Entrega un LLM en GPU L4 con Ray

Autopilot Estándar

---

En esta guía, se muestra cómo entregar modelos de lenguaje grande (LLM) con el framework de Ray en modo de Google Kubernetes Engine (GKE). Esta guía está dirigida a administradores de plataforma o ingenieros de MLOps o DevOps que deseen usar las funciones de organización de GKE para entregar LLM.

En esta guía, puedes entregar cualquiera de los siguientes modelos:

• Falcon 7b
• Llama2 7b
• Falcon 40b
• Llama2 70b

Antes de completar los siguientes pasos en GKE, te recomendamos que conozcas la Información sobre las GPU en GKE.

Antecedentes

El framework de Ray proporciona una plataforma de IA/AA de extremo a extremo para el entrenamiento, el entrenamiento detallado y la inferencia de cargas de trabajo de AA. Según el formato de datos del modelo, la cantidad de GPU varía. En esta guía, cada modelo usa dos GPU L4. Para obtener más información, consulta Calcula la cantidad de GPU.

En esta guía se abarcan los siguientes pasos:

1. Crear un Autopilot o Standard clúster de GKE.
2. Implementa el operador KubeRay.
3. Implementa recursos personalizados de RayService para entregar LLM.

Antes de comenzar

Antes de comenzar, asegúrate de haber realizado las siguientes tareas:

• Habilita la API de Google Kubernetes Engine.
Habilitar la API de Google Kubernetes Engine
• Si deseas usar Google Cloud CLI para esta tarea, instala y, luego, inicializa gcloud CLI. Si ya instalaste gcloud CLI, ejecuta gcloud components update para obtener la versión más reciente.
  Nota: Para las instalaciones de gcloud CLI existentes, asegúrate de configurar las propiedades compute/region y compute/zone. Cuando configuras las ubicaciones predeterminadas, puedes evitar errores en la gcloud CLI como el siguiente: One of [--zone, --region] must be supplied: Please specify location.

• Si quieres usar el modelo Llama 2, asegúrate de tener lo siguiente:

  • Acceso a una licencia activa para los modelos de Meta Llama.
  • Un token de HuggingFace.
  Advertencia: Obtener el acceso y la aprobación para el modelo de Llama puede tardar hasta tres días.

• Asegúrate de tener cuota de GPU en la región us-central1. Para obtener más información, consulta Cuota de GPU.

Prepara el entorno

1. En la consola de Google Cloud, inicia una instancia de Cloud Shell:
   Abrir Cloud Shell

2. Clona el repositorio de ejemplo:

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

   Este repositorio incluye la imagen de contenedor ray-llm compilada previamente que modela diferentes tipos de aceleradores. Para esta guía, debes usar GPU L4 de NVIDIA, por lo que spec.serveConfigV2 en RayService apunta a un repositorio que contiene modelos que usan el tipo de acelerador L4.

3. Configura las variables de entorno predeterminadas:

   gcloud config set project PROJECT_ID
   export PROJECT_ID=$(gcloud config get project)
   export REGION=us-central1
   

   Reemplaza PROJECT_ID por el ID del proyecto de Google Cloud.

   Nota: Si tu instancia de Cloud Shell se desconecta durante toda la ejecución de la guia, repite el paso anterior.

Crea un clúster y un grupo de nodos de GPU

Puedes entregar un LLM en GPU L4 con Ray en un clúster de GKE Autopilot o Standard. Te recomendamos que uses un clúster de Autopilot para una experiencia de Kubernetes administrada por completo en un clúster estándar si tu caso de uso requiere alta escalabilidad o si deseas más control sobre la configuración del clúster. Para elegir el modo de operación de GKE que se adapte mejor a tus cargas de trabajo, consulta Elige un modo de operación de GKE.

Usa Cloud Shell para realizar las siguientes acciones:

1. Navega a la carpeta gke-platform:

   cd ${TUTORIAL_HOME}/gke-platform
   

   • Para un clúster de Autopilot, ejecuta el siguiente comando:

   cat << EOF > terraform.tfvars
   enable_autopilot=true
   project_id="${PROJECT_ID}"
   EOF
   

   • Para un clúster de Standard, ejecuta el siguiente comando:

   cat << EOF > terraform.tfvars
   project_id="${PROJECT_ID}"
   gpu_pool_machine_type="g2-standard-24"
   gpu_pool_accelerator_type="nvidia-l4"
   gpu_pool_node_locations=["us-central1-a", "us-central1-c"]
   EOF
   

2. Implementa el clúster de GKE y el grupo de nodos:

   terraform init
   terraform apply --auto-approve
   

   A medida que Terraform se inicializa, registra mensajes de progreso. Al final de la salida del mensaje, deberías ver un mensaje que indica que Terraform se inicializó de forma correcta.

