Halaman ini diterjemahkan oleh Cloud Translation API.

Menyajikan LLM menggunakan TPU multi-host di GKE dengan Saxml

Standard

Tutorial ini menunjukkan cara men-deploy dan menayangkan model bahasa besar (LLM) menggunakan node pool slice TPU multi-host di Google Kubernetes Engine (GKE) dengan Saxml untuk arsitektur yang skalabel dan efisien.

Latar belakang

Saxml adalah sistem eksperimental yang menayangkan framework Paxml, JAX, dan PyTorch. Anda dapat menggunakan TPU untuk mempercepat pemrosesan data dengan framework ini. Untuk mendemonstrasikan deployment TPU di GKE, tutorial ini menayangkan model pengujian LmCloudSpmd175B32Test sebesar 175B. GKE men-deploy model pengujian ini di dua node pool slice TPU v5e dengan topologi 4x8.

Untuk men-deploy model pengujian dengan benar, topologi TPU telah ditentukan berdasarkan ukuran model. Mengingat model 16 bit N miliar memerlukan memori sekitar 2 kali lipat (2xN) GB, model 175B LmCloudSpmd175B32Test memerlukan memori sekitar 350 GB. Chip TPU tunggal TPU v5e memiliki kapasitas 16 GB. Untuk mendukung 350 GB, GKE memerlukan 21 chip TPU v5e (350/16= 21). Berdasarkan pemetaan konfigurasi TPU, konfigurasi TPU yang tepat untuk tutorial ini adalah:

Jenis mesin: ct5lp-hightpu-4t
Topologi: 4x8 (32 jumlah TPU chip)

Memilih topologi TPU yang tepat untuk menayangkan model sangat penting saat men-deploy TPU di GKE. Untuk mempelajari lebih lanjut, lihat Merencanakan konfigurasi TPU.

Tujuan

Tutorial ini ditujukan untuk engineer MLOps atau DevOps atau administrator platform yang ingin menggunakan kemampuan orkestrasi GKE untuk menayangkan model data.

Tutorial ini membahas langkah-langkah berikut:

Siapkan lingkungan Anda dengan cluster GKE Standard. Cluster ini memiliki dua node pool slice TPU v5e dengan topologi 4x8.
Deploy Saxml. Saxml memerlukan server administrator, grup Pod yang berfungsi sebagai server model, server HTTP bawaan, dan load balancer.
Gunakan Saxml untuk menayangkan LLM.

Diagram berikut menunjukkan arsitektur yang diimplementasikan oleh tutorial berikut:

Arsitektur TPU multi-host di GKE. — **Gambar:** Contoh arsitektur TPU multi-host di GKE.

Sebelum memulai

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.

Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

Buka pemilih project

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

Aktifkan API yang diperlukan.

Mengaktifkan API

Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

Buka pemilih project

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

Aktifkan API yang diperlukan.

Mengaktifkan 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.
  Buka IAM
2. Pilih project.
3. Klik Berikan akses.
4. Di kolom New principals, masukkan ID pengguna Anda. Ini biasanya adalah alamat email untuk Akun Google.
5. Di daftar Pilih peran, pilih peran.
6. Untuk memberikan peran tambahan, klik Tambahkan peran lain, lalu tambahkan setiap peran tambahan.
7. Klik Simpan.

Pastikan project Anda memiliki kuota yang memadai untuk Cloud TPU di GKE.

Menyiapkan lingkungan

Di konsol Google Cloud, mulai instance Cloud Shell:
Buka Cloud Shell

Tetapkan variabel lingkungan default:

  gcloud config set project PROJECT_ID
  export PROJECT_ID=$(gcloud config get project)
  export REGION=COMPUTE_REGION
  export ZONE=COMPUTE_ZONE
  export GSBUCKET=PROJECT_ID-gke-bucket

Ganti nilai berikut:

PROJECT_ID: project ID Google Cloud Anda.
COMPUTE_REGION: Region Compute Engine.
COMPUTE_ZONE: Zona tempat ct5lp-hightpu-4t tersedia.

