Gestire un LLM con più GPU in GKE

Autopilot Standard

---

Questo tutorial mostra come eseguire il servizio di un modello linguistico di grandi dimensioni (LLM) con GPU in Google Kubernetes Engine (GKE) utilizzando più GPU per un'inferenza efficiente e scalabile. Questo tutorial crea un cluster GKE che utilizza più GPU L4 e prepara l'infrastruttura GKE per pubblicare uno dei seguenti modelli:

• Llama 3 70b
• Mixtral 8x7b
• Falcon 40b

Il numero di GPU varia a seconda del formato dei dati del modello. In questo tutorial, ogni modello utilizza due GPU L4. Per scoprire di più, consulta Calcolo del numero di GPU.

Prima di completare questo tutorial in GKE, ti consigliamo di scoprire di più sulle GPU in GKE.

Obiettivi

Questo tutorial è rivolto a DevOps o MLOps engineer o amministratori della piattaforma che vogliono utilizzare le funzionalità di orchestrazione di GKE per pubblicare LLM.

Questo tutorial illustra i seguenti passaggi:

1. Crea un cluster e pool di nodi.
2. Prepara il tuo carico di lavoro.
3. Esegui il deployment del carico di lavoro.
4. Interagisci con l'interfaccia LLM.

Prima di iniziare

Prima di iniziare, assicurati di aver eseguito le seguenti operazioni:

• Attiva l'API Google Kubernetes Engine.
Attiva l'API Google Kubernetes Engine
• Se vuoi utilizzare Google Cloud CLI per questa attività, installa e poi inizializza gcloud CLI. Se hai già installato gcloud CLI, ottieni la versione più recente eseguendo gcloud components update.
  Nota: per le installazioni esistenti di gcloud CLI, assicurati di impostare le proprietà compute/region e compute/zone. Se imposti le posizioni predefinite, puoi evitare errori in gcloud CLI come il seguente: One of [--zone, --region] must be supplied: Please specify location.

• Per alcuni modelli sono previsti requisiti aggiuntivi. Assicurati di soddisfare i seguenti requisiti:

  • Per accedere ai modelli di Hugging Face, utilizza un token HuggingFace.
  • Per il modello Mixtral 8x7b, accetta le condizioni per il modello Mistral Mixtral.
  • Per il modello Llama 3 70b, assicurati di disporre di una licenza attiva per i modelli Meta Llama.
  Avviso: l'accesso e l'approvazione per il modello Llama potrebbero richiedere fino a tre giorni.

prepara l'ambiente

1. Nella console Google Cloud, avvia un'istanza Cloud Shell:
   Apri Cloud Shell

2. Imposta le variabili di ambiente predefinite:

   gcloud config set project PROJECT_ID
   export PROJECT_ID=$(gcloud config get project)
   export REGION=us-central1
   

   Sostituisci PROJECT_ID con il tuo ID progetto Google Cloud.

   Nota: se l'istanza Cloud Shell si disconnette durante l'esecuzione del tutorial, ripeti il passaggio precedente.

Crea un cluster GKE e un pool di nodi

Puoi pubblicare LLM sulle GPU 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 di GKE più adatta ai tuoi carichi di lavoro, consulta Scegliere una modalità operativa GKE.

Autopilot

1. In Cloud Shell, esegui questo comando:

   gcloud container clusters create-auto l4-demo \
     --project=${PROJECT_ID} \
     --region=${REGION} \
     --release-channel=rapid
   

   GKE crea un cluster Autopilot con nodi CPU e GPU come richiesto dai carichi di lavoro di cui è stato eseguito il deployment.

2. Configura kubectl per comunicare con il cluster:

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

Standard

1. In Cloud Shell, esegui il seguente comando per creare un cluster standard che utilizza la federazione delle identità per i carichi di lavoro per GKE:

   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
   

   Nota: il flag --node-locations potrebbe dover essere modificato in base alla regione scelta. Controlla in quali zone sono disponibili le GPU L4 se cambi la regioneus-central1.

   La creazione del cluster potrebbe richiedere diversi minuti.