   Una vez completados, los manifiestos de Terraform implementan los siguientes componentes:

   • Clúster de GKE
   • Grupo de nodos de CPU
   • Grupo de nodos de GPU
   • Operador KubeRay con Ray CustomResourceDefinitions (CRD)

3. Recupera las credenciales de clúster aprovisionadas que usará kubectl en la siguiente sección de la guía:

   gcloud container clusters get-credentials ml-cluster --region us-central1
   

4. Navega a la carpeta rayserve:

   cd ${TUTORIAL_HOME}/rayserve
   

Implementa el modelo de LLM

En el repositorio clonado, la carpeta models incluye la configuración que carga los modelos. Para ray-llm, la configuración de cada modelo se compone de lo siguiente:

• Implementación: la configuración de Ray Serve
• Motor: el modelo de Huggingface, los parámetros del modelo y los detalles del mensaje
• Escalamiento: la definición de los recursos de Ray que consume el modelo.
• Las configuraciones específicas por modelo

En esta guía, usarás la cuantización de NormalFloat de 4 bits (NF4), a través de los transformadores de HuggingFace, para cargar LLM con un espacio en memoria de GPU reducida (dos GPU L4, lo que significa un total de memoria de GPU de 48 GB). La reducción de 16 bits a 4 bits disminuye la precisión de los pesos del modelo, pero proporciona flexibilidad que te permite probar modelos más grandes y ver si es suficiente para tu caso de uso. Para la cuantización, el código de muestra usa las bibliotecas HuggingFace y BitsAndBytesConfig a fin de cargar las versiones cuantizadas de los modelos de parámetros más grandes, Falcon 40b y Llama2 70b.

En la siguiente sección, se muestra cómo configurar la carga de trabajo según el modelo que deseas usar:

Nota: Como alternativa, puedes compilar una imagen como parte de la canalización y, luego, incluir tus modelos.

Falcon 7b

1. Implementa RayService y las dependencias. Usa el comando que corresponde al modo de GKE que creaste:

   • Autopilot:

   kubectl apply -f models/falcon-7b-instruct.yaml
   kubectl apply -f ap_pvc-rayservice.yaml
   kubectl apply -f ap_falcon-7b.yaml
   

   • Standard:

   kubectl apply -f models/falcon-7b-instruct.yaml
   kubectl apply -f falcon-7b.yaml
   

   La creación del Pod del clúster de Ray puede tardar varios minutos en alcanzar el estado Running.

2. Espera a que el Pod principal del clúster de Ray esté en funcionamiento.

   watch --color --interval 5 --no-title \
       "kubectl get pod | \
       GREP_COLOR='01;92' egrep --color=always -e '^' -e 'Running'"
   

3. Una vez que el Pod del clúster de Ray esté en ejecución, puedes verificar el estado del modelo:

   export HEAD_POD=$(kubectl get pods --selector=ray.io/node-type=head \
       -n default \
       -o custom-columns=POD:metadata.name --no-headers)
   
   watch --color --interval 5 --no-title \
       "kubectl exec -n default -it $HEAD_POD \
       -- serve status | GREP_COLOR='01;92' egrep --color=always -e '^' -e 'RUNNING'"
   

   El resultado es similar al siguiente:

   proxies:
     781dc714269818b9b8d944176818b683c00d222d2812a2cc99a33ec6: HEALTHY
     bb9aa9f4bb3e721d7e33e8d21a420eb33c9d44e631ba7d544e23396d: HEALTHY
   applications:
     ray-llm:
       status: RUNNING
       message: ''
       last_deployed_time_s: 1702333577.390653
       deployments:
         VLLMDeployment:tiiuae--falcon-7b-instruct:
           status: HEALTHY
           replica_states:
             RUNNING: 1
           message: ''
         Router:
           status: HEALTHY
           replica_states:
             RUNNING: 2
           message: ''
   

   Si el campo Estado es RUNNING, tu LLM está listo para chatear.

Llama2 7b

1. Configura las variables de entorno predeterminadas:

   export HF_TOKEN=HUGGING_FACE_TOKEN
   

   Reemplaza HUGGING_FACE_TOKEN por tu token de HuggingFace.

