本指南将介绍如何通过 JetStream 和 MaxText 使用 Google Kubernetes Engine (GKE) 上的张量处理单元 (TPU) 应用 Gemma 大语言模型 (LLM)。在本指南中，您将 Gemma 7B 参数指令调优模型权重下载到 Cloud Storage，并使用运行 JetStream 的容器将其部署到 GKE Autopilot 或 Standard 集群上。
如果您在 JetStream 上部署模型时需要利用 Kubernetes 功能提供的可伸缩性、弹性和成本效益，那么本指南是一个很好的起点。
背景
您可以通过 JetStream 使用 GKE 中的 TPU 应用 Gemma，从而构建一个可直接用于生产环境的强大服务解决方案，该解决方案具备托管式 Kubernetes 的所有优势，包括经济高效的可伸缩性和更高的可用性。本部分介绍本教程中使用的关键技术。
Gemma
Gemma 是一组公开提供的轻量级生成式人工智能 (AI) 模型（根据开放许可发布）。这些 AI 模型可以在应用、硬件、移动设备或托管服务中运行。您可以使用 Gemma 模型生成文本，但也可以针对专门任务对这些模型进行调优。
如需了解详情，请参阅 Gemma 文档。
TPU
TPU 是 Google 定制开发的应用专用集成电路 (ASIC)，用于加速机器学习和使用 TensorFlow、PyTorch 和 JAX 等框架构建的 AI 模型。
使用 GKE 中的 TPU 之前，我们建议您完成以下学习路线：
- 了解 Cloud TPU 系统架构中的当前 TPU 版本可用性。
- 了解 GKE 中的 TPU。
本教程介绍如何应用 Gemma 7B 模型。GKE 在单主机 TPUv5e 节点上部署模型，并根据模型要求配置 TPU 拓扑，以低延迟提供提示。
JetStream
JetStream 是由 Google 开发的开源推理服务框架。JetStream 可以在 TPU 和 GPU 上实现高性能、高吞吐量和内存优化的推理。它提供高级性能优化（包括连续批处理和量化技术），以协助 LLM 部署。JetStream 支持 PyTorch/XLA 和 JAX TPU 服务，从而实现最佳性能。
如需详细了解这些优化，请参阅 JetStream PyTorch 和 JetStream MaxText 项目仓库。
MaxText
MaxText是一个高性能、可扩缩且适应性强的 JAX LLM 实现，基于如下开源 JAX 仓库构建：Flax、Orbax 和 Optax。MaxText 的仅解码器 LLM 实现是使用 Python 编写的。它大量利用 XLA 编译器来实现高性能，而无需构建自定义内核。
如需详细了解 MaxText 支持的最新模型和参数大小，请参阅 MaxtText 项目仓库。
目标
本教程适用于使用 JAX 的生成式 AI 客户、GKE 的新用户或现有用户、机器学习工程师、MLOps (DevOps) 工程师或是对使用 Kubernetes 容器编排功能应用 LLM 感兴趣的平台管理员。
本教程介绍以下步骤：
- 根据模型特征准备一个具有推荐 TPU 拓扑的 GKE Autopilot 或 Standard 集群。
- 在 GKE 上部署 JetStream 组件。
- 获取并发布 Gemma 7B 指令调优模型。
- 应用已发布的模型并与之互动。
架构
本部分介绍本教程中使用的 GKE 架构。该架构包括一个 GKE Autopilot 或 Standard 集群，该集群用于预配 TPU 和托管 JetStream 组件以部署和应用模型。
下图展示了此架构的组件：
此架构包括以下组件：
- GKE Autopilot 或 Standard 区域级集群。
- 两个托管 JetStream 部署的单主机 TPU 切片节点池。
- Service 组件将入站流量分布到所有
JetStream HTTP副本。 JetStream HTTP是一个 HTTP 服务器，它接受封装容器形式的 JetStream 所需格式的请求并将其发送到 JetStream 的 GRPC 客户端。Maxengine是一个 JetStream 服务器，该服务器通过连续批处理执行推断。
准备工作
- 登录您的 Google Cloud 账号。如果您是 Google Cloud 新手，请创建一个账号来评估我们的产品在实际场景中的表现。新客户还可获享 $300 赠金，用于运行、测试和部署工作负载。
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Enable the required API.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Enable the required API.
