GKE에서 여러 GPU로 LLM 서빙

Autopilot Standard

이 튜토리얼에서는 Google Kubernetes Engine(GKE)에서 효율적이고 확장 가능한 추론을 위해 여러 GPU를 사용하여 대규모 언어 모델(LLM)을 제공하는 방법을 보여줍니다. 이 튜토리얼에서는 여러 L4 GPU를 사용하는 GKE 클러스터를 만들고 다음 모델을 서빙하도록 GKE 인프라를 준비합니다.

모델의 데이터 형식에 따라 GPU 수가 달라집니다. 이 튜토리얼에서 각 모델은 2개의 L4 GPU를 사용합니다. 자세한 내용은 GPU 양 계산을 참조하세요.

GKE에서 이 튜토리얼을 완료하기 전에 GKE의 GPU 정보를 알아보는 것이 좋습니다.

목표

이 튜토리얼은 LLM 서빙을 위해 GKE 조정 기능을 사용하려는 MLOps 또는 DevOps 엔지니어나 플랫폼 관리자를 대상으로 합니다.

이 튜토리얼은 다음 과정을 다룹니다.

클러스터 및 노드 풀 만들기
워크로드 준비
워크로드 배포
LLM 인터페이스와 상호작용

시작하기 전에

시작하기 전에 다음 태스크를 수행했는지 확인합니다.

Google Kubernetes Engine API를 사용 설정합니다.

Google Kubernetes Engine API 사용 설정

이 태스크에 Google Cloud CLI를 사용하려면 gcloud CLI를 설치한 후 초기화합니다. 이전에 gcloud CLI를 설치한 경우 gcloud components update를 실행하여 최신 버전을 가져옵니다.
참고: 기존 gcloud CLI 설치의 경우 compute/region 및 compute/zone 속성을 설정해야 합니다. 기본 위치를 설정하면 gcloud CLI에서 One of [--zone, --region] must be supplied: Please specify location과 같은 오류를 방지할 수 있습니다.

일부 모델에는 추가 요구사항이 있습니다. 다음 요구사항을 충족해야 합니다.
- Hugging Face의 모델에 액세스하려면 HuggingFace 토큰을 사용합니다.
- Mixtral 8x7b 모델의 경우 Mistral Mixtral 모델의 조건을 수락합니다.
- Llama 3 70b 모델의 경우 Meta Llama 모델의 활성 라이선스가 있는지 확인합니다.
경고: Llama 모델에 대한 액세스 및 승인을 받는 데 최대 3일이 걸릴 수 있습니다.

개발 환경 준비

Google Cloud 콘솔에서 Cloud Shell 인스턴스를 시작합니다.
Cloud Shell 열기
기본 환경 변수를 설정합니다.
```
gcloud config set project PROJECT_ID
export PROJECT_ID=$(gcloud config get project)
export REGION=us-central1
```
PROJECT_ID를 Google Cloud 프로젝트 ID로 바꿉니다.

참고: 튜토리얼 실행 과정에서 Cloud Shell 인스턴스가 연결 해제되면 이전 단계를 반복합니다.

GKE 클러스터 및 노드 풀 만들기

GPU를 활용하여 GKE Autopilot 또는 Standard 클러스터에서 LLM을 제공할 수 있습니다. 완전 관리형 Kubernetes 환경을 위해서는 Autopilot을 사용하는 것이 좋습니다. 워크로드에 가장 적합한 GKE 작업 모드를 선택하려면 GKE 작업 모드 선택을 참조하세요.

Autopilot

Cloud Shell에서 다음 명령어를 실행합니다.
```
gcloud container clusters create-auto l4-demo \
  --project=${PROJECT_ID} \
  --region=${REGION} \
  --release-channel=rapid
```
GKE는 배포된 워크로드의 요청에 따라 CPU 및 GPU 노드를 사용하여 Autopilot 클러스터를 만듭니다.

