Menyajikan LLM di GPU L4 dengan Ray

Autopilot Standard

Panduan ini menunjukkan cara menyajikan model bahasa besar (LLM) dengan framework Ray dalam mode Google Kubernetes Engine (GKE). Panduan ini ditujukan bagi engineer MLOps atau DevOps, atau administrator platform yang ingin menggunakan kemampuan orkestrasi GKE untuk menyajikan LLM.

Dalam panduan ini, Anda dapat menayangkan salah satu model berikut:

Sebelum menyelesaikan langkah-langkah berikut di GKE, sebaiknya Anda mempelajari artikel Tentang GPU di GKE.

Latar belakang

Framework Ray menyediakan platform AI/ML end-to-end untuk pelatihan, pelatihan yang mendetail, dan inferensi workload ML. Bergantung pada format data model, jumlah GPU bervariasi. Dalam panduan ini, setiap model menggunakan dua GPU L4. Untuk mempelajari lebih lanjut, lihat Menghitung jumlah GPU.

Panduan ini membahas langkah-langkah berikut:

Buat cluster Autopilot atau GKE Standar.
Deploy operator KubeRay.
Men-deploy resource kustom RayService untuk melayani LLM.

Sebelum memulai

Sebelum memulai, pastikan Anda telah menjalankan tugas berikut:

Aktifkan Google Kubernetes Engine API.

Aktifkan Google Kubernetes Engine API

Jika ingin menggunakan Google Cloud CLI untuk tugas ini, instal lalu initialize gcloud CLI. Jika sebelumnya Anda telah menginstal gcloud CLI, dapatkan versi terbaru dengan menjalankan gcloud components update.
Catatan: Untuk penginstalan gcloud CLI yang ada, pastikan untuk menyetel properti compute/region dan compute/zone. Dengan menyetel lokasi default, Anda dapat menghindari error di gcloud CLI yang seperti ini: One of [--zone, --region] must be supplied: Please specify location.

Jika ingin menggunakan model Llama 2, pastikan Anda memiliki hal berikut:
- Akses ke lisensi aktif untuk model Meta Llama.
- Token HuggingFace.
Peringatan: Mendapatkan akses dan persetujuan untuk model Llama mungkin memerlukan waktu hingga tiga hari.
Pastikan Anda memiliki kuota GPU di region us-central1. Untuk mempelajari lebih lanjut, lihat kuota GPU.

Menyiapkan lingkungan Anda

Di konsol Google Cloud, mulai instance Cloud Shell:
Buka Cloud Shell
Gandakan repositori sampel
```
git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples.git
cd kubernetes-engine-samples/ai-ml/gke-ray
export TUTORIAL_HOME=`pwd`
```
Repositori ini mencakup image container ray-llm bawaan yang memodelkan yang menyediakan berbagai jenis akselerator. Untuk panduan ini, Anda menggunakan GPU NVIDIA L4, sehingga spec.serveConfigV2 di RayService mengarah ke repositori yang berisi model yang menggunakan jenis akselerator L4.
Tetapkan variabel lingkungan default:
```
gcloud config set project PROJECT_ID
export PROJECT_ID=$(gcloud config get project)
export REGION=us-central1
```
Ganti PROJECT_ID dengan project ID Google Cloud Anda.

Catatan: Jika instance Cloud Shell Anda terputus selama eksekusi panduan, ulangi langkah sebelumnya.

Membuat cluster dan kumpulan node GPU

Anda dapat menyalurkan LLM pada GPU L4 dengan Ray di cluster GKE Autopilot atau Standard. Sebaiknya gunakan cluster Autopilot untuk pengalaman Kubernetes yang terkelola sepenuhnya, atau cluster Standar jika kasus penggunaan Anda memerlukan skalabilitas tinggi atau jika Anda ingin memiliki kontrol lebih besar atas konfigurasi cluster. Untuk memilih mode operasi GKE yang paling sesuai dengan workload Anda, lihat Memilih mode operasi GKE.