2. Crea un Secret de Kubernetes para el token de HuggingFace:

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

3. Implementa RayService y las dependencias. Usa el comando que corresponde al modo de GKE que creaste:

   • Autopilot:

   kubectl apply -f models/llama2-7b-chat-hf.yaml
   kubectl apply -f ap_pvc-rayservice.yaml
   kubectl apply -f ap_llama2-7b.yaml
   

   Nota: El clúster de GKE Autopilot usa un PersistentVolumeClaim activado en el trabajador Ray para conservar el modelo.
   • Estándar:

   kubectl apply -f models/llama2-7b-chat-hf.yaml
   kubectl apply -f llama2-7b.yaml
   

   La creación del Pod del clúster de Ray puede tardar varios minutos en alcanzar el estado Running.

4. Espera a que el Pod principal del clúster de Ray esté en funcionamiento.

   watch --color --interval 5 --no-title \
       "kubectl get pod | \
       GREP_COLOR='01;92' egrep --color=always -e '^' -e 'Running'"
   

5. Una vez que el Pod del clúster de Ray esté en ejecución, puedes verificar el estado del modelo:

   export HEAD_POD=$(kubectl get pods --selector=ray.io/node-type=head \
       -n default \
       -o custom-columns=POD:metadata.name --no-headers)
   
   watch --color --interval 5 --no-title \
       "kubectl exec -n default -it $HEAD_POD \
       -- serve status | GREP_COLOR='01;92' egrep --color=always -e '^' -e 'RUNNING'"
   

   El resultado es similar al siguiente:

     proxies:
       0eb0eb51d667a359b426b825c61f6a9afbbd4e87c99179a6aaf4f833: HEALTHY
       3a4547b89a8038d5dc6bfd9176d8a13c5ef57e0e67e117f06577e380: HEALTHY
     applications:
       ray-llm:
         status: RUNNING
         message: ''
         last_deployed_time_s: 1702334447.9163773
         deployments:
           VLLMDeployment:meta-llama--Llama-2-7b-chat-hf:
             status: HEALTHYG
             replica_states:
               RUNNING: 11
             message: ''p
           Router:y
             status: HEALTHY
             replica_states:
               RUNNING: 2T
             message: ''t
   

   Si el campo Estado es RUNNING, tu LLM está listo para chatear.

Falcon 40b

1. Implementa RayService y las dependencias. Usa el comando que corresponde al modo de GKE que creaste:

   • Autopilot:

   kubectl apply -f models/quantized-model.yaml
   kubectl apply -f ap_pvc-rayservice.yaml
   kubectl apply -f ap_falcon-40b.yaml
   

   • Standard:

   kubectl apply -f models/quantized-model.yaml
   kubectl apply -f falcon-40b.yaml
   

   La creación del Pod del clúster de Ray puede tardar varios minutos en alcanzar el estado Running.

2. Espera a que el Pod principal del clúster de Ray esté en funcionamiento.

   watch --color --interval 5 --no-title \
       "kubectl get pod | \
       GREP_COLOR='01;92' egrep --color=always -e '^' -e 'Running'"
   

3. Una vez que el Pod del clúster de Ray esté en ejecución, puedes verificar el estado del modelo:

   export HEAD_POD=$(kubectl get pods --selector=ray.io/node-type=head \
       -n default \
       -o custom-columns=POD:metadata.name --no-headers)
   
   watch --color --interval 5 --no-title \
       "kubectl exec -n default -it $HEAD_POD \
       -- serve status | GREP_COLOR='01;92' egrep --color=always -e '^' -e 'RUNNING'"
   

   El resultado es similar al siguiente:

   proxies:
     d9fdd5ac0d81e8eeb1eb6efb22bcd1c4544ad17422d1b69b94b51367: HEALTHY
     9f75f681caf33e7c496ce69979b8a56f3b2b00c9a22e73c4606385f4: HEALTHY
   applications:
     falcon:s
       status: RUNNING
       message: ''e
       last_deployed_time_s: 1702334848.336201
       deployments:
         Chat:t
           status: HEALTHYG
           replica_states:
             RUNNING: 11
           message: ''p
   

   Si el campo Estado es RUNNING, tu LLM está listo para chatear.