Membuat cluster GKE Standard

Gunakan Cloud Shell untuk melakukan hal berikut:

Buat cluster Standar yang menggunakan Workload Identity Federation for GKE:
```
gcloud container clusters create saxml \
    --zone=${ZONE} \
    --workload-pool=${PROJECT_ID}.svc.id.goog \
    --cluster-version=VERSION \
    --num-nodes=4
```
Ganti VERSION dengan nomor versi GKE. GKE mendukung TPU v5e pada versi 1.27.2-gke.2100 dan yang lebih baru. Untuk mengetahui informasi selengkapnya, lihat Ketersediaan TPU di GKE.

Pembuatan cluster mungkin memerlukan waktu beberapa menit.

Buat node pool pertama bernama tpu1:

gcloud container node-pools create tpu1 \
    --zone=${ZONE} \
    --num-nodes=8 \
    --machine-type=ct5lp-hightpu-4t \
    --tpu-topology=4x8 \
    --cluster=saxml

Buat node pool kedua bernama tpu2:

gcloud container node-pools create tpu2 \
    --zone=${ZONE} \
    --num-nodes=8 \
    --machine-type=ct5lp-hightpu-4t \
    --tpu-topology=4x8 \
    --cluster=saxml

Anda telah membuat resource berikut:

Cluster Standard dengan empat node CPU.
Dua node pool slice TPU v5e dengan topologi 4x8. Setiap node pool mewakili delapan node slice TPU dengan masing-masing 4 chip TPU.

Model 175B harus ditayangkan di slice TPU v5e multi-host dengan slice topologi 4x8 (minimal 32 chip TPU v5e).

Membuat bucket Cloud Storage

Buat bucket Cloud Storage untuk menyimpan konfigurasi server administrator Saxml. Server administrator yang berjalan secara berkala menyimpan statusnya dan detail model yang dipublikasikan.

Di Cloud Shell, jalankan perintah berikut:

gcloud storage buckets create gs://${GSBUCKET}

Mengonfigurasi akses workload menggunakan Workload Identity Federation for GKE

Tetapkan ServiceAccount Kubernetes ke aplikasi dan konfigurasikan ServiceAccount Kubernetes tersebut untuk bertindak sebagai akun layanan IAM.

Konfigurasi kubectl untuk berkomunikasi dengan cluster Anda:

gcloud container clusters get-credentials saxml --zone=${ZONE}

Buat Akun Layanan Kubernetes yang akan digunakan untuk aplikasi Anda:
```
kubectl create serviceaccount sax-sa --namespace default
```

Buat akun layanan IAM untuk aplikasi Anda:

gcloud iam service-accounts create sax-iam-sa

Tambahkan binding kebijakan IAM untuk akun layanan IAM Anda agar dapat membaca dan menulis ke Cloud Storage:

gcloud projects add-iam-policy-binding ${PROJECT_ID} \
  --member "serviceAccount:sax-iam-sa@${PROJECT_ID}.iam.gserviceaccount.com" \
  --role roles/storage.admin

Izinkan ServiceAccount Kubernetes untuk meniru identitas akun layanan IAM dengan menambahkan binding kebijakan IAM antara kedua akun layanan tersebut. Dengan binding ini, Akun Layanan Kubernetes dapat bertindak sebagai akun layanan IAM, sehingga Akun Layanan Kubernetes dapat membaca dan menulis ke Cloud Storage.
```
gcloud iam service-accounts add-iam-policy-binding sax-iam-sa@${PROJECT_ID}.iam.gserviceaccount.com \
  --role roles/iam.workloadIdentityUser \
  --member "serviceAccount:${PROJECT_ID}.svc.id.goog[default/sax-sa]"
```
Beri anotasi pada akun layanan Kubernetes dengan alamat email akun layanan IAM. Hal ini memungkinkan aplikasi contoh Anda mengetahui akun layanan mana yang akan digunakan untuk mengakses layanan Google Cloud. Jadi, saat menggunakan Library Klien Google API standar untuk mengakses layanan Google Cloud, aplikasi akan menggunakan akun layanan IAM tersebut.
```
kubectl annotate serviceaccount sax-sa \
  iam.gke.io/gcp-service-account=sax-iam-sa@${PROJECT_ID}.iam.gserviceaccount.com
```

Men-deploy Saxml

Di bagian ini, Anda akan men-deploy server administrator Saxml dan server model Saxml.