Gunakan Cloud Shell untuk melakukan hal berikut:

Buka folder gke-platform:

cd ${TUTORIAL_HOME}/gke-platform

Untuk cluster Autopilot, jalankan perintah berikut:

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

Untuk cluster Standar, jalankan perintah berikut:

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

Deploy cluster GKE dan node pool:
```
terraform init
terraform apply --auto-approve
```
Saat diinisialisasi, Terraform mencatat pesan progres. Di akhir output pesan, Anda akan melihat pesan bahwa Terraform berhasil diinisialisasi.

Setelah selesai, manifes Terraform akan men-deploy komponen berikut:
- Cluster GKE
- Kumpulan node CPU
- Kumpulan node GPU
- Operator KubeRay dengan Ray CustomResourceDefinitions (CRD)
Ambil kredensial cluster yang disediakan untuk digunakan oleh kubectl di bagian panduan berikutnya:
```
gcloud container clusters get-credentials ml-cluster --region us-central1
```
Buka folder rayserve:
```
cd ${TUTORIAL_HOME}/rayserve
```

Men-deploy model LLM

Dalam repositori yang di-clone, folder models menyertakan konfigurasi yang memuat model. Untuk ray-llm, konfigurasi untuk setiap model terdiri dari hal berikut:

Deployment: Konfigurasi Ray Serve
Mesin: Model Huggingface, parameter model, detail perintah
Penskalaan: Definisi resource Ray yang digunakan model
Konfigurasi tertentu per model

Dalam panduan ini, Anda menggunakan kuantisasi NormalFloat 4-bit (NF4), melalui transformator HuggingFace, untuk memuat LLM dengan jejak memori GPU yang lebih sedikit (dua GPU L4, yang berarti total memori GPU 48 GB). Pengurangan dari 16-bit ke 4-bit menurunkan presisi bobot model, tetapi memberikan fleksibilitas yang memungkinkan Anda menguji model yang lebih besar dan melihat apakah itu cukup untuk kasus penggunaan Anda. Untuk kuantisasi, kode contoh menggunakan library HuggingFace dan BitsAndBytesConfig untuk memuat versi terkuantisasi dari model parameter yang lebih besar, Falcon 40b dan Llama2 70b.

Bagian berikut menunjukkan cara menyiapkan workload Anda bergantung pada model yang ingin Anda gunakan:

Falcon 7b

Men-deploy RayService dan dependensi. Gunakan perintah yang sesuai dengan mode GKE yang Anda buat:

{i>Autopilot<i}:

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

Standar:

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

Pembuatan Pod cluster Ray mungkin memerlukan waktu beberapa menit untuk mencapai status Running.

Tunggu Pod head cluster Ray aktif dan berjalan.

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

Setelah Pod cluster Ray berjalan, Anda dapat memverifikasi status model:

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'"

Outputnya mirip dengan hal berikut ini:

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: ''

Jika kolom Status adalah RUNNING, berarti LLM Anda siap untuk melakukan chat.

Llama2 7b

Tetapkan variabel lingkungan default:
```
export HF_TOKEN=HUGGING_FACE_TOKEN
```
Ganti HUGGING_FACE_TOKEN dengan token HuggingFace Anda.

Buat rahasia Kubernetes untuk token HuggingFace:

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

Men-deploy RayService dan dependensi. Gunakan perintah yang sesuai dengan mode GKE yang Anda buat:
- {i>Autopilot<i}:
```
kubectl apply -f models/llama2-7b-chat-hf.yaml
kubectl apply -f ap_pvc-rayservice.yaml
kubectl apply -f ap_llama2-7b.yaml
```
Catatan: Cluster GKE Autopilot menggunakan PersistentVolumeClaim yang terpasang pada Ray worker untuk mempertahankan model.
- Standar:
```
kubectl apply -f models/llama2-7b-chat-hf.yaml
kubectl apply -f llama2-7b.yaml
```
Pembuatan Pod cluster Ray mungkin memerlukan waktu beberapa menit untuk mencapai status Running.

