Questa pagina è stata tradotta dall'API Cloud Translation.

Gestisci un LLM su GPU L4 con Ray

Autopilot Standard

Questa guida illustra come eseguire il servizio di modelli linguistici di grandi dimensioni (LLM) utilizzando Ray e il componente aggiuntivo Ray Operator con Google Kubernetes Engine (GKE).

In questa guida puoi pubblicare uno dei seguenti modelli:

Questa guida illustra anche tecniche di pubblicazione dei modelli come il multiplexing e la composizione dei modelli supportate dal framework Ray Serve.

Sfondo

Il framework Ray fornisce una piattaforma di AI/ML end-to-end per l'addestramento, il perfezionamento e l'inferenza dei carichi di lavoro di machine learning. Ray Serve è un framework in Ray che puoi utilizzare per pubblicare LLM di uso comune di Hugging Face.

Il numero di GPU varia a seconda del formato dei dati del modello. In questa guida, il modello può utilizzare una o due GPU L4.

Questa guida illustra i seguenti passaggi:

Crea un cluster GKE Autopilot o standard con il componente aggiuntivo Ray Operator abilitato.
Esegui il deployment di una risorsa RayService che scarica e pubblica un modello linguistico di grandi dimensioni (LLM) da Hugging Face.
Esegui il deployment di un'interfaccia di chat e di una finestra di dialogo con gli LLM.

Prima di iniziare

Prima di iniziare, assicurati di aver eseguito le seguenti operazioni:

Attiva l'API Google Kubernetes Engine.

Attiva l'API Google Kubernetes Engine

Se vuoi utilizzare Google Cloud CLI per questa attività, installa e poi inizializza gcloud CLI. Se hai già installato gcloud CLI, ottieni la versione più recente eseguendo gcloud components update.
Nota: per le installazioni esistenti di gcloud CLI, assicurati di impostare le proprietà compute/region e compute/zone. Se imposti le posizioni predefinite, puoi evitare errori in gcloud CLI come il seguente: One of [--zone, --region] must be supplied: Please specify location.

Crea un account AbbracciAmore, se non ne hai già uno.
Assicurati di avere un token Hugging Face.
Assicurati di avere accesso al modello Hugging Face che vuoi utilizzare. In genere, questo viene concesso firmando un contratto e richiedendo l'accesso al proprietario del modello nella pagina del modello Hugging Face.
Assicurati di disporre di una quota GPU nella regione us-central1. Per scoprire di più, consulta Quota GPU.

prepara l'ambiente

Nella console Google Cloud, avvia un'istanza Cloud Shell:
Apri Cloud Shell

Clona il repository di esempio:

git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples.git
cd kubernetes-engine-samples/ai-ml/gke-ray/rayserve/llm
export TUTORIAL_HOME=`pwd`

Imposta le variabili di ambiente predefinite:
```
gcloud config set project PROJECT_ID
export PROJECT_ID=$(gcloud config get project)
export COMPUTE_REGION=us-central1
export CLUSTER_VERSION=CLUSTER_VERSION
export HF_TOKEN=HUGGING_FACE_TOKEN
```
Sostituisci quanto segue:
- PROJECT_ID: il tuo ID progetto Google Cloud.
- CLUSTER_VERSION: la versione di GKE da utilizzare. Deve essere 1.30.1 o successiva.
- HUGGING_FACE_TOKEN: il tuo token di accesso a Hugging Face.

Creare un cluster con un pool di nodi GPU

Puoi pubblicare un LLM su GPU L4 con Ray in un cluster GKE Autopilot o Standard utilizzando il componente aggiuntivo Ray Operator. In genere, consigliamo di utilizzare un cluster Autopilot per un'esperienza Kubernetes completamente gestita. Scegli un cluster standard se il tuo caso d'uso richiede un'elevata scalabilità o se vuoi un maggiore controllo sulla configurazione del cluster. Per scegliere la modalità operativa di GKE più adatta ai tuoi carichi di lavoro, consulta Scegliere una modalità operativa di GKE.