클러스터와 통신하도록 kubectl을 구성합니다.

gcloud container clusters get-credentials l4-demo --region=${REGION}

Standard

Cloud Shell에서 다음 명령어를 실행하여 GKE에 대해 워크로드 아이덴티티 제휴를 사용하는 Standard 클러스터를 만듭니다.
```
gcloud container clusters create l4-demo --location ${REGION} \
  --workload-pool ${PROJECT_ID}.svc.id.goog \
  --enable-image-streaming \
  --node-locations=$REGION-a \
  --workload-pool=${PROJECT_ID}.svc.id.goog \
  --machine-type n2d-standard-4 \
  --num-nodes 1 --min-nodes 1 --max-nodes 5 \
  --release-channel=rapid
```
참고: 선택한 리전에 따라 --node-locations 플래그를 조정해야 할 수 있습니다. us-central1 리전을 변경하는 경우 사용 가능한 L4 GPU 영역을 확인하세요.

클러스터 만들기는 몇 분 정도 걸릴 수 있습니다.
다음 명령어를 실행하여 클러스터에 대해 노드 풀을 만듭니다.
```
gcloud container node-pools create g2-standard-24 --cluster l4-demo \
  --accelerator type=nvidia-l4,count=2,gpu-driver-version=latest \
  --machine-type g2-standard-24 \
  --enable-autoscaling --enable-image-streaming \
  --num-nodes=0 --min-nodes=0 --max-nodes=3 \
  --node-locations $REGION-a,$REGION-c --region $REGION --spot
```
GKE는 LLM에 다음 리소스를 만듭니다.
- 공개 Google Kubernetes Engine(GKE) Standard 버전 클러스터
- g2-standard-24 머신 유형이 0개 노드로 축소된 노드 풀. 포드를 실행하여 GPU를 요청하기 전까지는 GPU 비용이 청구되지 않습니다. 이 노드 풀은 기본 표준 Compute Engine VM보다 저렴한 Spot VM을 프로비저닝하고 가용성을 보장하지 않습니다. 주문형 VM을 사용하려면 이 명령어와 text-generation-inference.yaml 구성의 cloud.google.com/gke-spot 노드 선택기에서 --spot 플래그를 삭제할 수 있습니다.

클러스터와 통신하도록 kubectl을 구성합니다.

gcloud container clusters get-credentials l4-demo --region=${REGION}

워크로드 준비

다음 섹션에서는 사용할 모델에 따라 워크로드를 설정하는 방법을 보여줍니다.

Llama 3 70b

기본 환경 변수를 설정합니다.
```
export HF_TOKEN=HUGGING_FACE_TOKEN
```
HUGGING_FACE_TOKEN을 HuggingFace 토큰으로 바꿉니다.

HuggingFace 토큰에 Kubernetes 보안 비밀을 만듭니다.

kubectl create secret generic l4-demo \
    --from-literal=HUGGING_FACE_TOKEN=${HF_TOKEN} \
    --dry-run=client -o yaml | kubectl apply -f -

다음 text-generation-inference.yaml 매니페스트를 만듭니다.

apiVersion: apps/v1
kind: Deployment
metadata:
  name: llm
spec:
  replicas: 1
  selector:
    matchLabels:
      app: llm
  template:
    metadata:
      labels:
        app: llm
    spec:
      containers:
      - name: llm
        image: ghcr.io/huggingface/text-generation-inference:2.0.4
        resources:
          requests:
            cpu: "10"
            memory: "60Gi"
            nvidia.com/gpu: "2"
          limits:
            cpu: "10"
            memory: "60Gi"
            nvidia.com/gpu: "2"
        env:
        - name: MODEL_ID
          value: meta-llama/Meta-Llama-3-70B-Instruct
        - name: NUM_SHARD
          value: "2"
        - name: MAX_INPUT_TOKENS
          value: "2048"
        - name: PORT
          value: "8080"
        - name: QUANTIZE
          value: bitsandbytes-nf4
        - name: HUGGING_FACE_HUB_TOKEN
          valueFrom:
            secretKeyRef:
              name: l4-demo
              key: HUGGING_FACE_TOKEN
        volumeMounts:
          - mountPath: /dev/shm
            name: dshm
          - mountPath: /data
            name: ephemeral-volume
      volumes:
        - name: dshm
          emptyDir:
              medium: Memory
        - name: ephemeral-volume
          ephemeral:
            volumeClaimTemplate:
              metadata:
                labels:
                  type: ephemeral
              spec:
                accessModes: ["ReadWriteOnce"]
                storageClassName: "premium-rwo"
                resources:
                  requests:
                    storage: 150Gi
      nodeSelector:
        cloud.google.com/gke-accelerator: "nvidia-l4"
        cloud.google.com/gke-spot: "true"

이 매니페스트에서 각 항목은 다음을 수행합니다.