Llama2 70b

1. Configura las variables de entorno predeterminadas:

   export HF_TOKEN=HUGGING_FACE_TOKEN
   

   Reemplaza HUGGING_FACE_TOKEN por tu token de HuggingFace.

2. Crea un Secret de Kubernetes para el token de HuggingFace:

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

3. Implementa RayService y las dependencias. Usa el comando que corresponde al modo de GKE que creaste:

   • Autopilot:

   kubectl apply -f models/quantized-model.yaml
   kubectl apply -f ap_pvc-rayservice.yaml
   kubectl apply -f ap_llama2-70b.yaml
   

   • Standard:

   kubectl apply -f models/quantized-model.yaml
   kubectl apply -f llama2-70b.yaml
   

   La creación del Pod del clúster de Ray puede tardar varios minutos en alcanzar el estado Running.

4. Espera a que el Pod principal del clúster de Ray esté en funcionamiento.

   watch --color --interval 5 --no-title \
       "kubectl get pod | \
       GREP_COLOR='01;92' egrep --color=always -e '^' -e 'Running'"
   

5. Una vez que el Pod del clúster de Ray esté en ejecución, puedes verificar el estado del modelo:

   export HEAD_POD=$(kubectl get pods --selector=ray.io/node-type=head \
       -n default \
       -o custom-columns=POD:metadata.name --no-headers)
   
   watch --color --interval 5 --no-title \
       "kubectl exec -n default -it $HEAD_POD \
       -- serve status | GREP_COLOR='01;92' egrep --color=always -e '^' -e 'RUNNING'"
   

   El resultado es similar al siguiente:

   proxies:
     a71407ddfeb662465db384e0f880a2d3ad9ed285c7b9946b55ae27b5: HEALTHY
     <!-- dd5d4475ac3f5037cd49f1bddc7cfcaa88e4251b25c8784d0ac53c7c: HEALTHY -->
   applications:
     llama-2:
       status: RUNNING
       message: ''
       last_deployed_time_s: 1702335974.8497846
       deployments:
         Chat:
           status: HEALTHY
           replica_states:
             RUNNING: 1
           message: ''
   

   Si el campo Estado es RUNNING, tu LLM está listo para chatear.

Chatea con tu modelo

Para los modelos Falcon 7b y Llama2 7b, ray-llm implementa la especificación de chat de la API de OpenAI. Los modelos Falcon 40b y Llama2 70b usan ray-llm y solo admiten la generación de texto.

Falcon 7b

1. Configura la redirección de puertos al servidor de inferencia:

   kubectl port-forward service/rayllm-serve-svc 8000:8000
   

   El resultado es similar al siguiente:

   Forwarding from 127.0.0.1:8000 -> 8000
   

2. En una sesión de terminal nueva, usa curl para chatear con tu modelo:

   curl http://localhost:8000/v1/chat/completions \
       -H "Content-Type: application/json" \
       -d '{
         "model": "tiiuae/falcon-7b-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
       }'
   

Llama2 7b

1. Configura la redirección de puertos al servidor de inferencia:

   kubectl port-forward service/rayllm-serve-svc 8000:8000
   

   El resultado es similar al siguiente:

   Forwarding from 127.0.0.1:8000 -> 8000
   

2. En una sesión de terminal nueva, usa curl para chatear con tu modelo:

   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
     }'
   

Falcon 40b

1. Configura la redirección de puertos al servidor de inferencia:

   kubectl port-forward service/rayllm-serve-svc 8000:8000
   

   El resultado es similar al siguiente:

   Forwarding from 127.0.0.1:8000 -> 8000
   

2. En una sesión de terminal nueva, usa curl para chatear con tu modelo:

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

Llama2 70b

1. Configura la redirección de puertos al servidor de inferencia:

   kubectl port-forward service/rayllm-serve-svc 8000:8000
   

   El resultado es similar al siguiente:

   Forwarding from 127.0.0.1:8000 -> 8000
   

2. En una sesión de terminal nueva, usa curl para chatear con tu modelo:

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

Completado correctamente: En este punto, ya implementaste un LLM con GPU L4 en GKE.

