匹配 Pod 资源规格：
|
符合规格要求（例如1、2、4、8等） | 首先选择与 GPU 合计数值一致或最相近的较大规格（A 规格），再按照 CPU Pod 规格计算方法 对 CPU 及 Memory 进行计算，得出 CPU 规格（B 规格）： 如 A 规格的 CPU 及 Memory ≥ B 规格，则选择 A 规格 GPU。 如 A 规格的 CPU 及 Memory ＜ B 规格，则选择与 B 规格的 CPU 及 Memory 最相近且较大的 GPU 规格（C 规格）。此时实际分配的 GPU 卡数会比实际所需更多，为了防止浪费，尽量避免出现此情况，请尽量调小 CPU 及 Memory 的请求数值。 |
任一合计数值如果超过允许的最大规格 | 出现错误，无法进行匹配。 |
示例
请结合以下示例，进一步了解 GPU Pod 规格计算方法：
resources:
limits:
cpu: "8"
memory: 32Gi
nvidia.com/gpu: "1"
requests:
cpu: "4"
memory: 16Gi
nvidia.com/gpu: "1"
说明：
GPU 合计数值为：1
CPU 合计数值为：max(4,8) = 8核
Memory 合计数值为：max(16,32) = 32GiB
结果：8核32GiB小于 资源规格 中 V100 GPU 规格（1卡）对应的 CPU 及 Memory 规格（8核40GiB）。最终选择 Pod 规格为8核40GiB 1*V100。
resources:
limits:
cpu: "8"
memory: 32Gi
nvidia.com/gpu: "1"
requests:
cpu: "4"
memory: 16Gi
nvidia.com/gpu: "1"
resources:
limits:
cpu: "32"
memory: 128Gi
nvidia.com/gpu: "1"
requests:
cpu: "16"
memory: 64Gi
nvidia.com/gpu: "1"
说明：
GPU 合计数值为：1+1 = 2
CPU 合计数值为：max((4+16),max(8,32)) = 32核
Memory 合计数值为：max((16+64),max(32,128)) = 128GiB
结果：32核128GiB大于 V100 GPU 规格（2卡）对应的 CPU 及 Memory 规格（18核80GiB），但小于 V100 GPU 规格（4卡）对应的 CPU 及 Memory 规格（36核160GiB）。
最终选择 Pod 规格为36核160GiB 4*V100，造成了2张 GPU 卡的资源浪费，请尽量避免出现这种情况。