모델에 2개의 NVIDIA L4 GPU가 필요하므로 NUM_SHARD는 2여야 합니다.
QUANTIZE는 bitsandbytes-nf4로 설정됩니다. 즉, 모델이 32비트 대신 4비트에 로드됩니다. 이렇게 하면 GKE가 필요한 GPU 메모리 양을 줄이고 추론 속도를 개선할 수 있습니다. 하지만 모델 정확성이 떨어질 수 있습니다. 요청할 GPU를 계산하는 방법은 GPU 양 계산을 참조하세요.

매니페스트를 적용합니다.

kubectl apply -f text-generation-inference.yaml

출력은 다음과 비슷합니다.

deployment.apps/llm created

모델의 상태를 확인합니다.

kubectl get deploy

출력은 다음과 비슷합니다.

NAME          READY   UP-TO-DATE   AVAILABLE   AGE
llm           1/1     1            1           20m

실행 중인 배포의 로그를 봅니다.

kubectl logs -l app=llm

출력은 다음과 비슷합니다.

{"timestamp":"2024-03-09T05:08:14.751646Z","level":"INFO","message":"Warming up model","target":"text_generation_router","filename":"router/src/main.rs","line_number":291}
{"timestamp":"2024-03-09T05:08:19.961136Z","level":"INFO","message":"Setting max batch total tokens to 133696","target":"text_generation_router","filename":"router/src/main.rs","line_number":328}
{"timestamp":"2024-03-09T05:08:19.961164Z","level":"INFO","message":"Connected","target":"text_generation_router","filename":"router/src/main.rs","line_number":329}
{"timestamp":"2024-03-09T05:08:19.961171Z","level":"WARN","message":"Invalid hostname, defaulting to 0.0.0.0","target":"text_generation_router","filename":"router/src/main.rs","line_number":343}

Mixtral 8x7b

기본 환경 변수를 설정합니다.
```
export HF_TOKEN=HUGGING_FACE_TOKEN
```
HUGGING_FACE_TOKEN을 HuggingFace 토큰으로 바꿉니다.

HuggingFace 토큰에 Kubernetes 보안 비밀을 만듭니다.

kubectl create secret generic l4-demo \
    --from-literal=HUGGING_FACE_TOKEN=${HF_TOKEN} \
    --dry-run=client -o yaml | kubectl apply -f -

다음 text-generation-inference.yaml 매니페스트를 만듭니다.

apiVersion: apps/v1
kind: Deployment
metadata:
  name: llm
spec:
  replicas: 1
  selector:
    matchLabels:
      app: llm
  template:
    metadata:
      labels:
        app: llm
    spec:
      containers:
      - name: llm
        image: ghcr.io/huggingface/text-generation-inference:1.4.3
        resources:
          requests:
            cpu: "5"
            memory: "40Gi"
            nvidia.com/gpu: "2"
          limits:
            cpu: "5"
            memory: "40Gi"
            nvidia.com/gpu: "2"
        env:
        - name: MODEL_ID
          value: mistralai/Mixtral-8x7B-Instruct-v0.1
        - name: NUM_SHARD
          value: "2"
        - name: PORT
          value: "8080"
        - name: QUANTIZE
          value: bitsandbytes-nf4
        - name: HUGGING_FACE_HUB_TOKEN
          valueFrom:
            secretKeyRef:
              name: l4-demo
              key: HUGGING_FACE_TOKEN          
        volumeMounts:
          - mountPath: /dev/shm
            name: dshm
          - mountPath: /data
            name: ephemeral-volume
      volumes:
        - name: dshm
          emptyDir:
              medium: Memory
        - name: ephemeral-volume
          ephemeral:
            volumeClaimTemplate:
              metadata:
                labels:
                  type: ephemeral
              spec:
                accessModes: ["ReadWriteOnce"]
                storageClassName: "premium-rwo"
                resources:
                  requests:
                    storage: 100Gi
      nodeSelector:
        cloud.google.com/gke-accelerator: "nvidia-l4"
        cloud.google.com/gke-spot: "true"

이 매니페스트에서 각 항목은 다음을 수행합니다.

