Questa guida mostra come pubblicare un modello linguistico di grandi dimensioni (LLM) (LLM) utilizzando Tensor Processing Unit (TPU) su Google Kubernetes Engine (GKE) con Da JetStream a PyTorch. In questa guida, scarichi i pesi del modello in Cloud Storage ed esegui il loro deployment su un cluster GKE Autopilot o Standard utilizzando un contenitore che esegue JetStream.
Se hai bisogno di scalabilità, resilienza e costi contenuti offerti dalle funzionalità di Kubernetes durante il deployment JetStream, questa guida è un buon punto di partenza.
Questa guida è rivolta ai clienti di IA generativa che utilizzano PyTorch, nuovi per gli utenti esistenti di GKE, ML Engineer, MLOps (DevOps) engineer amministratori di piattaforma interessati all'utilizzo di container di orchestrazione per la distribuzione degli LLM.
Sfondo
Se pubblichi un modello LLM utilizzando TPU su GKE con JetStream, puoi creare una soluzione di pubblicazione solida e pronta per la produzione con tutti i vantaggi di Kubernetes gestito, tra cui economicità, scalabilità e maggiore disponibilità. Questa sezione descrive le tecnologie chiave usate in questo tutorial.
Informazioni sulle TPU
Le TPU sono circuiti integrati per applicazioni specifiche (ASIC) sviluppati da Google e utilizzati per accelerare i modelli di machine learning e IA creati utilizzando framework come TensorFlow, PyTorch e JAX.
Prima di utilizzare le TPU in GKE, ti consigliamo di completare il seguente percorso di apprendimento:
- Scopri di più sulla disponibilità attuale della versione di TPU con l'architettura di sistema Cloud TPU.
- Scopri di più sulle TPU in GKE.
Questo tutorial illustra la gestione di vari modelli LLM. GKE esegue il deployment del modello su nodi TPUv5e a host singolo con topologie TPU configurate in base ai requisiti del modello per la pubblicazione di prompt con bassa latenza.
Informazioni su JetStream
JetStream è un framework per il servizio di inferenza open source sviluppato da Google. JetStream consente l'inferenza ad alte prestazioni, elevata velocità in uscita e ottimizzata per la memoria su TPU e GPU. JetStream offre ottimizzazioni avanzate delle prestazioni, tra cui batch continui, Ottimizzazioni della cache dei valori chiave e tecniche di quantizzazione per facilitare i modelli LLM e deployment continuo. JetStream consente la pubblicazione di TPU PyTorch/XLA e JAX per ottenere prestazioni ottimali.
Raggruppamento continuo
Il batch continuo è una tecnica che raggruppa dinamicamente l'inferenza in entrata richieste in batch, riducendo la latenza e aumentando la velocità effettiva.
Quantizzazione della cache di valori KV
La quantizzazione della cache KV prevede la compressione della cache chiave-valore utilizzata nei meccanismi di attenzione, riducendo i requisiti di memoria.
Quantizzazione dei pesi Int8
La quantizzazione dei pesi Int8 riduce la precisione dei pesi del modello da valori in virgola mobile a 32 bit a interi a 8 bit, con un conseguente calcolo più rapido e un utilizzo ridotto della memoria.
Per scoprire di più su queste ottimizzazioni, consulta i repository dei progetti JetStream PyTorch e JetStream MaxText.
Informazioni su PyTorch
PyTorch è un framework di machine learning open source sviluppato da Meta e ora fa parte della Linux Foundation. PyTorch offre funzionalità di alto livello come il calcolo di tensori e le reti neurali profonde.
Obiettivi
- Prepara un cluster GKE Autopilot o Standard con la topologia TPU consigliata in base alle caratteristiche del modello.
- Esegui il deployment dei componenti JetStream su GKE.
- Recupera e pubblica il modello.
- Pubblica e interagisci con il modello pubblicato.
Architettura
Questa sezione descrive l'architettura di GKE utilizzata in questo tutorial. L'architettura include un motore GKE Autopilot Cluster standard che esegue il provisioning di TPU e ospita componenti JetStream per eseguire il deployment e distribuire i modelli.
Il seguente diagramma mostra i componenti di questa architettura:
Questa architettura include i seguenti componenti:
- Un cluster GKE Autopilot o Standard a livello di regione.
- Due pool di nodi di sezione TPU con host singolo che ospitano il deployment JetStream.
- Il componente Service distribuisce il traffico in entrata a tutte le repliche
JetStream HTTP
. JetStream HTTP
è un server HTTP che accetta le richieste come wrapper per il formato richiesto da JetStream e le invia al client GRPC di JetStream.JetStream-PyTorch
è un server JetStream che esegue l'inferenza con batch continui.