-
Make sure that you have the following role or roles on the project: roles/container.admin, roles/iam.serviceAccountAdmin
Check for the roles
-
In the Google Cloud console, go to the IAM page.
Go to IAM - Select the project.
-
In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.
- For all rows that specify or include you, check the Role colunn to see whether the list of roles includes the required roles.
Grant the roles
-
In the Google Cloud console, go to the IAM page.
前往 IAM - 选择项目。
- 点击 授予访问权限。
-
在新的主账号字段中，输入您的用户标识符。 这通常是 Google 账号的电子邮件地址。
- 在选择角色列表中，选择一个角色。
- 如需授予其他角色，请点击 添加其他角色，然后添加其他各个角色。
- 点击保存。
-
获取对模型的访问权限
如需访问 Gemma 模型以部署到 GKE，您必须先签署许可同意协议。
签署许可同意协议
您必须签署同意协议才能使用 Gemma。 请按照以下说明操作：
- 访问 Kaggle.com 上的 Gemma 模型同意页面。
- 如果您尚未登录 Kaggle，请进行登录。
- 点击申请访问权限。
- 在 Choose Account for Consent（选择进行同意的账号）部分中，选择 Verify via Kaggle Account（通过 Kaggle 账号验证），以使用您的 Kaggle 账号进行同意。
- 接受模型条款及条件。
生成一个访问令牌
如需通过 Kaggle 访问模型，您需要 Kaggle API 令牌。
如果您还没有令牌，请按照以下步骤生成新令牌：
- 在浏览器中，转到 Kaggle 设置。
- 在 API 部分下，点击 Create New Token（创建新令牌）。
系统将下载名为 kaggle.json 的文件。
准备环境
在本教程中，您将使用 Cloud Shell 来管理 Google Cloud 上托管的资源。Cloud Shell 预安装有本教程所需的软件，包括 kubectl 和 gcloud CLI。
如需使用 Cloud Shell 设置您的环境，请按照以下步骤操作：
在 Google Cloud 控制台中，点击 Google Cloud 控制台中的
激活 Cloud Shell 以启动 Cloud Shell 会话。此操作会在 Google Cloud 控制台的底部窗格中启动会话。设置默认环境变量：
gcloud config set project PROJECT_ID export PROJECT_ID=$(gcloud config get project) export CLUSTER_NAME=CLUSTER_NAME export BUCKET_NAME=BUCKET_NAME export REGION=REGION export LOCATION=LOCATION替换以下值：
- PROJECT_ID：您的 Google Cloud 项目 ID。
- CLUSTER_NAME：GKE 集群的名称。
- BUCKET_NAME：Cloud Storage 存储桶的名称。您无需指定
gs://前缀。 - REGION_NAME：GKE 集群、Cloud Storage 存储桶和 TPU 节点所在的区域。该区域包含可以使用 TPU v5e 机器类型的可用区（例如
us-west1、us-west4、us-central1、us-east1、us-east5或europe-west4）。 - （仅限标准集群）LOCATION：可以使用 TPU 资源的可用区（例如
us-west4-a）。对于 Autopilot 集群，您无需指定可用区，只需指定区域。
创建和配置 Google Cloud 资源
请按照以下说明创建所需的资源。
创建 GKE 集群
您可以在 GKE Autopilot 或 Standard 集群中的 TPU 上应用 Gemma。我们建议您使用 Autopilot 集群获得全托管式 Kubernetes 体验。如需选择最适合您的工作负载的 GKE 操作模式，请参阅选择 GKE 操作模式。
Autopilot
在 Cloud Shell 中，运行以下命令：
gcloud container clusters create-auto ${CLUSTER_NAME} \
--project=${PROJECT_ID} \
--region=${REGION} \
--release-channel=rapid \
--cluster-version=1.29
GKE 会根据所部署的工作负载的请求，创建具有所需 CPU 和 TPU 节点的 Autopilot 集群。
标准
创建使用适用于 GKE 的工作负载身份联合的区域级 GKE Standard 集群。
gcloud container clusters create ${CLUSTER_NAME} \ --enable-ip-alias \ --machine-type=e2-standard-4 \ --num-nodes=2 \ --release-channel=rapid \ --workload-pool=${PROJECT_ID}.svc.id.goog \ --location=${REGION}集群创建可能需要几分钟的时间。
运行以下命令来为集群创建节点池：
gcloud container node-pools create gemma-7b-tpu-nodepool \ --cluster=${CLUSTER_NAME} \ --machine-type=ct5lp-hightpu-8t \ --project=${PROJECT_ID} \ --num-nodes=2 \ --region=${REGION} \ --node-locations=${LOCATION}GKE 会创建一个具有
2x4拓扑和两个节点的 TPU v5e 节点池。
创建 Cloud Storage 存储桶
