Se usó la API de Cloud Translation para traducir esta página.

Inferencia de JetStream MaxText en la VM de Cloud TPU v5e

JetStream es un motor de capacidad de procesamiento y memoria optimizado para inferencia de modelos de lenguaje grandes (LLM) en dispositivos XLA (TPU).

Antes de comenzar

Sigue los pasos que se indican en Administra recursos de TPU para crear una configuración de VM de TPU --accelerator-type como v5litepod-8 y conéctate a la VM de TPU.

Cómo configurar JetStream y MaxText

Descarga JetStream y el repositorio de MaxText de GitHub

   git clone -b jetstream-v0.2.2 https://github.com/google/maxtext.git
   git clone -b v0.2.2 https://github.com/google/JetStream.git

Cómo configurar MaxText

   # Create a python virtual environment
   sudo apt install python3.10-venv
   python -m venv .env
   source .env/bin/activate

   # Set up MaxText
   cd maxtext/
   bash setup.sh

Convertir puntos de control del modelo

Puedes ejecutar el servidor JetStream MaxText con modelos Gemma o Llama2. En esta sección, se describe cómo ejecutar el servidor MaxText de JetStream con varios tamaños de estos modelos.

Usar un punto de control del modelo Gemma

Descarga un punto de control de Gemma desde Kaggle.

Copia el punto de control en tu bucket de Cloud Storage

    # Set YOUR_CKPT_PATH to the path to the checkpoints
    # Set CHKPT_BUCKET to the Cloud Storage bucket where you copied the checkpoints
    gsutil -m cp -r ${YOUR_CKPT_PATH} ${CHKPT_BUCKET}

Para ver un ejemplo que incluya valores para ${YOUR_CKPT_PATH} y ${CHKPT_BUCKET}, consulta la secuencia de comandos de conversiones.

Convertir el punto de control de Gemma en un punto de control no analizado compatible con MaxText
```
   # For gemma-7b
   bash ../JetStream/jetstream/tools/maxtext/model_ckpt_conversion.sh gemma 7b ${CHKPT_BUCKET}
```
Nota: Para obtener más información sobre el modelo de Gemma y los puntos de control, consulta Acerca de Gemma.

Usar un punto de control del modelo Llama2

Descarga un punto de control de Llama2 de la comunidad de código abierto o usa uno que hayas generado.
Copia los puntos de control en tu bucket de Cloud Storage.
```
   gsutil -m cp -r ${YOUR_CKPT_PATH} ${CHKPT_BUCKET}
```
Para ver un ejemplo que incluye valores para ${YOUR_CKPT_PATH} y ${CHKPT_BUCKET}, consulta la secuencia de comandos de conversión.

Convierte el punto de control de Llama2 en un punto de control no analizado compatible con MaxText.

   # For llama2-7b
   bash ../JetStream/jetstream/tools/maxtext/model_ckpt_conversion.sh llama2 7b ${CHKPT_BUCKET}

   # For llama2-13b
  bash ../JetStream/jetstream/tools/maxtext/model_ckpt_conversion.sh llama2 13b ${CHKPT_BUCKET}

Ejecuta el servidor MaxText de JetStream

En esta sección, se describe cómo ejecutar el servidor de MaxText mediante un punto de control compatible con ese servicio.

Configura las variables de entorno para el servidor MaxText

Exporta las siguientes variables de entorno según el modelo que usas. Usa el valor de UNSCANNED_CKPT_PATH del resultado de model_ckpt_conversion.sh.

Crear variables de entorno de Gemma-7b para las marcas del servidor

Configura las marcas del servidor de JetStream MaxText.

export TOKENIZER_PATH=assets/tokenizer.gemma
export LOAD_PARAMETERS_PATH=${UNSCANNED_CKPT_PATH}
export MAX_PREFILL_PREDICT_LENGTH=1024
export MAX_TARGET_LENGTH=2048
export MODEL_NAME=gemma-7b
export ICI_FSDP_PARALLELISM=1
export ICI_AUTOREGRESSIVE_PARALLELISM=-1
export ICI_TENSOR_PARALLELISM=1
export SCAN_LAYERS=false
export WEIGHT_DTYPE=bfloat16
export PER_DEVICE_BATCH_SIZE=11

Crea variables de entorno de Llama2-7b para las marcas del servidor

Configura las marcas del servidor de JetStream MaxText.

export TOKENIZER_PATH=assets/tokenizer.llama2
export LOAD_PARAMETERS_PATH=${UNSCANNED_CKPT_PATH}
export MAX_PREFILL_PREDICT_LENGTH=1024
export MAX_TARGET_LENGTH=2048
export MODEL_NAME=llama2-7b
export ICI_FSDP_PARALLELISM=1
export ICI_AUTOREGRESSIVE_PARALLELISM=-1
export ICI_TENSOR_PARALLELISM=1
export SCAN_LAYERS=false
export WEIGHT_DTYPE=bfloat16
export PER_DEVICE_BATCH_SIZE=11