Prima di iniziare
- 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.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the required API.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your 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.
Vai a IAM - Seleziona il progetto.
- Fai clic su Concedi l'accesso.
-
Nel campo Nuove entità, inserisci il tuo identificatore utente. In genere si tratta dell'indirizzo email di un Account Google.
- Nell'elenco Seleziona un ruolo, seleziona un ruolo.
- Per concedere altri ruoli, fai clic su Aggiungi un altro ruolo e aggiungi ogni altro ruolo.
- Fai clic su Salva.
-
- Assicurati di avere una quota sufficiente per otto chip TPU v5e PodSlice Lite. In questo tutorial vengono utilizzate le istanze on demand.
- Crea un token Affetto, se non ne hai già uno.
Ottieni l'accesso al modello
Accedi a vari modelli su Hugging Face per il deployment in GKE
Gemma 7B-it
Per ottenere l'accesso al modello Gemma per il deployment in GKE, devi prima firmare il contratto di consenso per la licenza.
- Accedi alla pagina di consenso del modello Gemma su Hugging Face
- Se non l'hai ancora fatto, accedi a Hugging Face.
- Leggi e accetta i Termini e condizioni del modello.
Lama 3 8B
Per ottenere l'accesso al modello Llama 3 per il deployment su GKE, devi prima firmare il contratto di consenso per le licenze.
- Accedi alla pagina relativa al consenso del modello Lama 3 su Hugging Face
- Se non l'hai ancora fatto, accedi a Hugging Face.
- Leggi e accetta i Termini e condizioni del modello.
prepara l'ambiente
In questo tutorial utilizzerai Cloud Shell per gestire le risorse ospitate su Google Cloud. Cloud Shell include il software di cui avrai bisogno per questo tutorial, tra cui kubectl
e gcloud CLI.
Per configurare l'ambiente con Cloud Shell, segui questi passaggi:
Nella console Google Cloud, avvia una sessione di Cloud Shell facendo clic su Attiva Cloud Shell nella console Google Cloud. Viene avviata una sessione nella riquadro inferiore della console Google Cloud.
Imposta le variabili di ambiente predefinite:
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 export CLUSTER_VERSION=CLUSTER_VERSION
Sostituisci i seguenti valori:
PROJECT_ID
: il tuo ID progetto Google Cloud.CLUSTER_NAME
: il nome del tuo cluster GKE.BUCKET_NAME
: il nome del bucket Cloud Storage. Non è necessario specificare il prefissogs://
.REGION
: la regione in cui GKE cluster, il bucket Cloud Storage e i nodi TPU. La regione contiene zone in cui sono disponibili tipi di macchine TPU v5e (ad esempio,us-west1
,us-west4
,us-central1
,us-east1
,us-east5
oeurope-west4
). Per i cluster Autopilot, assicurati di disporre di risorse di zona TPU v5e sufficienti per la tua regione.- (Solo cluster standard)
LOCATION
: la zona in cui sono disponibili le risorse TPU (ad esempious-west4-a
). Per i cluster Autopilot, non è necessario specificare la zona, ma solo la regione. CLUSTER_VERSION
: la versione di GKE, che deve supportare il tipo di macchina che vuoi utilizzare. Tieni presente che la versione GKE predefinita potrebbe non avere disponibilità per la TPU di destinazione. Per un elenco delle versioni minime di GKE disponibili per tipo di macchina TPU, consulta Disponibilità TPU in GKE.
Creazione e configurazione delle risorse Google Cloud
Segui queste istruzioni per creare le risorse richieste.
Crea un cluster GKE
Puoi eseguire Gemma su TPU in un cluster GKE Autopilot o Standard. Ti consigliamo di utilizzare un cluster Autopilot per un'esperienza Kubernetes completamente gestita. Per scegliere la modalità operativa GKE più adatta ai tuoi carichi di lavoro, vedi Scegliere una modalità operativa di GKE.
Autopilot
Crea un cluster GKE Autopilot:
gcloud container clusters create-auto CLUSTER_NAME \
--project=PROJECT_ID \
--region=REGION \
--cluster-version=CLUSTER_VERSION
Standard
Crea un cluster GKE Standard a livello di regione che utilizza la Federazione delle identità per i carichi di lavoro per GKE:
gcloud container clusters create CLUSTER_NAME \ --enable-ip-alias \ --machine-type=e2-standard-4 \ --num-nodes=2 \ --cluster-version=CLUSTER_VERSION \ --workload-pool=PROJECT_ID.svc.id.goog \ --location=REGION
La creazione del cluster potrebbe richiedere diversi minuti.