在 Cloud Shell 中，运行以下命令：
gcloud storage buckets create gs://${BUCKET_NAME} --location=${REGION}
这会创建一个 Cloud Storage 存储桶来存储您从 Kaggle 下载的模型文件。
将访问令牌上传到 Cloud Shell
在 Cloud Shell 中，您可以将 Kaggle API 令牌上传到 Google Cloud 项目：
- 在 Cloud Shell 中，点击 更多 > 上传。
- 选择“文件”，然后点击选择文件。
- 打开
kaggle.json文件。 - 点击上传。
为 Kaggle 凭据创建 Kubernetes Secret
在 Cloud Shell 中，执行以下操作：
配置
kubectl以与您的集群通信：gcloud container clusters get-credentials ${CLUSTER_NAME} --location=${REGION}创建一个 Secret 以存储 Kaggle 凭据：
kubectl create secret generic kaggle-secret \ --from-file=kaggle.json
使用适用于 GKE 的工作负载身份联合配置工作负载访问权限
为应用分配 Kubernetes ServiceAccount，并将该 Kubernetes ServiceAccount 配置为充当 IAM 服务账号。
为您的应用创建 IAM 服务账号：
gcloud iam service-accounts create wi-jetstream为您的 IAM 服务账号添加 IAM 政策绑定以管理 Cloud Storage：
gcloud projects add-iam-policy-binding ${PROJECT_ID} \ --member "serviceAccount:wi-jetstream@${PROJECT_ID}.iam.gserviceaccount.com" \ --role roles/storage.objectUser gcloud projects add-iam-policy-binding ${PROJECT_ID} \ --member "serviceAccount:wi-jetstream@${PROJECT_ID}.iam.gserviceaccount.com" \ --role roles/storage.insightsCollectorService通过在两个服务账号之间添加 IAM 政策绑定，允许 Kubernetes ServiceAccount 模拟 IAM 服务账号。此绑定允许 Kubernertes ServiceAccount 充当 IAM 服务账号：
gcloud iam service-accounts add-iam-policy-binding wi-jetstream@${PROJECT_ID}.iam.gserviceaccount.com \ --role roles/iam.workloadIdentityUser \ --member "serviceAccount:${PROJECT_ID}.svc.id.goog[default/default]"使用 IAM 服务账号的电子邮件地址为 Kubernetes 服务账号添加注解：
kubectl annotate serviceaccount default \ iam.gke.io/gcp-service-account=wi-jetstream@${PROJECT_ID}.iam.gserviceaccount.com
转换模型检查点
在本部分中，您将创建一个 Job 来执行以下操作：
- 从 Kaggle 下载基础 Orbax 检查点。
- 将检查点上传到 Cloud Storage 存储桶。
- 将检查点转换为与 MaxText 兼容的检查点。
- 取消扫描要用于传送的检查点。
部署模型检查点转换 Job
请按照以下说明下载并转换 Gemma 7B 模型检查点文件。
创建以下清单作为
job-7b.yaml。apiVersion: batch/v1 kind: Job metadata: name: data-loader-7b spec: ttlSecondsAfterFinished: 30 template: spec: restartPolicy: Never containers: - name: inference-checkpoint image: us-docker.pkg.dev/cloud-tpu-images/inference/inference-checkpoint:v0.2.2 args: - -b=BUCKET_NAME - -m=google/gemma/maxtext/7b-it/2 volumeMounts: - mountPath: "/kaggle/" name: kaggle-credentials readOnly: true resources: requests: google.com/tpu: 8 limits: google.com/tpu: 8 nodeSelector: cloud.google.com/gke-tpu-topology: 2x4 cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice volumes: - name: kaggle-credentials secret: defaultMode: 0400 secretName: kaggle-secret应用清单：
kubectl apply -f job-7b.yaml查看来自 Job 的日志：
kubectl logs -f jobs/data-loader-7bJob 完成后，输出类似于以下内容：
Successfully generated decode checkpoint at: gs://BUCKET_NAME/final/unscanned/gemma_7b-it/0/checkpoints/0/items + echo -e '\nCompleted unscanning checkpoint to gs://BUCKET_NAME/final/unscanned/gemma_7b-it/0/checkpoints/0/items' Completed unscanning checkpoint to gs://BUCKET_NAME/final/unscanned/gemma_7b-it/0/checkpoints/0/items