Men-deploy server administrator Saxml

Buat manifes sax-admin-server.yaml berikut:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: sax-admin-server
spec:
  replicas: 1
  selector:
    matchLabels:
      app: sax-admin-server
  template:
    metadata:
      labels:
        app: sax-admin-server
    spec:
      hostNetwork: false
      serviceAccountName: sax-sa
      containers:
      - name: sax-admin-server
        image: us-docker.pkg.dev/cloud-tpu-images/inference/sax-admin-server:v1.1.0
        securityContext:
          privileged: true
        ports:
        - containerPort: 10000
        env:
        - name: GSBUCKET
          value: BUCKET_NAME

Ganti BUCKET_NAME dengan nama bucket Cloud Storage Anda.

Terapkan manifes:
```
kubectl apply -f sax-admin-server.yaml
```

Pastikan Pod server administrator sudah aktif dan berjalan:

kubectl get deployment

Outputnya mirip dengan hal berikut ini:

NAME               READY   UP-TO-DATE   AVAILABLE   AGE
sax-admin-server   1/1     1            1           52s

Men-deploy server model Saxml

Beban kerja yang berjalan di slice TPU multi-host memerlukan ID jaringan yang stabil untuk setiap Pod guna menemukan peer di slice TPU yang sama. Untuk menentukan ID ini, gunakan IndexedJob, StatefulSet dengan Layanan headless atau JobSet yang otomatis membuat Layanan headless untuk semua Tugas yang termasuk dalam JobSet. Bagian berikut menunjukkan cara mengelola beberapa grup Pod server model dengan JobSet.

Instal JobSet v0.2.3 atau yang lebih baru.

kubectl apply --server-side -f https://github.com/kubernetes-sigs/jobset/releases/download/JOBSET_VERSION/manifests.yaml

Ganti JOBSET_VERSION dengan versi JobSet. Contoh, v0.2.3.

Validasi pengontrol JobSet berjalan di namespace jobset-system:

kubectl get pod -n jobset-system

Outputnya mirip dengan hal berikut ini:

NAME                                        READY   STATUS    RESTARTS   AGE
jobset-controller-manager-69449d86bc-hp5r6   2/2     Running   0          2m15s

Men-deploy dua server model di dua node pool slice TPU. Simpan manifes sax-model-server-set berikut:

apiVersion: jobset.x-k8s.io/v1alpha2
kind: JobSet
metadata:
  name: sax-model-server-set
  annotations:
    alpha.jobset.sigs.k8s.io/exclusive-topology: cloud.google.com/gke-nodepool
spec:
  failurePolicy:
    maxRestarts: 4
  replicatedJobs:
    - name: sax-model-server
      replicas: 2
      template:
        spec:
          parallelism: 8
          completions: 8
          backoffLimit: 0
          template:
            spec:
              serviceAccountName: sax-sa
              hostNetwork: true
              dnsPolicy: ClusterFirstWithHostNet
              nodeSelector:
                cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice
                cloud.google.com/gke-tpu-topology: 4x8
              containers:
              - name: sax-model-server
                image: us-docker.pkg.dev/cloud-tpu-images/inference/sax-model-server:v1.1.0
                args: ["--port=10001","--sax_cell=/sax/test", "--platform_chip=tpuv5e"]
                ports:
                - containerPort: 10001
                - containerPort: 8471
                securityContext:
                  privileged: true
                env:
                - name: SAX_ROOT
                  value: "gs://BUCKET_NAME/sax-root"
                - name: MEGASCALE_NUM_SLICES
                  value: ""
                resources:
                  requests:
                    google.com/tpu: 4
                  limits:
                    google.com/tpu: 4

Ganti BUCKET_NAME dengan nama bucket Cloud Storage Anda.

Dalam manifes ini:

replicas: 2 adalah jumlah replika Tugas. Setiap tugas mewakili server model. Oleh karena itu, grup yang terdiri dari 8 Pod.
parallelism: 8 dan completions: 8 sama dengan jumlah node di setiap node pool.
backoffLimit: 0 harus nol untuk menandai Tugas sebagai gagal jika ada Pod yang gagal.
ports.containerPort: 8471 adalah port default untuk komunikasi VM
name: MEGASCALE_NUM_SLICES menghapus variabel lingkungan karena GKE tidak menjalankan pelatihan Multislice.