Utilizza Cloud Shell per creare un cluster Autopilot o standard:

Autopilot

Crea un cluster Autopilot con il componente aggiuntivo Ray Operator abilitato:

gcloud container clusters create-auto rayserve-cluster \
    --enable-ray-operator \
    --cluster-version=${CLUSTER_VERSION} \
    --location=${COMPUTE_REGION}

Standard

Crea un cluster standard con il componente aggiuntivo Ray Operator abilitato:

gcloud container clusters create rayserve-cluster \
    --addons=RayOperator \
    --cluster-version=${CLUSTER_VERSION} \
    --machine-type=g2-standard-24 \
    --location=${COMPUTE_ZONE} \
    --num-nodes=2 \
    --accelerator type=nvidia-l4,count=2,gpu-driver-version=latest

Crea un secret di Kubernetes per le credenziali di Hugging Face

In Cloud Shell, crea un secret Kubernetes nel seguente modo:

Configura kubectl per comunicare con il cluster:

gcloud container clusters get-credentials ${CLUSTER_NAME} --location=${COMPUTE_REGION}

Crea un secret di Kubernetes contenente il token di Hugging Face:

kubectl create secret generic hf-secret \
  --from-literal=hf_api_token=${HF_TOKEN} \
  --dry-run=client -o yaml | kubectl apply -f -

Esegui il deployment del modello LLM

Il repository GitHub che hai clonato contiene una directory per ogni modello che include una configurazione di RayService. La configurazione di ogni modello include i seguenti componenti:

Deployment di Ray Serve: il deployment di Ray Serve, che include la configurazione delle risorse e le dipendenze di runtime.
Model: l'ID modello Hugging Face.
Cluster Ray: il cluster Ray sottostante e le risorse necessarie per ogni componente, inclusi i pod head e worker.

Gemma 2B IT

Esegui il deployment del modello:
```
kubectl apply -f gemma-2b-it/
```

Attendi che la risorsa RayService sia pronta:

kubectl get rayservice gemma-2b-it -o yaml

L'output è simile al seguente:

status:
  activeServiceStatus:
    applicationStatuses:
      llm:
        healthLastUpdateTime: "2024-06-22T02:51:52Z"
        serveDeploymentStatuses:
          VLLMDeployment:
            healthLastUpdateTime: "2024-06-22T02:51:52Z"
            status: HEALTHY
        status: RUNNING

In questo output, status: RUNNING indica che la risorsa RayService è pronta.

Verifica che GKE abbia creato il servizio per l'applicazione Ray Serve:

kubectl get service gemma-2b-it-serve-svc

L'output è simile al seguente:

NAME                    TYPE        CLUSTER-IP       EXTERNAL-IP   PORT(S)    AGE
gemma-2b-it-serve-svc   ClusterIP   34.118.226.104   <none>        8000/TCP   45m

Gemma 7B IT

Esegui il deployment del modello:
```
kubectl apply -f gemma-7b-it/
```

Attendi che la risorsa RayService sia pronta:

kubectl get rayservice gemma-7b-it -o yaml

L'output è simile al seguente:

status:
  activeServiceStatus:
    applicationStatuses:
      llm:
        healthLastUpdateTime: "2024-06-22T02:51:52Z"
        serveDeploymentStatuses:
          VLLMDeployment:
            healthLastUpdateTime: "2024-06-22T02:51:52Z"
            status: HEALTHY
        status: RUNNING

In questo output, status: RUNNING indica che la risorsa RayService è pronta.

Verifica che GKE abbia creato il servizio per l'applicazione Ray Serve:

kubectl get service gemma-7b-it-serve-svc

L'output è simile al seguente:

NAME                    TYPE        CLUSTER-IP       EXTERNAL-IP   PORT(S)    AGE
gemma-7b-it-serve-svc   ClusterIP   34.118.226.104   <none>        8000/TCP   45m

Llama 2 7B

Esegui il deployment del modello:
```
kubectl apply -f llama-2-7b/
```

Attendi che la risorsa RayService sia pronta:

kubectl get rayservice llama-2-7b -o yaml

L'output è simile al seguente:

status:
  activeServiceStatus:
    applicationStatuses:
      llm:
        healthLastUpdateTime: "2024-06-22T02:51:52Z"
        serveDeploymentStatuses:
          VLLMDeployment:
            healthLastUpdateTime: "2024-06-22T02:51:52Z"
            status: HEALTHY
        status: RUNNING

In questo output, status: RUNNING indica che la risorsa RayService è pronta.

Verifica che GKE abbia creato il servizio per l'applicazione Ray Serve:

kubectl get service llama-2-7b-serve-svc

L'output è simile al seguente:

NAME                    TYPE        CLUSTER-IP       EXTERNAL-IP   PORT(S)    AGE
llama-2-7b-serve-svc    ClusterIP   34.118.226.104   <none>        8000/TCP   45m

Llama 3 8B

Esegui il deployment del modello:
```
kubectl apply -f llama-3-8b/
```

Attendi che la risorsa RayService sia pronta:

kubectl get rayservice llama-3-8b -o yaml

L'output è simile al seguente:

status:
  activeServiceStatus:
    applicationStatuses:
      llm:
        healthLastUpdateTime: "2024-06-22T02:51:52Z"
        serveDeploymentStatuses:
          VLLMDeployment:
            healthLastUpdateTime: "2024-06-22T02:51:52Z"
            status: HEALTHY
        status: RUNNING

In questo output, status: RUNNING indica che la risorsa RayService è pronta.