部署 JetStream
在本部分中，您将部署 JetStream 容器来应用 Gemma 模型。
请按照以下说明部署 Gemma 7B 指令调优模型。
创建以下
jetstream-gemma-deployment.yaml清单：apiVersion: apps/v1 kind: Deployment metadata: name: maxengine-server spec: replicas: 2 selector: matchLabels: app: maxengine-server template: metadata: labels: app: maxengine-server spec: nodeSelector: cloud.google.com/gke-tpu-topology: 2x4 cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice containers: - name: maxengine-server image: us-docker.pkg.dev/cloud-tpu-images/inference/maxengine-server:v0.2.2 args: - model_name=gemma-7b - tokenizer_path=assets/tokenizer.gemma - per_device_batch_size=4 - max_prefill_predict_length=1024 - max_target_length=2048 - async_checkpointing=false - ici_fsdp_parallelism=1 - ici_autoregressive_parallelism=-1 - ici_tensor_parallelism=1 - scan_layers=false - weight_dtype=bfloat16 - load_parameters_path=gs://BUCKET_NAME/final/unscanned/gemma_7b-it/0/checkpoints/0/items ports: - containerPort: 9000 resources: requests: google.com/tpu: 8 limits: google.com/tpu: 8 - name: jetstream-http image: us-docker.pkg.dev/cloud-tpu-images/inference/jetstream-http:v0.2.2 ports: - containerPort: 8000 --- apiVersion: v1 kind: Service metadata: name: jetstream-svc spec: selector: app: maxengine-server ports: - protocol: TCP name: jetstream-http port: 8000 targetPort: 8000 - protocol: TCP name: jetstream-grpc port: 9000 targetPort: 9000该清单设置以下关键属性：
tokenizer_path：模型词元化器的路径。load_parameters_path：Cloud Storage 存储桶中存储检查点的路径。per_device_batch_size：每个设备的解码批次大小，其中一个 TPU 芯片等于一个设备。max_prefill_predict_length：进行自动回归时预填充的最大长度。max_target_length：序列长度上限。model_name：模型名称 (gemma-7b)。ici_fsdp_parallelism：用于完全分片数据并行 (FSDP) 的分片数。ici_tensor_parallelism：用于张量并行的分片数。ici_autoregressive_parallelism：用于自动回归并行的分片数。scan_layers: 扫描层布尔值标志 (boolean)。weight_dtype：权重数据类型 (bfloat16)。
应用清单：
kubectl apply -f jetstream-gemma-deployment.yaml验证 Deployment：
kubectl get deployment输出类似于以下内容：
NAME READY UP-TO-DATE AVAILABLE AGE maxengine-server 2/2 2 2 ##s查看 HTTP 服务器日志以检查模型是否已加载和编译。服务器可能需要几分钟才能完成此操作。
kubectl logs deploy/maxengine-server -f -c jetstream-http输出类似于以下内容：
kubectl logs deploy/maxengine-server -f -c jetstream-http 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)查看 MaxEngine 日志并验证编译是否已完成。
kubectl logs deploy/maxengine-server -f -c maxengine-server输出类似于以下内容：
2024-03-29 17:09:08,047 - jax._src.dispatch - DEBUG - Finished XLA compilation of jit(initialize) in 0.26236414909362793 sec 2024-03-29 17:09:08,150 - root - INFO - ---------Generate params 0 loaded.---------
应用模型
在本部分中，您将与模型互动。
设置端口转发
您可以通过在上一步中创建的 ClusterIP Service 访问 JetStream Deployment。只能从集群内部访问 ClusterIP Service。因此，如需从集群外部访问该 Service，请完成以下步骤：
如需建立端口转发会话，请运行以下命令：
kubectl port-forward svc/jetstream-svc 8000:8000
使用 curl 与模型互动
通过打开新终端并运行以下命令，验证您是否可以访问 JetStream HTTP 服务器：