Crea un pool di nodi TPU v5e con una topologia
2x4
e due nodi:gcloud container node-pools create tpu-nodepool \ --cluster=CLUSTER_NAME \ --machine-type=ct5lp-hightpu-8t \ --project=PROJECT_ID \ --num-nodes=2 \ --region=REGION \ --node-locations=LOCATION
Crea un bucket Cloud Storage
Crea un bucket Cloud Storage per archiviare il checkpoint convertito:
gcloud storage buckets create gs://BUCKET_NAME --location=REGION
Genera il token dell'interfaccia a riga di comando Hugging Face in Cloud Shell
Genera un nuovo token Abbracciamento se non ne hai già uno:
- Fai clic su Il tuo profilo > Impostazioni > Token di accesso.
- Fai clic su Nuovo token.
- Specifica un nome a tua scelta e un ruolo di almeno
Read
. - Fai clic su Generate a token (Genera un token).
- Modifica le autorizzazioni al token di accesso per avere accesso in lettura al repository Hugging Face del tuo modello.
- Copia il token generato negli appunti.
Crea un secret di Kubernetes per le credenziali di Hugging Face
In Cloud Shell, segui questi passaggi:
Configura
kubectl
in modo che comunichi con il tuo cluster:gcloud container clusters get-credentials CLUSTER_NAME --location=REGION
Crea un secret per archiviare le credenziali di Hugging Face:
kubectl create secret generic huggingface-secret \ --from-literal=HUGGINGFACE_TOKEN=HUGGINGFACE_TOKEN
Sostituisci
HUGGINGFACE_TOKEN
con il tuo token Hugging Face.
Configura l'accesso ai carichi di lavoro utilizzando la federazione delle identità per i carichi di lavoro per GKE
Assegnare un Account di servizio Kubernetes all'applicazione e configurare l'Account di servizio Kubernetes in modo che agisca come Account di servizio IAM.
Crea un account di servizio IAM per la tua applicazione:
gcloud iam service-accounts create wi-jetstream
Aggiungi un'associazione dei criteri IAM per il tuo account di servizio IAM a per gestire 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
Consenti all'account di servizio Kubernetes di simulare l'account di servizio IAM aggiungendo un'associazione dei criteri IAM tra i due account di servizio. Questa associazione consente all'account di servizio Kubernetes di agire come account di servizio IAM:
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]"
Annota l'account di servizio Kubernetes con l'indirizzo email dell'account di servizio IAM:
kubectl annotate serviceaccount default \ iam.gke.io/gcp-service-account=wi-jetstream@PROJECT_ID.iam.gserviceaccount.com
Converti i checkpoint del modello
In questa sezione crei un job per:
- Scarica il checkpoint di base da Hugging Face nella directory locale.
- Converti il checkpoint in un checkpoint compatibile con JetStream-Pytorch.
- Carica il checkpoint in un bucket Cloud Storage.
Esegui il deployment del job di conversione del checkpoint del modello
Gemma 7B-it
Scarica e converti i file di checkpoint del modello Gemma 7B:
Salva il seguente manifest come
job-checkpoint-converter.yaml
:
Llama 3 8B
Scarica e converti i file di checkpoint del modello Llama 3 8B:
Salva il seguente manifest come
job-checkpoint-converter.yaml
:
Sostituisci
BUCKET_NAME
con il tuo bucket Google Storage creato in precedenza:sed -i "s|BUCKET_NAME|BUCKET_NAME|g" job-checkpoint-converter.yaml
Applica il manifest:
kubectl apply -f job-checkpoint-converter.yaml
Attendi l'avvio dell'esecuzione del job da parte del pod che pianifica il job:
kubectl get pod -w
L'output sarà simile al seguente. L'operazione potrebbe richiedere alcuni minuti:
NAME READY STATUS RESTARTS AGE checkpoint-converter-abcd 0/1 ContainerCreating 0 28s checkpoint-converter-abcd 1/1 Running 0 51s
Per i cluster Autopilot, il provisioning delle risorse TPU richieste potrebbe richiedere alcuni minuti.