모델에 2개의 NVIDIA L4 GPU가 필요하므로 NUM_SHARD는 2여야 합니다.
QUANTIZE는 bitsandbytes-nf4로 설정됩니다. 즉, 모델이 32비트 대신 4비트에 로드됩니다. 이렇게 하면 GKE가 필요한 GPU 메모리 양을 줄이고 추론 속도를 개선할 수 있습니다. 하지만 모델 정확도가 줄어들 수 있습니다. 요청할 GPU를 계산하는 방법은 GPU 양 계산을 참조하세요.

매니페스트를 적용합니다.

kubectl apply -f text-generation-inference.yaml

출력은 다음과 비슷합니다.

deployment.apps/llm created

모델의 상태를 확인합니다.
```
watch kubectl get deploy
```
출력이 준비되면 다음과 비슷한 결과가 표시됩니다. 확인을 종료하려면 CTRL + C를 입력합니다.
```
NAME          READY   UP-TO-DATE   AVAILABLE   AGE
llm           1/1     1            1           10m
```

실행 중인 배포의 로그를 봅니다.

kubectl logs -l app=llm

출력은 다음과 비슷합니다.

{"timestamp":"2024-03-09T05:08:14.751646Z","level":"INFO","message":"Warming up model","target":"text_generation_router","filename":"router/src/main.rs","line_number":291}
{"timestamp":"2024-03-09T05:08:19.961136Z","level":"INFO","message":"Setting max batch total tokens to 133696","target":"text_generation_router","filename":"router/src/main.rs","line_number":328}
{"timestamp":"2024-03-09T05:08:19.961164Z","level":"INFO","message":"Connected","target":"text_generation_router","filename":"router/src/main.rs","line_number":329}
{"timestamp":"2024-03-09T05:08:19.961171Z","level":"WARN","message":"Invalid hostname, defaulting to 0.0.0.0","target":"text_generation_router","filename":"router/src/main.rs","line_number":343}

Falcon 40b

다음 text-generation-inference.yaml 매니페스트를 만듭니다.

apiVersion: apps/v1
kind: Deployment
metadata:
  name: llm
spec:
  replicas: 1
  selector:
    matchLabels:
      app: llm
  template:
    metadata:
      labels:
        app: llm
    spec:
      containers:
      - name: llm
        image: ghcr.io/huggingface/text-generation-inference:1.4.3
        resources:
          requests:
            cpu: "10"
            memory: "60Gi"
            nvidia.com/gpu: "2"
          limits:
            cpu: "10"
            memory: "60Gi"
            nvidia.com/gpu: "2"
        env:
        - name: MODEL_ID
          value: tiiuae/falcon-40b-instruct
        - name: NUM_SHARD
          value: "2"
        - name: PORT
          value: "8080"
        - name: QUANTIZE
          value: bitsandbytes-nf4
        volumeMounts:
          - mountPath: /dev/shm
            name: dshm
          - mountPath: /data
            name: ephemeral-volume
      volumes:
        - name: dshm
          emptyDir:
              medium: Memory
        - name: ephemeral-volume
          ephemeral:
            volumeClaimTemplate:
              metadata:
                labels:
                  type: ephemeral
              spec:
                accessModes: ["ReadWriteOnce"]
                storageClassName: "premium-rwo"
                resources:
                  requests:
                    storage: 175Gi
      nodeSelector:
        cloud.google.com/gke-accelerator: "nvidia-l4"
        cloud.google.com/gke-spot: "true"

이 매니페스트에서 각 항목은 다음을 수행합니다.

모델에 2개의 NVIDIA L4 GPU가 필요하므로 NUM_SHARD는 2여야 합니다.
QUANTIZE는 bitsandbytes-nf4로 설정됩니다. 즉, 모델이 32비트 대신 4비트에 로드됩니다. 이렇게 하면 GKE가 필요한 GPU 메모리 양을 줄이고 추론 속도를 개선할 수 있습니다. 하지만 모델 정확성이 떨어질 수 있습니다. 요청할 GPU를 계산하는 방법은 GPU 양 계산을 참조하세요.

