背景

pytorch镜像从pytorch docker hub（开发版本，大小大概17G）拉取，在该镜像的基础上开发会持续增大镜像大小，导致的结果就是大小可能到20G。在实际生产中发现拉取镜像的时间可能会超过10分钟，原因是pod分配的节点未有镜像缓存，从最底层开始拉取。

kubelet清理docker镜像的机制。在磁盘使用率超出设定上限后，首先，通过 CRI 容器运行时接口读取节点上的所有镜像以及 Pod 容器；然后，根据现有容器列表过滤出那些已经不被任何容器所使用的镜像；接着，按照镜像最近被使用时间排序，越久被用到的镜像越会被排在前面，优先清理；最后，就按照排好的顺序逐个清理镜像，直到磁盘使用率降到设定下限（或者已经没有空闲镜像可以清理）。

根据kubelet的清理策略以及当前镜像的大小，在数据盘使用率超过一定的限额，kubelet会清理最近最久未使用的镜像。后续再拉取该镜像，并且没有共用层，就会重新拉取。

镜像分层

cuda, 框架以及ide多种组合关系，造成镜像种类太多。

规则：最小的镜像应该满足大部分人的需求。不经常改变的放置底层，不常用功能放置高层。在实际使用conda环境下的cudatoolkit已经能满足大部分的要求。

• next layer + ide : 安装 在线ide
• conda: cuda toolkit : 安装anaconda，创建base基础环境，包括基本的python包和cuda toolkit
• next layer + conda: torch :   安装 ai框架
• next layer + plugin : 安装 插件
• next layer + cuda runtime: 安装 cuda 运行时包在系统环境
• next layer + cuda complier: 安装 cuda  编译工具在系统环境， 可以从源代码编译出cuda应用程序