Verifica che il job sia stato completato visualizzando i relativi log:
kubectl logs -f jobs/checkpoint-converter
Una volta completato il job, l'output è simile al seguente:
Completed uploading converted checkpoint from local path /pt-ckpt/ to GSBucket gs://BUCKET_NAME/pytorch/<model_name>/final/bf16/"
Esegui il deployment di JetStream
Esegui il deployment del contenitore JetStream per pubblicare il modello:
Salva il seguente manifest come jetstream-pytorch-deployment.yaml
:
Gemma 7B-it
Lama 3 8B
Il file manifest imposta le seguenti proprietà chiave:
size
: le dimensioni del modello.model_name
: il nome del modello (gemma
,llama-3
).batch_size
: la dimensione del batch di decodifica per dispositivo, dove un chip TPU equivale a un dispositivo.max_cache_length
: lunghezza massima della cache kv.quantize_weights
: indica se il checkpoint è quantizzato.quantize_kv_cache
: indica se la cache KV è quantizzata.tokenizer_path
: il percorso del file del tokenizzatore del modello.checkpoint_path
: il percorso del checkpoint.
Sostituisci
BUCKET_NAME
con il tuo bucket Google Storage creato in precedenza:sed -i "s|BUCKET_NAME|BUCKET_NAME|g" jetstream-pytorch-deployment.yaml
Applica il manifest:
kubectl apply -f jetstream-pytorch-deployment.yaml
Verifica il deployment:
kubectl get deployment
L'output è simile al seguente:
NAME READY UP-TO-DATE AVAILABLE AGE jetstream-pytorch-server 2/2 2 2 ##s
Per i cluster Autopilot, potrebbero essere necessari alcuni minuti per il provisioning delle risorse TPU richieste.
Visualizza i log del server HTTP per verificare che il modello sia stato caricato e compilato. Il server potrebbe impiegare qualche minuto per completare questa operazione.
kubectl logs deploy/jetstream-pytorch-server -f -c jetstream-http
L'output è simile al seguente:
kubectl logs deploy/jetstream-pytorch-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)
Visualizza i log del server JetStream-PyTorch e verifica che la compilazione sia stata completata:
kubectl logs deploy/jetstream-pytorch-server -f -c jetstream-pytorch-server
L'output è simile al seguente:
Started jetstream_server.... 2024-04-12 04:33:37,128 - root - INFO - ---------Generate params 0 loaded.---------
Pubblica il modello
In questa sezione devi interagire con il modello.
Configura il port forwarding
Puoi accedere al deployment JetStream tramite il servizio ClusterIP che creato nel passaggio precedente. I servizi ClusterIP sono raggiungibili solo dall'interno del cluster. Pertanto, per accedere al servizio dall'esterno del cluster, completa i seguenti passaggi:
Per stabilire una sessione di inoltro di porte, esegui il seguente comando:
kubectl port-forward svc/jetstream-svc 8000:8000
Interagire con il modello utilizzando curl
Verifica di poter accedere al server HTTP JetStream aprendo un nuovo terminale ed eseguendo il seguente comando:
curl --request POST \ --header "Content-type: application/json" \ -s \ localhost:8000/generate \ --data \ '{ "prompt": "What are the top 5 programming languages", "max_tokens": 200 }'
Il completamento della richiesta iniziale può richiedere diversi secondi a causa del riscaldamento del modello. L'output è simile al seguente:
{ "response": " for data science in 2023?\n\n**1. Python:**\n- Widely used for data science due to its readability, extensive libraries (pandas, scikit-learn), and integration with other tools.\n- High demand for Python programmers in data science roles.\n\n**2. R:**\n- Popular choice for data analysis and visualization, particularly in academia and research.\n- Extensive libraries for statistical modeling and data wrangling.\n\n**3. Java:**\n- Enterprise-grade platform for data science, with strong performance and scalability.\n- Widely used in data mining and big data analytics.\n\n**4. SQL:**\n- Essential for data querying and manipulation, especially in relational databases.\n- Used for data analysis and visualization in various industries.\n\n**5. Scala:**\n- Scalable and efficient for big data processing and machine learning models.\n- Popular in data science for its parallelism and integration with Spark and Spark MLlib." }
Risoluzione dei problemi
- Se viene visualizzato il messaggio
Empty reply from server
, è possibile che il contenitore non abbia completato il download dei dati del modello. Controlla di nuovo nei log del pod il messaggioConnected
che indica che il modello è pronto per la pubblicazione. - Se vedi
Connection refused
, verifica che il port forwarding sia attivo.
Esegui la pulizia
Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.
Elimina le risorse di cui è stato eseguito il deployment
Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse creati in questa guida, esegui questi comandi e segui le istruzioni:
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
Passaggi successivi
- Scopri come eseguire modelli Gemma su GKE e come eseguire carichi di lavoro IA/ML ottimizzati con le funzionalità di orchestrazione della piattaforma GKE.
- Scopri di più sulle TPU in GKE.
- Esplora il repository GitHub di JetStream.
- Esplora Vertex AI Model Garden.