매니페스트를 적용합니다.

kubectl apply -f text-generation-inference.yaml

출력은 다음과 비슷합니다.

deployment.apps/llm created

모델의 상태를 확인합니다.
```
watch kubectl get deploy
```
출력이 준비되면 다음과 비슷한 결과가 표시됩니다. 확인을 종료하려면 CTRL + C를 입력합니다.
```
NAME          READY   UP-TO-DATE   AVAILABLE   AGE
llm           1/1     1            1           10m
```

실행 중인 배포의 로그를 봅니다.

kubectl logs -l app=llm

출력은 다음과 비슷합니다.

{"timestamp":"2024-03-09T05:08:14.751646Z","level":"INFO","message":"Warming up model","target":"text_generation_router","filename":"router/src/main.rs","line_number":291}
{"timestamp":"2024-03-09T05:08:19.961136Z","level":"INFO","message":"Setting max batch total tokens to 133696","target":"text_generation_router","filename":"router/src/main.rs","line_number":328}
{"timestamp":"2024-03-09T05:08:19.961164Z","level":"INFO","message":"Connected","target":"text_generation_router","filename":"router/src/main.rs","line_number":329}
{"timestamp":"2024-03-09T05:08:19.961171Z","level":"WARN","message":"Invalid hostname, defaulting to 0.0.0.0","target":"text_generation_router","filename":"router/src/main.rs","line_number":343}

ClusterIP 유형의 서비스 만들기

다음 llm-service.yaml 매니페스트를 만듭니다.

apiVersion: v1
kind: Service
metadata:
  name: llm-service
spec:
  selector:
    app: llm
  type: ClusterIP
  ports:
    - protocol: TCP
      port: 80
      targetPort: 8080

매니페스트를 적용합니다.
```
kubectl apply -f llm-service.yaml
```

채팅 인터페이스 배포

Gradio를 사용하여 모델과 상호작용할 수 있는 웹 애플리케이션을 빌드합니다. Gradio는 챗봇용 사용자 인터페이스를 만드는 ChatInterface 래퍼가 있는 Python 라이브러리입니다.

Llama 3 70b

gradio.yaml이라는 파일을 만듭니다.

apiVersion: apps/v1
kind: Deployment
metadata:
  name: gradio
  labels:
    app: gradio
spec:
  strategy: 
    type: Recreate
  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://llm-service"
        - name: LLM_ENGINE
          value: "tgi"
        - name: MODEL_ID
          value: "meta-llama/Meta-Llama-3-70B-Instruct"
        - name: USER_PROMPT
          value: "<|begin_of_text|><|start_header_id|>user<|end_header_id|> prompt <|eot_id|><|start_header_id|>assistant<|end_header_id|>"
        - name: SYSTEM_PROMPT
          value: "prompt <|eot_id|>"
        ports:
        - containerPort: 7860
---
apiVersion: v1
kind: Service
metadata:
  name: gradio-service
spec:
  type: LoadBalancer
  selector:
    app: gradio
  ports:
  - port: 80
    targetPort: 7860

매니페스트를 적용합니다.
```
kubectl apply -f gradio.yaml
```

서비스의 외부 IP 주소를 찾습니다.

kubectl get svc

출력은 다음과 비슷합니다.

NAME             TYPE           CLUSTER-IP     EXTERNAL-IP     PORT(S)        AGE
gradio-service   LoadBalancer   10.24.29.197   34.172.115.35   80:30952/TCP   125m

EXTERNAL-IP 열에서 외부 IP 주소를 복사합니다.
외부 IP 주소와 노출된 포트를 사용하여 웹브라우저에서 모델 인터페이스를 확인합니다.
```
http://EXTERNAL_IP
```

Mixtral 8x7b

gradio.yaml이라는 파일을 만듭니다.

apiVersion: apps/v1
kind: Deployment
metadata:
  name: gradio
  labels:
    app: gradio
spec:
  strategy: 
    type: Recreate
  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
        resources:
          requests:
            cpu: "512m"
            memory: "512Mi"
          limits:
            cpu: "1"
            memory: "512Mi"
        env:
        - name: CONTEXT_PATH
          value: "/generate"
        - name: HOST
          value: "http://llm-service"
        - name: LLM_ENGINE
          value: "tgi"
        - name: MODEL_ID
          value: "mixtral-8x7b"
        - name: USER_PROMPT
          value: "[INST] prompt [/INST]"
        - name: SYSTEM_PROMPT
          value: "prompt"
        ports:
        - containerPort: 7860
---
apiVersion: v1
kind: Service
metadata:
  name: gradio-service
spec:
  type: LoadBalancer
  selector:
    app: gradio
  ports:
  - port: 80
    targetPort: 7860

매니페스트를 적용합니다.
```
kubectl apply -f gradio.yaml
```

서비스의 외부 IP 주소를 찾습니다.

kubectl get svc

출력은 다음과 비슷합니다.

