Questa pagina è stata tradotta dall'API Cloud Translation.

Gestisci un LLM su GPU L4 con Ray

Autopilot Standard

Questa guida mostra come gestire 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 qualsiasi dei seguenti modelli:

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

Contesto

Il framework Ray fornisce una piattaforma end-to-end di AI/ML per l'addestramento, l'addestramento e l'inferenza dei carichi di lavoro di machine learning. Ray Serve è un framework di Ray che puoi usare per gestire gli LLM popolari di Hugging Face.

Il numero di GPU varia a seconda del formato dei dati del modello. In questa guida, il tuo 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 un dialogo con gli LLM.

Prima di iniziare

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

Abilita l'API Google Kubernetes Engine.

Abilita l'API Google Kubernetes Engine

Se vuoi utilizzare Google Cloud CLI per questa attività, installa e quindi initialize 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 località predefinite, puoi evitare errori in gcloud CLI, come quelli che seguono: One of [--zone, --region] must be supplied: Please specify location.

Crea un account Hugging Face, 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, questa operazione viene concessa firmando un contratto e richiedendo l'accesso al proprietario del modello nella pagina del modello Hugging Face.
Assicurati di avere una quota GPU nella regione us-central1. Per scoprire di più, consulta la quota GPU.

prepara l'ambiente

Nella console Google Cloud, avvia un'istanza di 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 GKE da utilizzare. Deve essere 1.30.1 o una versione successiva.
- HUGGING_FACE_TOKEN: il tuo token di accesso a Hugging Face.

Crea un cluster con un pool di nodi GPU

Puoi gestire 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 invece 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 GKE più adatta ai tuoi carichi di lavoro, consulta Scegliere una modalità operativa di GKE.

Usa 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 Kubernetes per le credenziali di Hugging Face

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

Configura kubectl per comunicare con il tuo cluster:

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

Crea un secret Kubernetes che contiene il token 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 ha una directory per ogni modello che include una configurazione RayService. La configurazione di ogni modello include i seguenti componenti:

Deployment di Ray Serve: il deployment di Ray Serve, che include configurazione delle risorse e dipendenze di runtime.
Modello: l'ID modello di Hugging Face.
Cluster Ray: il cluster Ray sottostante e le risorse richieste per ogni componente, inclusi 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

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

Lama 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

Lama 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 le specifiche della chat dell'API OpenAI. Gli altri modelli supportano solo la generazione di testo, una tecnica che genera testo in base a un prompt.

Configura port forwarding

Imposta il port forwarding al server di inferenza:

Gemma 2B IT

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

Gemma 7B

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

Lama2 7B

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

Lama 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

Usa 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

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}'

Lama2 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
    }'

Lama 3 8B

In una nuova sessione del terminale:

curl http://localhost:8000/v1/chat/completions     -H "Content-Type: application/json"     -d '{
      "model": "meta-llama/Llama-3-8b-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
    }'

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 forniti non conservano alcuna cronologia, ogni messaggio e risposta devono essere inviati al modello per creare un'esperienza di dialogo interattiva. L'esempio seguente mostra come creare un dialogo interattivo utilizzando il modello Llama 3 8B:

Crea una finestra di 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) Connettersi all'interfaccia di chat

Puoi usare 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 le interfacce utente per i chatbot. Per Llama 2 7B e Llama 3 7B, hai installato Gradio durante il deployment del modello LLM.

Configura il port forwarding al servizio gradio:

kubectl port-forward service/gradio 8080:8080 &

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

Gestisci più modelli con il multiplexing dei modelli

Il multiplexing dei modelli è una tecnica utilizzata per fornire più modelli all'interno dello stesso cluster Ray. Puoi instradare il traffico a modelli specifici utilizzando le intestazioni delle richieste o il bilanciamento del carico.

In questo esempio, crei un'applicazione Ray Serve in multiplexing 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 di 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'intestazione serve_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 composizione dei modelli

La composizione dei modelli è una tecnica utilizzata per comporre più modelli in una singola applicazione. La composizione dei modelli consente di concatenare input e output in più LLM e 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 è il modello dell'assistente che risponde alle domande fornite nel prompt. Il secondo è il generatore di riassunti. L'output del modello dell'assistente è concatenato all'input del modello del generatore di riassunti. Il risultato finale è la versione riepilogativa della risposta del modello 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 in questo documento, quando lo elimini elimini anche qualsiasi altro 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 URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

Nella console Google Cloud, vai alla pagina Gestisci risorse.
Vai a Gestisci risorse
Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.

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 ottimizzati di AI/ML con le funzionalità di orchestrazione della piattaforma GKE.
Addestra un modello con GPU in modalità GKE Standard
Scopri come utilizzare RayServe su GKE, visualizzando il codice campione in GitHub.