2. Esegui il comando seguente per creare un pool di nodi per il cluster:

   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
   

   GKE crea le seguenti risorse per l'LLM:

   • Un cluster pubblico Google Kubernetes Engine (GKE) versione Standard.
   • Un pool di nodi con tipo di macchina g2-standard-24 ridotto a 0 nodi. Non ti verrà addebitato alcun importo per le GPU finché non avvii i pod che richiedono GPU. Questo pool di nodi esegue il provisioning delle VM spot, il cui prezzo è inferiore rispetto alle VM Compute Engine standard predefinite e che non offrono alcuna garanzia di disponibilità. Per utilizzare le VM on demand, puoi rimuovere il flag --spot da questo comando e il selettore di nodi cloud.google.com/gke-spot nella configurazione text-generation-inference.yaml.

3. Configura kubectl per comunicare con il cluster:

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

Prepara il tuo carico di lavoro

La sezione seguente mostra come configurare il tuo carico di lavoro in base al modello che vuoi utilizzare:

Llama 3 70b

1. Imposta le variabili di ambiente predefinite:

   export HF_TOKEN=HUGGING_FACE_TOKEN
   

   Sostituisci HUGGING_FACE_TOKEN con il tuo token HuggingFace.

2. Crea un secret di Kubernetes per il token HuggingFace:

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

3. Crea il seguente manifest text-generation-inference.yaml:

   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: us-docker.pkg.dev/deeplearning-platform-release/gcr.io/huggingface-text-generation-inference-cu124.2-3.ubuntu2204.py311
           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"

   In questo manifest:

   • NUM_SHARD deve essere 2 perché il modello richiede due GPU NVIDIA L4.
   • QUANTIZE è impostato su bitsandbytes-nf4, il che significa che il modello viene caricato in 4 bit anziché in 32 bit. In questo modo, GKE può ridurre la quantità di memoria GPU necessaria e migliorare la velocità di inferenza. Tuttavia, l'accuratezza del modello può diminuire. Per scoprire come calcolare le GPU da richiedere, consulta Calcolo del numero di GPU.

4. Applica il manifest:

   kubectl apply -f text-generation-inference.yaml
   

   L'output è simile al seguente:

   deployment.apps/llm created
   

5. Verifica lo stato del modello:

   kubectl get deploy
   

   L'output è simile al seguente:

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

6. Visualizza i log del deployment in esecuzione:

   kubectl logs -l app=llm
   

   L'output è simile al seguente:

   {"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

1. Imposta le variabili di ambiente predefinite:

   export HF_TOKEN=HUGGING_FACE_TOKEN
   

   Sostituisci HUGGING_FACE_TOKEN con il tuo token HuggingFace.

2. Crea un secret di Kubernetes per il token HuggingFace:

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

3. Crea il seguente manifest text-generation-inference.yaml:

   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: us-docker.pkg.dev/deeplearning-platform-release/gcr.io/huggingface-text-generation-inference-cu124.2-3.ubuntu2204.py311
           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"

   In questo manifest:

   • NUM_SHARD deve essere 2 perché il modello richiede due GPU NVIDIA L4.
   • QUANTIZE è impostato su bitsandbytes-nf4, il che significa che il modello viene caricato in 4 bit anziché in 32 bit. In questo modo, GKE può ridurre la quantità di memoria GPU necessaria e migliorare la velocità di inferenza. Tuttavia, la precisione del modello potrebbe diminuire. Per scoprire come calcolare il numero di GPU da richiedere, consulta Calcolo del numero di GPU.

4. Applica il manifest:

   kubectl apply -f text-generation-inference.yaml
   

   L'output è simile al seguente:

   deployment.apps/llm created
   

5. Verifica lo stato del modello:

   watch kubectl get deploy
   

   Quando il deployment è pronto, l'output è simile al seguente. Per uscire dall'orologio, digita CTRL + C:

   NAME          READY   UP-TO-DATE   AVAILABLE   AGE
   llm           1/1     1            1           10m
   

6. Visualizza i log del deployment in esecuzione:

   kubectl logs -l app=llm
   

   L'output è simile al seguente:

   {"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

1. Crea il seguente manifest text-generation-inference.yaml:

   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: us-docker.pkg.dev/deeplearning-platform-release/gcr.io/huggingface-text-generation-inference-cu124.2-3.ubuntu2204.py311
           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"

   In questo manifest:

   • NUM_SHARD deve essere 2 perché il modello richiede due GPU NVIDIA L4.
   • QUANTIZE è impostato su bitsandbytes-nf4, il che significa che il modello viene caricato in 4 bit anziché in 32 bit. In questo modo, GKE può ridurre la quantità di memoria GPU necessaria e migliorare la velocità di inferenza. Tuttavia, l'accuratezza del modello può diminuire. Per scoprire come calcolare il numero di GPU da richiedere, consulta Calcolo del numero di GPU.