NAME             TYPE           CLUSTER-IP     EXTERNAL-IP     PORT(S)        AGE
gradio-service   LoadBalancer   10.24.29.197   34.172.115.35   80:30952/TCP   125m

EXTERNAL-IP 열에서 외부 IP 주소를 복사합니다.
외부 IP 주소와 노출된 포트를 사용하여 웹브라우저에서 모델 인터페이스를 확인합니다.
```
http://EXTERNAL_IP
```

Falcon 40b

gradio.yaml이라는 파일을 만듭니다.

apiVersion: apps/v1
kind: Deployment
metadata:
  name: gradio
  labels:
    app: gradio
spec:
  strategy: 
    type: Recreate
  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
        resources:
          requests:
            cpu: "512m"
            memory: "512Mi"
          limits:
            cpu: "1"
            memory: "512Mi"
        env:
        - name: CONTEXT_PATH
          value: "/generate"
        - name: HOST
          value: "http://llm-service"
        - name: LLM_ENGINE
          value: "tgi"
        - name: MODEL_ID
          value: "falcon-40b-instruct"
        - name: USER_PROMPT
          value: "User: prompt"
        - name: SYSTEM_PROMPT
          value: "Assistant: prompt"
        ports:
        - containerPort: 7860
---
apiVersion: v1
kind: Service
metadata:
  name: gradio-service
spec:
  type: LoadBalancer
  selector:
    app: gradio
  ports:
  - port: 80
    targetPort: 7860

매니페스트를 적용합니다.
```
kubectl apply -f gradio.yaml
```

서비스의 외부 IP 주소를 찾습니다.

kubectl get svc

출력은 다음과 비슷합니다.

NAME             TYPE           CLUSTER-IP     EXTERNAL-IP     PORT(S)        AGE
gradio-service   LoadBalancer   10.24.29.197   34.172.115.35   80:30952/TCP   125m

EXTERNAL-IP 열에서 외부 IP 주소를 복사합니다.
외부 IP 주소와 노출된 포트를 사용하여 웹브라우저에서 모델 인터페이스를 확인합니다.
```
http://EXTERNAL_IP
```

GPU 양 계산

GPU 양은 QUANTIZE 플래그의 값에 따라 달라집니다. 이 튜토리얼에서는 QUANTIZE가 bitsandbytes-nf4로 설정됩니다. 즉, 모델이 4비트로 로드됩니다.

700억 개 매개변수 모델에는 700억 x 4비트(700억 x 4비트 = 35GB)에 해당하는 최소 40GB의 GPU 메모리가 필요하며 5GB의 오버헤드를 고려합니다. 이 경우 단일 L4 GPU에 충분한 메모리가 없습니다. 따라서 이 튜토리얼의 예시에서는 2개의 L4 GPU 메모리(2 x 24 = 48GB)를 사용합니다. 이 구성은 L4 GPU에서 Falcon 40b 또는 Llama 3 70b를 실행하는 데 충분합니다.

삭제

이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트를 유지하고 개별 리소스를 삭제하세요.

클러스터 삭제

이 가이드에서 만든 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 GKE 클러스터를 삭제합니다.

gcloud container clusters delete l4-demo --region ${REGION}

GKE에서 여러 GPU로 LLM 서빙

목표

시작하기 전에

개발 환경 준비

GKE 클러스터 및 노드 풀 만들기

Autopilot

Standard

워크로드 준비

Llama 3 70b

Mixtral 8x7b

Falcon 40b

ClusterIP 유형의 서비스 만들기

채팅 인터페이스 배포

Llama 3 70b

Mixtral 8x7b

Falcon 40b

GPU 양 계산

삭제

클러스터 삭제

다음 단계