Verifica che GKE abbia creato il servizio per l'applicazione Ray Serve:

kubectl get service llama-3-8b-serve-svc

L'output è simile al seguente:

NAME                    TYPE        CLUSTER-IP       EXTERNAL-IP   PORT(S)    AGE
llama-3-8b-serve-svc    ClusterIP   34.118.226.104   <none>        8000/TCP   45m

Mistral 7B

Esegui il deployment del modello:
```
kubectl apply -f mistral-7b/
```

Attendi che la risorsa RayService sia pronta:

kubectl get rayservice mistral-7b -o yaml

L'output è simile al seguente:

status:
  activeServiceStatus:
    applicationStatuses:
      llm:
        healthLastUpdateTime: "2024-06-22T02:51:52Z"
        serveDeploymentStatuses:
          VLLMDeployment:
            healthLastUpdateTime: "2024-06-22T02:51:52Z"
            status: HEALTHY
        status: RUNNING

In questo output, status: RUNNING indica che la risorsa RayService è pronta.

Verifica che GKE abbia creato il servizio per l'applicazione Ray Serve:

kubectl get service mistral-7b-serve-svc

L'output è simile al seguente:

NAME                    TYPE        CLUSTER-IP       EXTERNAL-IP   PORT(S)    AGE
mistral-7b-serve-svc    ClusterIP   34.118.226.104   <none>        8000/TCP   45m

Pubblica il modello

I modelli Llama2 7B e Llama3 8B utilizzano la specifica della chat dell'API OpenAI. Gli altri modelli supportano solo la generazione di testo, una tecnica che genera testo in base a un prompt.

Configurare il port forwarding

Configura il port forwarding al server di inferenza:

Gemma 2B IT

kubectl port-forward svc/gemma-2b-it-serve-svc 8000:8000

Gemma 7B IT

kubectl port-forward svc/gemma-7b-it-serve-svc 8000:8000

Llama2 7B

kubectl port-forward svc/llama-7b-serve-svc 8000:8000

Llama 3 8B

kubectl port-forward svc/llama-3-8b-serve-svc 8000:8000

Mistral 7B

kubectl port-forward svc/mistral-7b-serve-svc 8000:8000

Interagire con il modello utilizzando curl

Utilizza curl per chattare con il tuo modello:

Gemma 2B IT

In una nuova sessione del terminale:

curl -X POST http://localhost:8000/ -H "Content-Type: application/json" -d '{"prompt": "What are the top 5 most popular programming languages? Be brief.", "max_tokens": 1024}'

Gemma 7B IT

In una nuova sessione del terminale:

curl -X POST http://localhost:8000/ -H "Content-Type: application/json" -d '{"prompt": "What are the top 5 most popular programming languages? Be brief.", "max_tokens": 1024}'

Llama2 7B

In una nuova sessione del terminale:

curl http://localhost:8000/v1/chat/completions     -H "Content-Type: application/json"     -d '{
      "model": "meta-llama/Llama-2-7b-chat-hf",
      "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "What are the top 5 most popular programming languages? Please be brief."}
      ],
      "temperature": 0.7
    }'

Llama 3 8B

In una nuova sessione del terminale:

curl http://localhost:8000/v1/chat/completions     -H "Content-Type: application/json"     -d '{
      "model": "meta-llama/Meta-Llama-3-8B-Instruct",
      "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "What are the top 5 most popular programming languages? Please be brief."}
      ],
      "temperature": 0.7
    }'

Mistral 7B

In una nuova sessione del terminale:

curl -X POST http://localhost:8000/ -H "Content-Type: application/json" -d '{"prompt": "What are the top 5 most popular programming languages? Be brief.", "max_tokens": 1024}'

Poiché i modelli pubblicati non conservano alcuna cronologia, ogni messaggio e risposta deve essere inviato nuovamente al modello per creare un'esperienza di dialogo interattivo. L'esempio seguente mostra come creare un dialogo interattivo utilizzando il modello Llama 3 8B:

Crea un dialogo con il modello utilizzando curl:

curl http://localhost:8000/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
      "model": "meta-llama/Meta-Llama-3-8B-Instruct",
      "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "What are the top 5 most popular programming languages? Please be brief."},
        {"role": "assistant", "content": " \n1. Java\n2. Python\n3. C++\n4. C#\n5. JavaScript"},
        {"role": "user", "content": "Can you give me a brief description?"}
      ],
      "temperature": 0.7
}'

L'output è simile al seguente:

{
  "id": "cmpl-3cb18c16406644d291e93fff65d16e41",
  "object": "chat.completion",
  "created": 1719035491,
  "model": "meta-llama/Meta-Llama-3-8B-Instruct",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Here's a brief description of each:\n\n1. **Java**: A versatile language for building enterprise-level applications, Android apps, and web applications.\n2. **Python**: A popular language for data science, machine learning, web development, and scripting, known for its simplicity and ease of use.\n3. **C++**: A high-performance language for building operating systems, games, and other high-performance applications, with a focus on efficiency and control.\n4. **C#**: A modern, object-oriented language for building Windows desktop and mobile applications, as well as web applications using .NET.\n5. **JavaScript**: A versatile language for client-side scripting on the web, commonly used for creating interactive web pages, web applications, and mobile apps.\n\nNote: These descriptions are brief and don't do justice to the full capabilities and uses of each language."
      },
      "logprobs": null,
      "finish_reason": "stop",
      "stop_reason": null
    }
  ],
  "usage": {
    "prompt_tokens": 73,
    "total_tokens": 245,
    "completion_tokens": 172
  }
}

(Facoltativo) Connettiti all'interfaccia di chat

Puoi utilizzare Gradio per creare applicazioni web che ti consentono di interagire con il tuo modello. Gradio è una libreria Python con un wrapper ChatInterface che crea interfacce utente per i chatbot. Per Llama 2 7B e Llama 3 7B, hai installato Gradio quando hai eseguito il deployment del modello LLM.

Configura il port forwarding per il servizio gradio:

kubectl port-forward service/gradio 8080:8080 &

Apri http://localhost:8080 nel browser per chattare con il modello.

Pubblica più modelli con il multiplexing dei modelli

Il multiplexing dei modelli è una tecnica utilizzata per pubblicare più modelli nello stesso cluster Ray. Puoi indirizzare il traffico a modelli specifici utilizzando le intestazioni delle richieste o il bilanciamento del carico.

In questo esempio, crei un'applicazione Ray Serve multiplexata composta da due modelli: Gemma 7B IT e Llama 3 8B.

Esegui il deployment della risorsa RayService:
```
kubectl apply -f model-multiplexing/
```

Attendi che la risorsa RayService sia pronta:

kubectl get rayservice model-multiplexing -o yaml

L'output è simile al seguente:

status:
  activeServiceStatus:
    applicationStatuses:
      llm:
        healthLastUpdateTime: "2024-06-22T14:00:41Z"
        serveDeploymentStatuses:
          MutliModelDeployment:
            healthLastUpdateTime: "2024-06-22T14:00:41Z"
            status: HEALTHY
          VLLMDeployment:
            healthLastUpdateTime: "2024-06-22T14:00:41Z"
            status: HEALTHY
          VLLMDeployment_1:
            healthLastUpdateTime: "2024-06-22T14:00:41Z"
            status: HEALTHY
        status: RUNNING

In questo output, status: RUNNING indica che la risorsa RayService è pronta.

Verifica che GKE abbia creato il servizio Kubernetes per l'applicazione Ray Serve:

kubectl get service model-multiplexing-serve-svc

L'output è simile al seguente:

NAME                           TYPE        CLUSTER-IP       EXTERNAL-IP   PORT(S)    AGE
model-multiplexing-serve-svc   ClusterIP   34.118.226.104   <none>        8000/TCP   45m

Configura il port forwarding per l'applicazione Ray Serve:

kubectl port-forward svc/model-multiplexing-serve-svc 8000:8000

Invia una richiesta al modello IT Gemma 7B:

curl -X POST http://localhost:8000/ -H "Content-Type: application/json" --header "serve_multiplexed_model_id: google/gemma-7b-it" -d '{"prompt": "What are the top 5 most popular programming languages? Please be brief.", "max_tokens": 200}'

L'output è simile al seguente:

{"text": ["What are the top 5 most popular programming languages? Please be brief.\n\n1. JavaScript\n2. Java\n3. C++\n4. Python\n5. C#"]}

Invia una richiesta al modello Llama 3 8B:

curl -X POST http://localhost:8000/ -H "Content-Type: application/json" --header "serve_multiplexed_model_id: meta-llama/Meta-Llama-3-8B-Instruct" -d '{"prompt": "What are the top 5 most popular programming languages? Please be brief.", "max_tokens": 200}'