Crea un diálogo con el modelo

Los modelos que entregaste no conservan ningún historial, por lo que cada mensaje y respuesta debe enviarse de vuelta al modelo para crear la ilusión de diálogo. Esta interacción aumenta la cantidad de tokens que usas. Para crear una interacción única, crea un diálogo con tu modelo. Puedes crear un diálogo cuando usas Falcon 7b o Llama2 7b:

Falcon 7b

1. Crea un diálogo con el modelo a través de curl:

   curl http://localhost:8000/v1/chat/completions \
       -H "Content-Type: application/json" \
       -d '{
         "model": "tiiuae/falcon-7b-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
   }'
   

   El resultado es similar al siguiente:

   {
     "id": "tiiuae/falcon-7b-instruct-f7ff36764b4ec5906b5e54858588f17e",
     "object": "text_completion",
     "created": 1702334177,
     "model": "tiiuae/falcon-7b-instruct",
     "choices": [
       {
         "message": {
           "role": "assistant", "content": " </s><s>1. Java - a popular
           programming language used for object-oriented programming and web
           applications.</s><s>2. Python - an interpreted, high-level
           programming language used for general-purpose
           programming.</s><s>3. C++ - a popular programming language used in
           developing operating systems and applications.</s><s>4. C# - a
           popular programming language used for developing Windows-based
           applications.</s><s>5. JavaScript - a popular programming language
           used for developing dynamic, interactive web applications.</s></s>
           \nWhich of the top 5 programming languages are the most commonly
           used for developing mobile applications?</s><s>1. Java</s><s>2.
           C++</s><s>3. C#</s><s>4. Objective-C</s><s>5. Swift (for iOS
           development)</s>"
         },
         "index": 0,
         "finish_reason": "stop"
       }
     ],
     "usage": {
       "prompt_tokens": 65,
       "completion_tokens": 191,
       "total_tokens": 256
     }
   }
   

Llama2 7b

1. Crea un diálogo con el modelo a través de curl:

   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."},
       {"role": "assistant", "content": " Of course! Here are the top 5 most
       popular programming languages, based on various sources and
       metrics:\n\n1. JavaScript: Used for web development, game development,
       and mobile app development.\n2. Python: General-purpose language used
       for web development, data analysis, machine learning, and more.\n3.
       Java: Object-oriented language used for Android app development, web
       development, and enterprise software development.\n4. C++:
       High-performance language used for systems programming, game
       development, and high-performance computing.\n5. C#:
       Microsoft-developed language used for Windows app development, web
       development, and enterprise software development.\n\nI hope this
       helps! Let me know if you have any other questions."},
       {"role": "user", "content": "Can you just list it instead?"}
     ],
     "temperature": 0.7
   }'
   

   El resultado es similar al siguiente:

   {
     "id": "meta-llama/Llama-2-7b-chat-hf-940d3bdda1e39920760e286dfdd0b9d7",
     "object": "text_completion",
     "created": 1696460007,
     "model": "meta-llama/Llama-2-7b-chat-hf",
     "choices": [
       {
         "message": {
           "role": "assistant", "content": " Of course! Here are the top 5
           most popular programming languages, based on various sources and
           metrics:\n1. JavaScript\n2. Python\n3. Java\n4. C++\n5. C#\n\nI
           hope this helps! Let me know if you have any other questions."
         },
         "index": 0,
         "finish_reason": "stop"
       }
     ],
     "usage": {
       "prompt_tokens": 220,
       "completion_tokens": 61,
       "total_tokens": 281
     }
   }
   

Implementa una interfaz de chat

De manera opcional, puedes usar Gradio para compilar una aplicación web que te permita interactuar con tu modelo. Gradio es una biblioteca de Python que tiene un wrapper de ChatInterface que crea interfaces de usuario para chatbots.

Falcon 7b

1. Abre el manifiesto gradio.yaml:

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: gradio
     labels:
       app: gradio
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: gradio
     template:
       metadata:
         labels:
           app: gradio
       spec:
         containers:
         - name: gradio
           image: us-docker.pkg.dev/google-samples/containers/gke/gradio-app:v1.0.0
           env:
           - name: MODEL_ID
             value: "meta-llama/Llama-2-7b-chat-hf"
           - name: CONTEXT_PATH
             value: "/v1/chat/completions"
           - name: HOST
             value: "http://rayllm-serve-svc:8000"
           ports:
           - containerPort: 7860
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: gradio
   spec:
     selector:
       app: gradio
     ports:
       - protocol: TCP
         port: 80
         targetPort: 7860
     type: LoadBalancer

2. Reemplaza el value asignado a MODEL_ID por el valor tiiuae/falcon-7b-instruct:

   ...
   - name: MODEL_ID
     value: "tiiuae/falcon-7b-instruct"
   

3. Aplica el manifiesto

   kubectl apply -f gradio.yaml
   

4. Busca la dirección IP externa del Service:

   EXTERNAL_IP=$(kubectl get services gradio \
       --output jsonpath='{.status.loadBalancer.ingress[0].ip}')
   echo -e "\nGradio URL: http://${EXTERNAL_IP}\n"
   

   El resultado es similar al siguiente:

   Gradio URL: http://34.172.115.35
   

   El balanceador de cargas puede tardar varios minutos en obtener una dirección IP externa.

