Entrega modelos de código abierto con TPUs en GKE con Optimum TPU

Estándar

En este instructivo, se muestra cómo entregar modelos de código abierto de modelos de lenguaje grandes (LLM) con unidades de procesamiento tensorial (TPU) en Google Kubernetes Engine (GKE) con el framework de entrega Optimum TPU desde Hugging Face. En este instructivo, debes descargar modelos de código abierto de Hugging Face y, luego, implementarlos en un clúster Standard de GKE con un contenedor que ejecute Optimum TPU.

Esta guía proporciona un punto de partida si necesitas el control detallado, la escalabilidad, la resiliencia, la portabilidad y la rentabilidad de Kubernetes administrado cuando implementas y entregas tus cargas de trabajo de IA/AA.

Este instructivo está dirigido a clientes de IA generativa en el ecosistema de Hugging Face, usuarios nuevos o existentes de GKE, ingenieros de AA, ingenieros de MLOps (DevOps) o administradores de plataformas interesados en usar las funciones de organización de contenedores de Kubernetes para entrega de LLM.

Recuerda que tienes varias opciones para la inferencia de LLM en Google Cloud, que abarcan ofertas como Vertex AI, GKE y Google Compute Engine, en las que puedes incorporar bibliotecas de publicación como JetStream, vLLM y otras ofertas de socios. Por ejemplo, puedes usar JetStream para obtener las optimizaciones más recientes del proyecto. Si prefieres las opciones de Hugging Face, puedes usar Optimum TPU.

Optimum TPU admite las siguientes funciones:

Procesamiento por lotes continuo
Transmisión de tokens
Búsqueda voraz y muestreo multinomial con transformadores

Objetivos

Prepara un clúster estándar de GKE con la topología de TPU recomendada según las características del modelo.
Implementa Optimum TPU en GKE.
Usa Optimum TPU para entregar los modelos compatibles a través de curl.

Antes de comenzar

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the required API.

Enable the API

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the required API.

Enable the API

Make sure that you have the following role or roles on the project: roles/container.admin, roles/iam.serviceAccountAdmin
Check for the roles
1. In the Google Cloud console, go to the IAM page.
  Go to IAM
2. Select the project.
3. In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.
4. For all rows that specify or include you, check the Role colunn to see whether the list of roles includes the required roles.
Grant the roles
1. In the Google Cloud console, go to the IAM page.
  Ir a IAM
2. Selecciona el proyecto.
3. Haz clic en Grant access.
4. En el campo Principales nuevas, ingresa tu identificador de usuario. Esta suele ser la dirección de correo electrónico de una Cuenta de Google.
5. En la lista Seleccionar un rol, elige un rol.
6. Para otorgar funciones adicionales, haz clic en Agregar otro rol y agrega cada rol adicional.
7. Haz clic en Guardar.

Crea una cuenta de Hugging Face, si todavía no la tienes.
Asegúrate de que tu proyecto tenga la cuota suficiente para Cloud TPU en GKE.

Prepare el entorno

En este instructivo, usarás Cloud Shell para administrar recursos alojados en Google Cloud. Cloud Shell tiene preinstalado el software que necesitarás para este instructivo, incluidos kubectl y la CLI de gcloud.

Para configurar tu entorno con Cloud Shell, sigue estos pasos:

En la consola de Google Cloud, haz clic en Activar Cloud Shell en la consola de Google Cloud para iniciar una sesión de Cloud Shell. Esto inicia una sesión en el panel inferior de la consola de Google Cloud.
Configura las variables de entorno predeterminadas:
```
gcloud config set project PROJECT_ID
export PROJECT_ID=$(gcloud config get project)
export CLUSTER_NAME=CLUSTER_NAME
export REGION=REGION_NAME
export ZONE=ZONE
```
Reemplaza los siguientes valores:
- PROJECT_ID: El ID del proyecto de Google Cloud.
- CLUSTER_NAME: Es el nombre del clúster de GKE.
- REGION_NAME: La región en la que se encuentran el clúster de GKE, el bucket de Cloud Storage y los nodos TPU. La región contiene zonas en las que los tipos de máquinas de TPU v5e están disponibles (por ejemplo, us-west1, us-west4, us-central1, us-east1, us-east5 o europe-west4).
- (Solo clúster estándar) ZONE: Es la zona en la que los recursos de TPU están disponibles (por ejemplo, us-west4-a). Para los clústeres en modo Autopilot, no necesitas especificar la zona, solo la región.