curl --request POST \ --header "Content-type: application/json" \ -s \ localhost:8000/generate \ --data \ '{ "prompt": "What are the top 5 programming languages", "max_tokens": 200 }'由于模型预热，初始请求可能需要几秒钟才能完成。 输出类似于以下内容：
{ "response": "\nfor data science in 2023?\n\n**1. Python:**\n- Widely used for data science due to its simplicity, readability, and extensive libraries for data wrangling, analysis, visualization, and machine learning.\n- Popular libraries include pandas, scikit-learn, and matplotlib.\n\n**2. R:**\n- Statistical programming language widely used for data analysis, visualization, and modeling.\n- Popular libraries include ggplot2, dplyr, and caret.\n\n**3. Java:**\n- Enterprise-grade language with strong performance and scalability.\n- Popular libraries include Spark, TensorFlow, and Weka.\n\n**4. C++:**\n- High-performance language often used for data analytics and machine learning models.\n- Popular libraries include TensorFlow, PyTorch, and OpenCV.\n\n**5. SQL:**\n- Relational database language essential for data wrangling and querying large datasets.\n- Popular tools" }
（可选）通过 Gradio 聊天界面与模型互动
在本部分中，您将构建一个网页聊天应用，可让您与指令调优模型互动。
Gradio 是一个 Python 库，它具有一个可为聊天机器人创建界面的 ChatInterface 封装容器。
部署聊天界面
在 Cloud Shell 中，将以下清单保存为
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:v1.0.3 resources: requests: cpu: "512m" memory: "512Mi" limits: cpu: "1" memory: "512Mi" env: - name: CONTEXT_PATH value: "/generate" - name: HOST value: "http://jetstream-http-svc:8000" - name: LLM_ENGINE value: "max" - name: MODEL_ID value: "gemma" - name: USER_PROMPT value: "<start_of_turn>user\nprompt<end_of_turn>\n" - name: SYSTEM_PROMPT value: "<start_of_turn>model\nprompt<end_of_turn>\n" ports: - containerPort: 7860 --- apiVersion: v1 kind: Service metadata: name: gradio spec: selector: app: gradio ports: - protocol: TCP port: 8080 targetPort: 7860 type: ClusterIP应用清单：
kubectl apply -f gradio.yaml等待部署成为可用状态：
kubectl wait --for=condition=Available --timeout=300s deployment/gradio
使用聊天界面
在 Cloud Shell 中，运行以下命令：
kubectl port-forward service/gradio 8080:8080这会创建从 Cloud Shell 到 Gradio 服务的端口转发。
点击 Cloud Shell 任务栏右上角的
网页预览按钮。点击在端口 8080 上预览。浏览器中会打开一个新的标签页。使用 Gradio 聊天界面与 Gemma 互动。添加提示，然后点击提交。
问题排查
- 如果您收到
Empty reply from server消息，则容器可能尚未完成模型数据下载。再次检查 Pod 的日志中是否包含Connected消息，该消息表明模型已准备好进行应用。 - 如果您看到
Connection refused，请验证您的端口转发已启用。
清理
为避免因本教程中使用的资源导致您的 Google Cloud 账号产生费用，请删除包含这些资源的项目，或者保留项目但删除各个资源。
删除已部署的资源
为避免系统因您在本指南中创建的资源而向您的 Google Cloud 账号收取费用，请运行以下命令并按照提示进行操作：
gcloud container clusters delete ${CLUSTER_NAME} --region=${REGION}
gcloud iam service-accounts delete wi-jetstream@PROJECT_ID.iam.gserviceaccount.com
gcloud storage rm --recursive gs://BUCKET_NAME
后续步骤
- 了解如何在 GKE 上运行 Gemma 模型，以及如何使用 GKE 平台编排功能运行经过优化的 AI/机器学习工作负载。
- 详细了解 GKE 中的 TPU。
- 探索 JetStream GitHub 仓库。
- 探索 Vertex AI Model Garden。