Terapkan manifes:

kubectl apply -f sax-model-server-set.yaml

Verifikasi status Server Admin Saxml dan Pod Server Model:

kubectl get pods

Outputnya mirip dengan hal berikut ini:

NAME                                              READY   STATUS    RESTARTS   AGE
sax-admin-server-557c85f488-lnd5d                 1/1     Running   0          35h
sax-model-server-set-sax-model-server-0-0-nj4sm   1/1     Running   0          24m
sax-model-server-set-sax-model-server-0-1-sl8w4   1/1     Running   0          24m
sax-model-server-set-sax-model-server-0-2-hb4rk   1/1     Running   0          24m
sax-model-server-set-sax-model-server-0-3-qv67g   1/1     Running   0          24m
sax-model-server-set-sax-model-server-0-4-pzqz6   1/1     Running   0          24m
sax-model-server-set-sax-model-server-0-5-nm7mz   1/1     Running   0          24m
sax-model-server-set-sax-model-server-0-6-7br2x   1/1     Running   0          24m
sax-model-server-set-sax-model-server-0-7-4pw6z   1/1     Running   0          24m
sax-model-server-set-sax-model-server-1-0-8mlf5   1/1     Running   0          24m
sax-model-server-set-sax-model-server-1-1-h6z6w   1/1     Running   0          24m
sax-model-server-set-sax-model-server-1-2-jggtv   1/1     Running   0          24m
sax-model-server-set-sax-model-server-1-3-9v8kj   1/1     Running   0          24m
sax-model-server-set-sax-model-server-1-4-6vlb2   1/1     Running   0          24m
sax-model-server-set-sax-model-server-1-5-h689p   1/1     Running   0          24m
sax-model-server-set-sax-model-server-1-6-bgv5k   1/1     Running   0          24m
sax-model-server-set-sax-model-server-1-7-cd6gv   1/1     Running   0          24m

Dalam contoh ini, ada 16 penampung server model: sax-model-server-set-sax-model-server-0-0-nj4sm dan sax-model-server-set-sax-model-server-1-0-8mlf5 adalah dua server model utama di setiap grup.

Cluster Saxml Anda memiliki dua server model yang di-deploy di dua node pool slice TPU v5e dengan topologi 4x8.

Men-deploy Server HTTP Saxml dan load balancer

Gunakan image server HTTP image bawaan berikut. Simpan manifes sax-http.yaml berikut:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: sax-http
spec:
  replicas: 1
  selector:
    matchLabels:
      app: sax-http
  template:
    metadata:
      labels:
        app: sax-http
    spec:
      hostNetwork: false
      serviceAccountName: sax-sa
      containers:
      - name: sax-http
        image: us-docker.pkg.dev/cloud-tpu-images/inference/sax-http:v1.0.0
        ports:
        - containerPort: 8888
        env:
        - name: SAX_ROOT
          value: "gs://BUCKET_NAME/sax-root"
---
apiVersion: v1
kind: Service
metadata:
  name: sax-http-lb
spec:
  selector:
    app: sax-http
  ports:
  - protocol: TCP
    port: 8888
    targetPort: 8888
  type: LoadBalancer

Ganti BUCKET_NAME dengan nama bucket Cloud Storage Anda.

Terapkan manifes sax-http.yaml:
```
kubectl apply -f sax-http.yaml
```
Catatan: Anda dapat menggunakan server HTTP Anda sendiri yang dibuat untuk Saxml. Untuk mempelajari lebih lanjut, lihat Inferensi menggunakan Saxml dan Server HTTP.

Tunggu hingga penampung Server HTTP selesai dibuat:

kubectl get pods

Outputnya mirip dengan hal berikut ini:

NAME                                              READY   STATUS    RESTARTS   AGE
sax-admin-server-557c85f488-lnd5d                 1/1     Running   0          35h
sax-http-65d478d987-6q7zd                         1/1     Running   0          24m
sax-model-server-set-sax-model-server-0-0-nj4sm   1/1     Running   0          24m
...