Clona el repositorio de Optimum TPU:

git clone https://github.com/huggingface/optimum-tpu.git

Obtén acceso al modelo

Puedes usar los modelos Gemma 2B o Llama3 8B. En este instructivo, se enfocan en estos dos modelos, pero Optimum TPU admite más modelos.

Gemma 2B

Para obtener acceso a los modelos de Gemma para la implementación en GKE, primero debes firmar el contrato de consentimiento de licencia y, luego, generar un token de acceso de Hugging Face.

Debes firmar el acuerdo de consentimiento para usar Gemma. Sigue estas instrucciones:

Accede a la página de consentimiento del modelo.
Verifica el consentimiento con tu cuenta de Hugging Face.
Acepta los términos del modelo.

Genera un token de acceso

Genera un nuevo token de Hugging Face si aún no tienes uno:

Haz clic en Tu perfil > Configuración > Tokens de acceso.
Haz clic en Token nuevo.
Especifica el nombre que desees y un rol de al menos Read.
Haz clic en Generar un token.
Copia el token generado al portapapeles.

Llama3 8B

Debes firmar el acuerdo de consentimiento para usar Llama3 8b en el repositorio de Hugging Face.

Genera un token de acceso

Genera un nuevo token de Hugging Face si aún no tienes uno:

Haz clic en Tu perfil > Configuración > Tokens de acceso.
Selecciona Token nuevo.
Especifica el nombre que desees y un rol de al menos Read.
Selecciona Genera un token.
Copia el token generado al portapapeles.

Cree un clúster de GKE

Crea un clúster estándar de GKE con 1 nodo de CPU:

gcloud container create CLUSTER_NAME \
    --project=PROJECT_ID \
    --num-nodes=1 \
    --location=ZONE

Crea un grupo de nodos TPU

Crea un grupo de nodos TPU v5e con 1 nodo y 8 chips:

gcloud container node-pools create tpunodepool \
    --location=ZONE \
    --num-nodes=1 \
    --machine-type=ct5lp-hightpu-8t \
    --cluster=CLUSTER_NAME

Configura kubectl para comunicarse con tu clúster:

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

Compile el contenedor

Ejecuta el siguiente comando para compilar la imagen:

cd optimum-tpu && make tpu-tgi

Envía la imagen al registro de Artifact Registry.

gcloud artifacts repositories create optimum-tpu --repository-format=docker --location=REGION_NAME && \
gcloud auth configure-docker REGION_NAME-docker.pkg.dev && \
docker image tag huggingface/optimum-tpu REGION_NAME-docker.pkg.dev/PROJECT_ID/optimum-tpu/tgi-tpu:latest && \
docker push REGION_NAME-docker.pkg.dev/PROJECT_ID/optimum-tpu/tgi-tpu:latest

Crea un secreto de Kubernetes para las credenciales de Hugging Face

Crea un Secret de Kubernetes que contenga el token de Hugging Face:

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

Implementa Optimum TPU

Implementa Optimum TPU:

Gemma 2B

Guarda el siguiente manifiesto como optimum-tpu-gemma-2b-2x4.yaml:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: tgi-tpu
spec:
  replicas: 1
  selector:
    matchLabels:
      app: tgi-tpu
  template:
    metadata:
      labels:
        app: tgi-tpu
    spec:
      nodeSelector:
        cloud.google.com/gke-tpu-topology: 2x4
        cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice
      containers:
      - name: tgi-tpu
        image: REGION_NAME-docker.pkg.dev/PROJECT_ID/optimum-tpu/tgi-tpu:latest
        args:
        - --model-id=google/gemma-2b
        - --max-concurrent-requests=4
        - --max-input-length=32
        - --max-total-tokens=64
        - --max-batch-size=1
        securityContext:
            privileged: true
        env:
          - name: HF_TOKEN
            valueFrom:
              secretKeyRef:
                name: hf-secret
                key: hf_api_token
        ports:
        - containerPort: 80
        resources:
          limits:
            google.com/tpu: 8
        livenessProbe:
          httpGet:
            path: /health
            port: 80
          initialDelaySeconds: 300
          periodSeconds: 120

---
apiVersion: v1
kind: Service
metadata:
  name: service
spec:
  selector:
    app: tgi-tpu
  ports:
    - name: http
      protocol: TCP
      port: 8080
      targetPort: 80

En este manifiesto, se describe una implementación de Optimum TPU con un balanceador de cargas interno en el puerto TCP 8080.