Llama2 7b

1. Abre el manifiesto gradio.yaml:

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: gradio
     labels:
       app: gradio
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: gradio
     template:
       metadata:
         labels:
           app: gradio
       spec:
         containers:
         - name: gradio
           image: us-docker.pkg.dev/google-samples/containers/gke/gradio-app:v1.0.0
           env:
           - name: MODEL_ID
             value: "meta-llama/Llama-2-7b-chat-hf"
           - name: CONTEXT_PATH
             value: "/v1/chat/completions"
           - name: HOST
             value: "http://rayllm-serve-svc:8000"
           ports:
           - containerPort: 7860
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: gradio
   spec:
     selector:
       app: gradio
     ports:
       - protocol: TCP
         port: 80
         targetPort: 7860
     type: LoadBalancer

2. Asegúrate de que el value asignado a MODEL_ID sea meta-llama/Llama-2-7b-chat-hf.

3. Aplica el manifiesto

   kubectl apply -f gradio.yaml
   

4. Busca la dirección IP externa del Service:

   EXTERNAL_IP=$(kubectl get services gradio \
       --output jsonpath='{.status.loadBalancer.ingress[0].ip}')
   echo -e "\nGradio URL: http://${EXTERNAL_IP}\n"
   

   El resultado es similar al siguiente:

   Gradio URL: http://34.172.115.35
   

   El balanceador de cargas puede tardar varios minutos en obtener una dirección IP externa.

Calcula la cantidad de GPU

La cantidad de GPU depende del valor de la configuración bnb_4bit_quant_type. En este instructivo, configurarás bnb_4bit_quant_type como nf4, lo que significa que el modelo se carga en 4 bits.

Un modelo de 70,000 millones de parámetros requeriría un mínimo de 40 GB de memoria de GPU. Esto equivale a 70,000 millones de veces 4 bits (70,000 millones x 4 bits= 35 GB) más 5 GB de sobrecarga. En este caso, una sola GPU L4 no tendría suficiente memoria. Por lo tanto, en los ejemplos de este instructivo, se usan dos GPU L4 de memoria (2 x 24 = 48 GB). Esta configuración es suficiente para ejecutar Falcon 40b o Llama 2 70b en las GPU L4.

Borra el proyecto

Precaución: Borrar un proyecto tiene estas consecuencias:

• Se borra todo en el proyecto. Si usaste un proyecto existente para las tareas de este documento, cuando lo borres, también se borrará cualquier otro trabajo que hayas realizado en el proyecto.
• Se pierden los ID personalizados de proyectos. Cuando creaste este proyecto, es posible que hayas creado un ID del proyecto personalizado que desees utilizar en el futuro. Para conservar las URL que utilizan el ID del proyecto, como una URL appspot.com, borra los recursos seleccionados dentro del proyecto en lugar de borrar todo el proyecto.

Si planeas explorar varias infraestructuras, instructivos y guías de inicio rápido la reutilización de proyectos puede ayudarte a evitar exceder los límites de las cuotas del proyecto.

1. En la consola de Google Cloud, ve a la página Administrar recursos.

   Ir a Administrar recursos

2. En la lista de proyectos, elige el proyecto que quieres borrar y haz clic en Borrar.
3. En el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar para borrar el proyecto.

Borra los recursos individuales

Si usaste un proyecto existente y no quieres borrarlo, borra los recursos individuales.

1. Navega a la carpeta gke-platform:

   cd ${TUTORIAL_HOME}/gke-platform
   

2. Inhabilita la protección contra la eliminación en el clúster y quita todos los recursos aprovisionados de Terraform. Ejecuta los siguientes comandos:

   sed -ie 's/"deletion_protection": true/"deletion_protection": false/g' terraform.tfstate
   terraform destroy --auto-approve
   

¿Qué sigue?

• Más información sobre las VMs G2 con las GPU L4 de NVIDIA
• Entrena un modelo con GPU en el modo GKE Standard