Tunggu Pod head cluster Ray aktif dan berjalan.

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

Setelah Pod cluster Ray berjalan, Anda dapat memverifikasi status model:

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'"

Outputnya mirip dengan hal berikut ini:

  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

Jika kolom Status adalah RUNNING, berarti LLM Anda siap untuk melakukan chat.

Falcon 40b

Men-deploy RayService dan dependensi. Gunakan perintah yang sesuai dengan mode GKE yang Anda buat:
- {i>Autopilot<i}:
```
kubectl apply -f models/quantized-model.yaml
kubectl apply -f ap_pvc-rayservice.yaml
kubectl apply -f ap_falcon-40b.yaml
```
- Standar:
```
kubectl apply -f models/quantized-model.yaml
kubectl apply -f falcon-40b.yaml
```
Pembuatan Pod cluster Ray mungkin memerlukan waktu beberapa menit untuk mencapai status Running.

Tunggu Pod head cluster Ray aktif dan berjalan.

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

Setelah Pod cluster Ray berjalan, Anda dapat memverifikasi status model:

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'"

Outputnya mirip dengan hal berikut ini:

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

Jika kolom Status adalah RUNNING, berarti LLM Anda siap untuk melakukan chat.

Llama2 70b

Tetapkan variabel lingkungan default:
```
export HF_TOKEN=HUGGING_FACE_TOKEN
```
Ganti HUGGING_FACE_TOKEN dengan token HuggingFace Anda.

Buat rahasia Kubernetes untuk token HuggingFace:

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

Men-deploy RayService dan dependensi. Gunakan perintah yang sesuai dengan mode GKE yang Anda buat:
- {i>Autopilot<i}:
```
kubectl apply -f models/quantized-model.yaml
kubectl apply -f ap_pvc-rayservice.yaml
kubectl apply -f ap_llama2-70b.yaml
```
- Standar:
```
kubectl apply -f models/quantized-model.yaml
kubectl apply -f llama2-70b.yaml
```
Pembuatan Pod cluster Ray mungkin memerlukan waktu beberapa menit untuk mencapai status Running.

Tunggu Pod head cluster Ray aktif dan berjalan.

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

Setelah Pod cluster Ray berjalan, Anda dapat memverifikasi status model:

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'"

Outputnya mirip dengan hal berikut ini:

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: ''

Jika kolom Status adalah RUNNING, berarti LLM Anda siap untuk melakukan chat.

Chat dengan model Anda

Untuk model Falcon 7b dan Llama2 7b, ray-llm mengimplementasikan spesifikasi chat OpenAI API. Model Falcon 40b dan Llama2 70b menggunakan ray-llm dan hanya mendukung pembuatan teks.

Falcon 7b

Siapkan penerusan port ke server inferensi:

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

Outputnya mirip dengan hal berikut ini:

Forwarding from 127.0.0.1:8000 -> 8000

Pada sesi terminal baru, gunakan curl untuk melakukan chat dengan model Anda:

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

Siapkan penerusan port ke server inferensi:

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

Outputnya mirip dengan hal berikut ini:

Forwarding from 127.0.0.1:8000 -> 8000

Pada sesi terminal baru, gunakan curl untuk melakukan chat dengan model Anda:

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

Siapkan penerusan port ke server inferensi:

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

Outputnya mirip dengan hal berikut ini:

Forwarding from 127.0.0.1:8000 -> 8000

Pada sesi terminal baru, gunakan curl untuk melakukan chat dengan model Anda:

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

Siapkan penerusan port ke server inferensi:

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

Outputnya mirip dengan hal berikut ini:

Forwarding from 127.0.0.1:8000 -> 8000

Pada sesi terminal baru, gunakan curl untuk melakukan chat dengan model Anda:

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."}'

Membuat dialog dengan model

Model yang Anda tampilkan tidak menyimpan histori apa pun, sehingga setiap pesan dan balasan harus dikirim kembali ke model untuk menciptakan ilusi dialog. Interaksi ini meningkatkan jumlah token yang Anda gunakan. Untuk membuat satu interaksi, buat dialog dengan model Anda. Anda dapat membuat dialog saat menggunakan Falcon 7b atau Llama2 7b:

Falcon 7b

Buat dialog dengan model menggunakan 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
}'

Outputnya mirip dengan hal berikut ini:

{
  "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

Buat dialog dengan model menggunakan 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
}'

Outputnya mirip dengan hal berikut ini:

{
  "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
  }
}

Men-deploy antarmuka chat

Jika ingin, Anda dapat menggunakan Gradio untuk membuat aplikasi web yang memungkinkan Anda berinteraksi dengan model Anda. Gradio adalah library Python yang memiliki wrapper ChatInterface yang membuat antarmuka pengguna untuk chatbot.

Falcon 7b

Buka manifes 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

Ganti value yang ditetapkan ke MODEL_ID dengan nilai tiiuae/falcon-7b-instruct:
```
...
- name: MODEL_ID
  value: "tiiuae/falcon-7b-instruct"
```
Terapkan manifes:
```
kubectl apply -f gradio.yaml
```

Temukan alamat IP eksternal Layanan:

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

Outputnya mirip dengan hal berikut ini:

Gradio URL: http://34.172.115.35

Load balancer mungkin memerlukan waktu beberapa menit untuk mendapatkan alamat IP eksternal.

Llama2 7b

Buka manifes 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

Pastikan value yang ditetapkan ke MODEL_ID adalah meta-llama/Llama-2-7b-chat-hf.
Terapkan manifes:
```
kubectl apply -f gradio.yaml
```

Temukan alamat IP eksternal Layanan:

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

Outputnya mirip dengan hal berikut ini:

Gradio URL: http://34.172.115.35

Load balancer mungkin memerlukan waktu beberapa menit untuk mendapatkan alamat IP eksternal.

Menghitung jumlah GPU

Jumlah GPU bergantung pada nilai konfigurasi bnb_4bit_quant_type. Dalam tutorial ini, Anda menetapkan bnb_4bit_quant_type ke nf4, yang berarti model dimuat dalam 4 bit.

Model parameter 70 miliar akan memerlukan minimal 40 GB memori GPU. Ini sama dengan 70 miliar dikali 4 bit (70 miliar x 4 bit= 35 GB) ditambah overhead 5 GB. Dalam hal ini, satu GPU L4 tidak akan memiliki cukup memori. Oleh karena itu, contoh dalam tutorial ini menggunakan dua memori GPU L4 (2 x 24 = 48 GB). Konfigurasi ini cukup untuk menjalankan Falcon 40b atau Llama 2 70b di GPU L4.

Menghapus project

Perhatian: Menghapus project memiliki efek berikut:

Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari berbagai arsitektur, tutorial, atau panduan memulai, menggunakan kembali project dapat membantu agar Anda tidak melampaui batas kuota project.

Di konsol Google Cloud, buka halaman Manage resource.
Buka Manage resource
Pada daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.

Menghapus resource satu per satu

Jika Anda telah menggunakan project yang sudah ada dan tidak ingin menghapusnya, hapus resource individual tersebut.

Buka folder gke-platform:
```
cd ${TUTORIAL_HOME}/gke-platform
```

Nonaktifkan perlindungan penghapusan pada cluster dan hapus semua resource terraform yang disediakan. Jalankan perintah berikut:

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

Menyajikan LLM di GPU L4 dengan Ray

Latar belakang

Sebelum memulai

Menyiapkan lingkungan Anda

Membuat cluster dan kumpulan node GPU

Men-deploy model LLM

Falcon 7b

Llama2 7b

Falcon 40b

Llama2 70b

Chat dengan model Anda

Falcon 7b

Llama2 7b

Falcon 40b

Llama2 70b

Membuat dialog dengan model

Falcon 7b

Llama2 7b

Men-deploy antarmuka chat

Falcon 7b

Llama2 7b

Menghitung jumlah GPU

Menghapus project

Menghapus resource satu per satu

Langkah selanjutnya