Tunggu hingga Service memiliki alamat IP eksternal yang ditetapkan:

kubectl get svc

Outputnya mirip dengan hal berikut ini:

NAME           TYPE           CLUSTER-IP    EXTERNAL-IP   PORT(S)          AGE
sax-http-lb    LoadBalancer   10.48.11.80   10.182.0.87   8888:32674/TCP   7m36s

Menggunakan Saxml

Muat, deploy, dan tayangkan model di Saxml dalam slice multihost TPU v5e:

Memuat model

Ambil alamat IP load balancer untuk Saxml.

LB_IP=$(kubectl get svc sax-http-lb -o jsonpath='{.status.loadBalancer.ingress[*].ip}')
PORT="8888"

Muat model pengujian LmCloudSpmd175B di dua node pool slice TPU v5e:

curl --request POST \
--header "Content-type: application/json" \
-s ${LB_IP}:${PORT}/publish --data \
'{
    "model": "/sax/test/spmd",
    "model_path": "saxml.server.pax.lm.params.lm_cloud.LmCloudSpmd175B32Test",
    "checkpoint": "None",
    "replicas": 2
}'

Model pengujian tidak memiliki titik pemeriksaan yang disesuaikan, bobotnya dihasilkan secara acak. Pemuatan model dapat memerlukan waktu hingga 10 menit.

Outputnya mirip dengan hal berikut ini:

{
    "model": "/sax/test/spmd",
    "path": "saxml.server.pax.lm.params.lm_cloud.LmCloudSpmd175B32Test",
    "checkpoint": "None",
    "replicas": 2
}

Periksa kesiapan model:

kubectl logs sax-model-server-set-sax-model-server-0-0-nj4sm

Outputnya mirip dengan hal berikut ini:

...
loading completed.
Successfully loaded model for key: /sax/test/spmd

Model dimuat sepenuhnya.

Dapatkan informasi tentang model:

curl --request GET \
--header "Content-type: application/json" \
-s ${LB_IP}:${PORT}/listcell --data \
'{
    "model": "/sax/test/spmd"
}'

Outputnya mirip dengan hal berikut ini:

{
"model": "/sax/test/spmd",
"model_path": "saxml.server.pax.lm.params.lm_cloud.LmCloudSpmd175B32Test",
"checkpoint": "None",
"max_replicas": 2,
"active_replicas": 2
}

Menayangkan model

Menayangkan permintaan perintah:

curl --request POST \
--header "Content-type: application/json" \
-s ${LB_IP}:${PORT}/generate --data \
'{
  "model": "/sax/test/spmd",
  "query": "How many days are in a week?"
}'

Output menunjukkan contoh respons model. Respons ini mungkin tidak bermakna karena model pengujian memiliki bobot acak.

Membatalkan publikasi model

Jalankan perintah berikut untuk membatalkan publikasi model:

curl --request POST \
--header "Content-type: application/json" \
-s ${LB_IP}:${PORT}/unpublish --data \
'{
    "model": "/sax/test/spmd"
}'

Outputnya mirip dengan hal berikut ini:

{
  "model": "/sax/test/spmd"
}

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

Menghapus resource yang di-deploy

Hapus cluster yang Anda buat untuk tutorial ini:

gcloud container clusters delete saxml --zone ${ZONE}

Hapus akun layanan:

gcloud iam service-accounts delete sax-iam-sa@${PROJECT_ID}.iam.gserviceaccount.com

Hapus bucket Cloud Storage:
```
gcloud storage rm -r gs://${GSBUCKET}
```

Langkah selanjutnya

Pelajari versi TPU saat ini dengan arsitektur sistem Cloud TPU.
Pelajari TPU di GKE lebih lanjut.

Menyajikan LLM menggunakan TPU multi-host di GKE dengan Saxml

Latar belakang

Tujuan

Sebelum memulai

Check for the roles

Grant the roles

Menyiapkan lingkungan

Membuat cluster GKE Standard

Membuat bucket Cloud Storage

Mengonfigurasi akses workload menggunakan Workload Identity Federation for GKE

Men-deploy Saxml

Men-deploy server administrator Saxml

Men-deploy server model Saxml

Men-deploy Server HTTP Saxml dan load balancer

Menggunakan Saxml

Memuat model

Menayangkan model

Membatalkan publikasi model

Pembersihan

Menghapus resource yang di-deploy

Langkah selanjutnya