一、通过 Annotation 指定
TKE Serverless 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。
二、通过 Request、Limit 自动计算
TKE Serverless 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。
三、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。
四、步骤2：按以下情况匹配 Pod 资源规格
| CPU 及 Memory 合计数值 | Pod 资源选择规则 |
| 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。 |
五、示例
请结合以下示例，进一步了解 CPU Pod 规格计算方法：
示例1示例2resources: limits: cpu: "1" memory: 2Gi requests: cpu: "1" memory: 2Gi结果：选择 Pod 规格为1核2GiB。## container1resources: limits: cpu: "4" memory: 4Gi requests: cpu: "2" memory: 4Gi## container2resources: 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 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。
六、GPU Pod 规格计算方法
注意：说明：
七、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。
八、步骤2：根据以下情况匹配 Pod 资源规格
| CPU、Memory 及 GPU 合计数值 | Pod 资源匹配规则 |
| 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。 |
九、示例
请结合以下示例，进一步了解 GPU Pod 规格计算方法：
示例1示例2## eks.tke.cloud.tencent.com/gpu-type：V100resources: 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。## eks.tke.cloud.tencent.com/gpu-type：V100## container1resources: limits: cpu: "8" memory: 32Gi nvidia.com/gpu: "1" requests: cpu: "4" memory: 16Gi nvidia.com/gpu: "1"## container2resources: 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。