在 GKE 上使用多個 GPU 微調 Gemma 開放式模型

本教學課程說明如何使用 Hugging Face 的 Transformers 程式庫，在 Google Kubernetes Engine (GKE) 上，透過繪圖處理單元 (GPU) 微調 Gemma 大型語言模型 (LLM) 系列的開放模型。微調是監督式學習程序，可透過新資料集更新預先訓練模型的參數，提升模型執行特定工作的能力。在本教學課程中，您會從 Hugging Face 下載 20 億參數的預先訓練 Gemma 系列模型，並在 GKE Autopilot 或 Standard 叢集上微調這些模型。

如果您需要代管型 Kubernetes 的精細控制、擴充性、復原能力、可攜性和成本效益，以便微調 LLM，這份指南是很好的入門資源。

最佳做法：

如果您需要統合式管理 AI 平台，以經濟實惠的方式快速建構及提供機器學習模型，請試用 Vertex AI 解決方案。

背景

在 GKE 上使用 GPU 和 Transformers 程式庫提供 Gemma 服務，即可導入可用於正式環境的穩固推論服務解決方案，同時享有代管型 Kubernetes 的所有優點，包括高效率的擴充能力和更高的可用性。本節說明本指南中使用的重要技術。

Gemma

Gemma 是一組開放式輕量級生成式人工智慧 (AI) 模型，以開放授權形式發布。這些 AI 模型可在應用程式、硬體、行動裝置或代管服務中執行。

本指南將介紹如何使用 Gemma 生成文字。您也可以調整這些模型，讓模型專門執行特定工作。

本文使用的資料集為 b-mc2/sql-create-context。

詳情請參閱 Gemma 說明文件。

GPU

GPU 可加速處理節點上執行的特定工作負載，例如機器學習和資料處理。GKE 提供各種機器類型選項，可供節點設定使用，包括搭載 NVIDIA H100、L4 和 A100 GPU 的機器類型。

在 GKE 中使用 GPU 前，建議先完成下列學習路徑：

1. 瞭解目前可用的 GPU 版本
2. 瞭解 GKE 中的 GPU

Hugging Face Transformers

您可以使用 Hugging Face 的 Transformers 程式庫，存取最先進的預先訓練模型。Transformers 程式庫可協助您減少完整模型訓練所需的時間、資源和運算成本。

在本教學課程中，您將使用 Hugging Face API 和工具下載及微調這些預先訓練模型。

取得模型存取權

如要存取 Gemma 模型並部署至 GKE，請先簽署授權同意聲明，然後產生 Hugging Face 存取權杖。

簽署授權同意聲明協議

您必須簽署同意聲明協議，才能使用 Gemma。請按照下列步驟操作：

1. 前往 Kaggle.com 的模型同意聲明頁面。
2. 使用 Hugging Face 帳戶驗證同意聲明。
3. 接受模型條款。

產生存取權杖

如要透過 Hugging Face 存取模型，必須提供 Hugging Face 權杖。

如要產生新權杖 (如果沒有)，請按照下列步驟操作：

1. 依序點選「Your Profile」(你的個人資料) >「Settings」(設定) >「Access Tokens」(存取權杖)。
2. 選取「New Token」。
3. 指定您選擇的名稱，以及至少 Write 的角色。
4. 選取「產生權杖」。
5. 將產生的權杖複製到剪貼簿。

準備環境

在本教學課程中，您將使用 Cloud Shell 管理Google Cloud上託管的資源。Cloud Shell 已預先安裝本教學課程所需的軟體，包括 kubectl 和 gcloud CLI。

如要使用 Cloud Shell 設定環境，請按照下列步驟操作：

1. 在 Google Cloud 控制台中，按一下Google Cloud 控制台中的「啟用 Cloud Shell」，啟動 Cloud Shell 工作階段。系統會在 Google Cloud 控制台的底部窗格啟動工作階段。

2. 設定預設環境變數：

   gcloud config set project PROJECT_ID
   export PROJECT_ID=$(gcloud config get project)
   export CONTROL_PLANE_LOCATION=CONTROL_PLANE_LOCATION
   export CLUSTER_NAME=CLUSTER_NAME
   export HF_TOKEN=HF_TOKEN
   export HF_PROFILE=HF_PROFILE
   

   替換下列值：

   • PROJECT_ID：您的 Google Cloud 專案 ID。
   • CONTROL_PLANE_LOCATION：叢集控制層的 Compute Engine 區域。提供支援您要使用加速器類型的區域，例如 L4 GPU 的 us-central1。
   • CLUSTER_NAME：叢集名稱。
   • HF_TOKEN：您先前產生的 Hugging Face 權杖。
   • HF_PROFILE：您先前建立的 Hugging Face 設定檔 ID。

3. 從 GitHub 複製程式碼範例存放區：

   git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples
   cd kubernetes-engine-samples/ai-ml/llm-finetuning-gemma
   