L'output è simile al seguente:

{"text": ["What are the top 5 most popular programming languages? Please be brief. Here are your top 5 most popular programming languages, based on the TIOBE Index, a widely used measure of the popularity of programming languages.\r\n\r\n1. **Java**: Used in Android app development, web development, and enterprise software development.\r\n2. **Python**: A versatile language used in data science, machine learning, web development, and automation.\r\n3. **C++**: A high-performance language used in game development, system programming, and high-performance computing.\r\n4. **C#**: Used in Windows and web application development, game development, and enterprise software development.\r\n5. **JavaScript**: Used in web development, mobile app development, and server-side programming with technologies like Node.js.\r\n\r\nSource: TIOBE Index (2022).\r\n\r\nThese rankings can vary depending on the source and methodology used, but this gives you a general idea of the most popular programming languages."]}

Invia una richiesta a un modello casuale escludendo l'intestazioneserve_multiplexed_model_id:

curl -X POST http://localhost:8000/ -H "Content-Type: application/json" -d '{"prompt": "What are the top 5 most popular programming languages? Please be brief.", "max_tokens": 200}'

L'output è uno degli output dei passaggi precedenti.

Componi più modelli con la composizione del modello

La composizione di modelli è una tecnica utilizzata per combinare più modelli in un'unica applicazione. La composizione del modello consente di concatenare input e output su più LLM e di scalare i modelli come una singola applicazione.

In questo esempio, componi due modelli, Gemma 7B IT e Llama 3 8B, in un'unica applicazione. Il primo modello è il modello di assistente che risponde alle domande fornite nel prompt. Il secondo modello è il modello di riassunto. L'output del modello di assistente viene collegato all'input del modello di riassunto. Il risultato finale è la versione riepilogativa della risposta del modello dell'assistente.

Esegui il deployment della risorsa RayService:
```
kubectl apply -f model-composition/
```

Attendi che la risorsa RayService sia pronta:

kubectl get rayservice model-composition -o yaml

L'output è simile al seguente:

status:
  activeServiceStatus:
    applicationStatuses:
      llm:
        healthLastUpdateTime: "2024-06-22T14:00:41Z"
        serveDeploymentStatuses:
          MutliModelDeployment:
            healthLastUpdateTime: "2024-06-22T14:00:41Z"
            status: HEALTHY
          VLLMDeployment:
            healthLastUpdateTime: "2024-06-22T14:00:41Z"
            status: HEALTHY
          VLLMDeployment_1:
            healthLastUpdateTime: "2024-06-22T14:00:41Z"
            status: HEALTHY
        status: RUNNING

In questo output, status: RUNNING indica che la risorsa RayService è pronta.

Verifica che GKE abbia creato il servizio per l'applicazione Ray Serve:

kubectl get service model-composition-serve-svc

L'output è simile al seguente:

NAME                           TYPE        CLUSTER-IP       EXTERNAL-IP   PORT(S)    AGE
model-composition-serve-svc    ClusterIP   34.118.226.104   <none>        8000/TCP   45m

Invia una richiesta al modello:

curl -X POST http://localhost:8000/ -H "Content-Type: application/json" -d '{"prompt": "What is the most popular programming language for machine learning and why?", "max_tokens": 1000}'

L'output è simile al seguente:

{"text": ["\n\n**Sure, here is a summary in a single sentence:**\n\nThe most popular programming language for machine learning is Python due to its ease of use, extensive libraries, and growing community."]}

Elimina il progetto

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività descritte in questo documento, quando lo elimini elimini anche tutto il lavoro svolto nel progetto.
Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un appspot.com URL, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, il riuso dei progetti può aiutarti a non superare i limiti di quota.

In the Google Cloud console, go to the Manage resources page.
Go to Manage resources
In the project list, select the project that you want to delete, and then click Delete.
In the dialog, type the project ID, and then click Shut down to delete the project.

Elimina le singole risorse

Se hai utilizzato un progetto esistente e non vuoi eliminarlo, puoi eliminare le singole risorse.

Elimina il cluster:

gcloud container clusters delete rayserve-cluster

Passaggi successivi

Scopri come eseguire carichi di lavoro di AI/ML ottimizzati con le funzionalità di orchestrazione della piattaforma GKE.
Addestrare un modello con GPU in modalità GKE Standard
Scopri come utilizzare RayServe su GKE visualizzando il codice di esempio su GitHub.