Aplica el manifiesto

kubectl apply -f optimum-tpu-gemma-2b-2x4.yaml

Llama3 8B

Guarda el siguiente manifiesto como optimum-tpu-llama3-8b-2x4.yaml

apiVersion: apps/v1
kind: Deployment
metadata:
  name: tgi-tpu
spec:
  replicas: 1
  selector:
    matchLabels:
      app: tgi-tpu
  template:
    metadata:
      labels:
        app: tgi-tpu
    spec:
      nodeSelector:
        cloud.google.com/gke-tpu-topology: 2x4
        cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice
      containers:
      - name: tgi-tpu
        image: REGION_NAME-docker.pkg.dev/PROJECT_ID/optimum-tpu/tgi-tpu:latest
        args:
        - --model-id=meta-llama/Meta-Llama-3-8B
        - --max-concurrent-requests=4
        - --max-input-length=32
        - --max-total-tokens=64
        - --max-batch-size=1
        env:
          - name: HF_TOKEN
            valueFrom:
              secretKeyRef:
                name: hf-secret
                key: hf_api_token
        ports:
        - containerPort: 80
        resources:
          limits:
            google.com/tpu: 8
        livenessProbe:
          httpGet:
            path: /health
            port: 80
          initialDelaySeconds: 300
          periodSeconds: 120
---
apiVersion: v1
kind: Service
metadata:
  name: service
spec:
  selector:
    app: tgi-tpu
  ports:
    - name: http
      protocol: TCP
      port: 8080
      targetPort: 80

En este manifiesto, se describe una implementación de Optimum TPU con un balanceador de cargas interno en el puerto TCP 8080.

Aplica el manifiesto

kubectl apply -f optimum-tpu-llama3-8b-2x4.yaml

Observa los registros de la implementación en ejecución:

kubectl logs -f -l app=tgi-tpu

El resultado debería ser similar al siguiente ejemplo:

2024-07-09T22:39:34.365472Z  WARN text_generation_router: router/src/main.rs:295: no pipeline tag found for model google/gemma-2b
2024-07-09T22:40:47.851405Z  INFO text_generation_router: router/src/main.rs:314: Warming up model
2024-07-09T22:40:54.559269Z  INFO text_generation_router: router/src/main.rs:351: Setting max batch total tokens to 64
2024-07-09T22:40:54.559291Z  INFO text_generation_router: router/src/main.rs:352: Connected
2024-07-09T22:40:54.559295Z  WARN text_generation_router: router/src/main.rs:366: Invalid hostname, defaulting to 0.0.0.0

Asegúrate de que el modelo se haya descargado por completo antes de continuar con la siguiente sección.

Entrega el modelo

Configura la redirección de puertos al modelo:

kubectl port-forward svc/service 8080:8080

Interactúa con el modelo con curl

Verifica tus modelos implementados:

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

curl 127.0.0.1:8080/generate     -X POST     -d '{"inputs":"What is Deep Learning?","parameters":{"max_new_tokens":40}}'     -H 'Content-Type: application/json'

El resultado debería ser similar al siguiente ejemplo:

{"generated_text":"\n\nDeep learning is a subset of machine learning that uses artificial neural networks to learn from data.\n\nArtificial neural networks are inspired by the way the human brain works. They are made up of multiple layers"}

Limpia

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

Borra los recursos implementados

Para evitar que se generen cargos en tu cuenta de Google Cloud por los recursos que creaste en esta guía, ejecuta el siguiente comando:

gcloud container clusters delete CLUSTER_NAME \
  --location=ZONE

¿Qué sigue?

Explora la documentación de Optimum TPU.
Descubre cómo puedes ejecutar modelos de Gemma en GKE y cómo ejecutar cargas de trabajo de IA/AA optimizadas con las funciones de organización de la plataforma de GKE.
Obtén más información sobre las TPU en GKE.

Entrega modelos de código abierto con TPUs en GKE con Optimum TPU

Objetivos

Antes de comenzar

Check for the roles

Grant the roles

Prepare el entorno

Obtén acceso al modelo

Gemma 2B

Firma el acuerdo de consentimiento de licencia

Genera un token de acceso

Llama3 8B

Genera un token de acceso

Cree un clúster de GKE

Crea un grupo de nodos TPU

Configura kubectl para comunicarse con tu clúster:

Compile el contenedor

Envía la imagen al registro de Artifact Registry.

Crea un secreto de Kubernetes para las credenciales de Hugging Face

Implementa Optimum TPU

Gemma 2B

Llama3 8B

Entrega el modelo

Interactúa con el modelo con curl

Limpia

Borra los recursos implementados

¿Qué sigue?