建立及設定 Google Cloud 資源

請按照下列指示建立必要資源。

建立 GKE 叢集和節點集區

您可以在 GKE Autopilot 或 Standard 叢集的 GPU 上提供 Gemma 服務。如要為工作負載選擇最合適的 GKE 作業模式，請參閱「選擇 GKE 作業模式」。

最佳做法：

使用 Autopilot 模式，享受全代管的 Kubernetes 服務。

Autopilot

在 Cloud Shell 中執行下列指令：

gcloud container clusters create-auto CLUSTER_NAME \
    --project=PROJECT_ID \
    --location=CONTROL_PLANE_LOCATION \
    --release-channel=rapid \
    --cluster-version=1.29

替換下列值：

• PROJECT_ID：您的 Google Cloud 專案 ID。
• CONTROL_PLANE_LOCATION：叢集控制層的 Compute Engine 區域。提供支援您要使用加速器類型的區域，例如 L4 GPU 的 us-central1。
• CLUSTER_NAME：叢集名稱。

GKE 會根據部署的工作負載要求，建立含 CPU 和 GPU 節點的 Autopilot 叢集。

標準

1. 在 Cloud Shell 中執行下列指令，建立 Standard 叢集：

   gcloud container clusters create CLUSTER_NAME \
       --project=PROJECT_ID \
       --location=CONTROL_PLANE_LOCATION \
       --workload-pool=PROJECT_ID.svc.id.goog \
       --release-channel=rapid \
       --num-nodes=1
   

   替換下列值：

   • PROJECT_ID：您的 Google Cloud 專案 ID。
   • CONTROL_PLANE_LOCATION：叢集控制層的 Compute Engine 區域。提供支援您要使用加速器類型的區域，例如 L4 GPU 的 us-central1。
   • CLUSTER_NAME：叢集名稱。

   建立叢集可能需要幾分鐘的時間。

2. 執行下列指令，為叢集建立節點集區：

   gcloud container node-pools create gpupool \
       --accelerator type=nvidia-l4,count=8,gpu-driver-version=latest \
       --project=PROJECT_ID \
       --location=CONTROL_PLANE_LOCATION \
       --node-locations=CONTROL_PLANE_LOCATION-a \
       --cluster=CLUSTER_NAME \
       --machine-type=g2-standard-96 \
       --num-nodes=1
   

   GKE 會為每個節點建立一個節點集區，內含兩個 L4 GPU。

為 Hugging Face 憑證建立 Kubernetes 密鑰

在 Cloud Shell 中執行下列操作：

1. 設定 kubectl 與叢集通訊：

   gcloud container clusters get-credentials CLUSTER_NAME \
       --location=CONTROL_PLANE_LOCATION
   

   替換下列值：

   • CONTROL_PLANE_LOCATION：叢集控制層的 Compute Engine區域。
   • CLUSTER_NAME：叢集名稱。

2. 建立包含 Hugging Face 權杖的 Kubernetes Secret：

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

   將 $HF_TOKEN 替換為您先前產生的 Hugging Face 權杖，或使用您設定的環境變數。

使用 Docker 和 Cloud Build 建立微調容器

這個容器會使用 PyTorch 和 Hugging Face Transformers 程式碼，微調現有的預先訓練 Gemma 模型。

1. 建立 Artifact Registry Docker 存放區：

   gcloud artifacts repositories create gemma \
       --project=PROJECT_ID \
       --repository-format=docker \
       --location=us \
       --description="Gemma Repo"
   

   將 PROJECT_ID 替換為專案 ID。 Google Cloud

2. 建構並推送映像檔：

   gcloud builds submit .
   

3. 匯出 IMAGE_URL，供本教學課程稍後使用。

   export IMAGE_URL=us-docker.pkg.dev/PROJECT_ID/gemma/finetune-gemma-gpu:1.0.0
   

在 GKE 上執行微調工作

在本節中，您將部署 Gemma 微調作業。Kubernetes 中的 Job 控制器會建立一或多個 Pod，並確保這些 Pod 成功執行特定工作。

1. 開啟 finetune.yaml 檔案。

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: finetune-job
     namespace: default
   spec:
     backoffLimit: 2
     template:
       metadata:
         annotations:
           kubectl.kubernetes.io/default-container: finetuner
       spec:
         terminationGracePeriodSeconds: 600
         containers:
         - name: finetuner
           image: $IMAGE_URL
           resources:
             limits:
               nvidia.com/gpu: "8"
           env:
           - name: MODEL_NAME
             value: "google/gemma-2b"
           - name: NEW_MODEL
             value: "gemma-2b-sql-finetuned"
           - name: LORA_R
             value: "8"
           - name: LORA_ALPHA
             value: "16"
           - name: TRAIN_BATCH_SIZE
             value: "1"
           - name: EVAL_BATCH_SIZE
             value: "2"
           - name: GRADIENT_ACCUMULATION_STEPS
             value: "2"
           - name: DATASET_LIMIT
             value: "1000"
           - name: MAX_SEQ_LENGTH
             value: "512"
           - name: LOGGING_STEPS
             value: "5"
           - name: HF_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-l4
         restartPolicy: OnFailure