2. Applica il manifest:

   kubectl apply -f text-generation-inference.yaml
   

   L'output è simile al seguente:

   deployment.apps/llm created
   

3. Verifica lo stato del modello:

   watch kubectl get deploy
   

   Quando il deployment è pronto, l'output è simile al seguente. Per uscire dall'orologio, digita CTRL + C:

   NAME          READY   UP-TO-DATE   AVAILABLE   AGE
   llm           1/1     1            1           10m
   

4. Visualizza i log del deployment in esecuzione:

   kubectl logs -l app=llm
   

   L'output è simile al seguente:

   {"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}
   

Crea un servizio di tipo ClusterIP

1. Crea il seguente manifest llm-service.yaml:

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

2. Applica il manifest:

   kubectl apply -f llm-service.yaml
   

Esegui il deployment di un'interfaccia di chat

Utilizza Gradio per creare un'applicazione web che ti consenta di interagire con il tuo modello. Gradio è una libreria Python che ha un wrapper ChatInterface che crea interfacce utente per i chatbot.

Llama 3 70b

1. Crea un file denominato gradio.yaml:

   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

2. Applica il manifest:

   kubectl apply -f gradio.yaml
   

3. Trova l'indirizzo IP esterno del servizio:

   kubectl get svc
   

   L'output è simile al seguente:

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

4. Copia l'indirizzo IP esterno dalla colonna EXTERNAL-IP.

5. Visualizza l'interfaccia del modello dal browser web utilizzando l'indirizzo IP esterno con la porta esposta:

   http://EXTERNAL_IP
   

Mixtral 8x7b

1. Crea un file denominato gradio.yaml:

   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

2. Applica il manifest:

   kubectl apply -f gradio.yaml
   

3. Trova l'indirizzo IP esterno del servizio:

   kubectl get svc
   

   L'output è simile al seguente:

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

4. Copia l'indirizzo IP esterno dalla colonna EXTERNAL-IP.

5. Visualizza l'interfaccia del modello dal browser web utilizzando l'indirizzo IP esterno con la porta esposta:

   http://EXTERNAL_IP
   

Falcon 40b

1. Crea un file denominato gradio.yaml:

   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

2. Applica il manifest:

   kubectl apply -f gradio.yaml
   

3. Trova l'indirizzo IP esterno del servizio:

   kubectl get svc
   

   L'output è simile al seguente:

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

4. Copia l'indirizzo IP esterno dalla colonna EXTERNAL-IP.

5. Visualizza l'interfaccia del modello dal browser web utilizzando l'indirizzo IP esterno con la porta esposta:

   http://EXTERNAL_IP
   

Operazione riuscita: a questo punto hai eseguito il deployment di un LLM utilizzando GPU L4 in GKE.

Calcolo del numero di GPU

Il numero di GPU dipende dal valore del flag QUANTIZE. In questo tutorial, QUANTIZE è impostato su bitsandbytes-nf4, il che significa che il modello viene caricato in 4 bit.

Un modello con 70 miliardi di parametri richiederebbe almeno 40 GB di memoria GPU, ovvero 70 miliardi di volte 4 bit (70 miliardi x 4 bit= 35 GB) e considera un overhead di 5 GB. In questo caso, una singola GPU L4 non avrebbe memoria sufficiente. Pertanto, gli esempi in questo tutorial utilizzano due GPU L4 di memoria (2 x 24 = 48 GB). Questa configurazione è sufficiente per eseguire Falcon 40b o Llama 3 70b nelle GPU L4.

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 il cluster

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse che hai creato in questa guida, elimina il cluster GKE:

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

Passaggi successivi

• Scopri di più sulle VM G2 con GPU NVIDIA L4
• Addestrare un modello con GPU in modalità GKE Standard