2. 套用資訊清單來建立微調作業：

   envsubst < finetune.yaml | kubectl apply -f -
   

   這項指令會將資訊清單中的 IMAGE_URL 換成變數。

3. 執行下列指令來監控 Job：

   watch kubectl get pods
   

4. 執行下列指令，檢查工作記錄：

   kubectl logs job.batch/finetune-job -f
   

   Job 資源會下載模型資料，然後在所有八個 GPU 中微調模型。這項程序最多可能需要 20 分鐘的時間。

5. 作業完成後，請前往 Hugging Face 帳戶。Hugging Face 個人資料中會顯示名為「HF_PROFILE/gemma-2b-sql-finetuned」的新模型。

在 GKE 上提供微調模型

在本節中，您將部署 vLLM 容器來提供 Gemma 模型。本教學課程使用 Kubernetes Deployment 部署 vLLM 容器。Deployment 是 Kubernetes API 物件，可讓您執行多個 Pod 副本，並將這些副本分散到叢集中的節點。

1. 建立下列 serve-gemma.yaml 資訊清單：

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: vllm-gemma-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: gemma-server
     template:
       metadata:
         labels:
           app: gemma-server
           ai.gke.io/model: gemma-2b
           ai.gke.io/inference-server: vllm
           examples.ai.gke.io/source: user-guide
       spec:
         containers:
         - name: inference-server
           image: docker.io/vllm/vllm-openai:v0.10.0
           resources:
             requests:
               cpu: "2"
               memory: "7Gi"
               ephemeral-storage: "10Gi"
               nvidia.com/gpu: 1
             limits:
               cpu: "2"
               memory: "7Gi"
               ephemeral-storage: "10Gi"
               nvidia.com/gpu: 1
           command: ["python3", "-m", "vllm.entrypoints.openai.api_server"]
           args:
           - --model=$(MODEL_ID)
           - --tensor-parallel-size=1
           env:
           - name: LD_LIBRARY_PATH
             value: ${LD_LIBRARY_PATH}:/usr/local/nvidia/lib64
           - name: MODEL_ID
             value: google/gemma-2b
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
         volumes:
         - name: dshm
           emptyDir:
               medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-l4
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: llm-service
   spec:
     selector:
       app: gemma-server
     type: ClusterIP
     ports:
       - protocol: TCP
         port: 8000
         targetPort: 8000

2. 為新 MODEL_ID 建立環境變數：

   export MODEL_ID=HF_PROFILE/gemma-2b-sql-finetuned
   

   將 HF_PROFILE 替換為您先前建立的 Hugging Face 設定檔 ID。

3. 取代資訊清單中的 MODEL_ID：

   sed -i "s|google/gemma-2b|$MODEL_ID|g" serve-gemma.yaml
   

4. 套用資訊清單：

   kubectl apply -f serve-gemma.yaml
   

   叢集中的 Pod 會從 Hugging Face 下載模型權重，並啟動服務引擎。

5. 等待部署作業完成：

   kubectl wait --for=condition=Available --timeout=700s deployment/vllm-gemma-deployment
   

6. 查看執行中 Deployment 的記錄：

   kubectl logs -f -l app=gemma-server
   

部署資源會下載模型資料。這項程序會在幾分鐘內完成。輸出結果會與下列內容相似：

INFO 01-26 19:02:54 model_runner.py:689] Graph capturing finished in 4 secs.
INFO:     Started server process [1]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

請務必先完整下載模型，再繼續進行下一個部分。

提供模型

在本節中，您將與模型互動。

設定通訊埠轉送

模型部署完成後，請執行下列指令，設定模型通訊埠轉送：

kubectl port-forward service/llm-service 8000:8000

輸出結果會與下列內容相似：

Forwarding from 127.0.0.1:8000 -> 8000

使用 curl 與模型互動

在新的終端機工作階段中，使用 curl 與模型對話：

以下是 TGI 的指令範例：

USER_PROMPT="Question: What is the total number of attendees with age over 30 at kubecon eu? Context: CREATE TABLE attendees (name VARCHAR, age INTEGER, kubecon VARCHAR)"

curl -X POST http://localhost:8000/generate \
  -H "Content-Type: application/json" \
  -d @- <<EOF
{
    "prompt": "${USER_PROMPT}",
    "temperature": 0.1,
    "top_p": 1.0,
    "max_tokens": 24
}
EOF

以下輸出內容顯示模型回應的範例：

{"generated_text":" Answer: SELECT COUNT(age) FROM attendees WHERE age > 30 AND kubecon = 'eu'\n"}

視查詢內容而定，您可能需要變更 max_token 才能獲得更準確的結果。您也可以使用指令調整模型，獲得更優質的對話體驗。