Crea variables de entorno de Llama2-13b para las marcas del servidor

Configura las marcas del servidor de JetStream MaxText.

export TOKENIZER_PATH=assets/tokenizer.llama2
export LOAD_PARAMETERS_PATH=${UNSCANNED_CKPT_PATH}
export MAX_PREFILL_PREDICT_LENGTH=1024
export MAX_TARGET_LENGTH=2048
export MODEL_NAME=llama2-13b
export ICI_FSDP_PARALLELISM=1
export ICI_AUTOREGRESSIVE_PARALLELISM=-1
export ICI_TENSOR_PARALLELISM=1
export SCAN_LAYERS=false
export WEIGHT_DTYPE=bfloat16
export PER_DEVICE_BATCH_SIZE=4

Inicia el servidor de JetStream MaxText

cd ~/maxtext
python MaxText/maxengine_server.py \
  MaxText/configs/base.yml \
  tokenizer_path=${TOKENIZER_PATH} \
  load_parameters_path=${LOAD_PARAMETERS_PATH} \
  max_prefill_predict_length=${MAX_PREFILL_PREDICT_LENGTH} \
  max_target_length=${MAX_TARGET_LENGTH} \
  model_name=${MODEL_NAME} \
  ici_fsdp_parallelism=${ICI_FSDP_PARALLELISM} \
  ici_autoregressive_parallelism=${ICI_AUTOREGRESSIVE_PARALLELISM} \
  ici_tensor_parallelism=${ICI_TENSOR_PARALLELISM} \
  scan_layers=${SCAN_LAYERS} \
  weight_dtype=${WEIGHT_DTYPE} \
  per_device_batch_size=${PER_DEVICE_BATCH_SIZE}

Descripciones de las marcas del servidor de MaxText de JetStream

tokenizer_path: La ruta a un tokenizador (debe coincidir con tu modelo).
load_parameters_path: Carga los parámetros (sin estados del optimizador) de un directorio específico.
per_device_batch_size: decodificación del tamaño del lote por dispositivo (1 chip TPU = 1 dispositivo)
max_prefill_predict_length: Longitud máxima del completado previo cuando se realiza una autorregresión
max_target_length: Longitud máxima de la secuencia
model_name: Nombre del modelo
ici_fsdp_parallelism: La cantidad de fragmentos para el paralelismo de FSDP
ici_autoregressive_parallelism: La cantidad de fragmentos para el paralelismo autorregresivo
ici_tensor_parallelism: La cantidad de fragmentos para el paralelismo de tensores
weight_dtype: Tipo de datos de peso (por ejemplo, bfloat16)
scan_layers: Marca booleana de capas de análisis (establecida en "false" para la inferencia)

Envía una solicitud de prueba al servidor de JetStream MaxText

cd ~
# For Gemma model
python JetStream/jetstream/tools/requester.py --tokenizer maxtext/assets/tokenizer.gemma
# For Llama2 model
python JetStream/jetstream/tools/requester.py --tokenizer maxtext/assets/tokenizer.llama2

El resultado será similar al siguiente ejemplo:

Sending request to: 0.0.0.0:9000
Prompt: Today is a good day
Response:  to be a fan

Ejecuta comparativas con el servidor de JetStream MaxText

Para obtener los mejores resultados comparativos, habilita la cuantización (usa puntos de control entrenados o ajustados con AQT para garantizar la precisión) para los pesos y la caché KV. Para habilitar la cuantización, establece las marcas de cuantización:

# Enable int8 quantization for both weights and KV cache
export QUANTIZATION=int8
export QUANTIZE_KVCACHE=true

# For Gemma 7b model, change per_device_batch_size to 12 to optimize performance. 
export PER_DEVICE_BATCH_SIZE=12

cd ~/maxtext
python MaxText/maxengine_server.py \
  MaxText/configs/base.yml \
  tokenizer_path=${TOKENIZER_PATH} \
  load_parameters_path=${LOAD_PARAMETERS_PATH} \
  max_prefill_predict_length=${MAX_PREFILL_PREDICT_LENGTH} \
  max_target_length=${MAX_TARGET_LENGTH} \
  model_name=${MODEL_NAME} \
  ici_fsdp_parallelism=${ICI_FSDP_PARALLELISM} \
  ici_autoregressive_parallelism=${ICI_AUTOREGRESSIVE_PARALLELISM} \
  ici_tensor_parallelism=${ICI_TENSOR_PARALLELISM} \
  scan_layers=${SCAN_LAYERS} \
  weight_dtype=${WEIGHT_DTYPE} \
  per_device_batch_size=${PER_DEVICE_BATCH_SIZE} \
  quantization=${QUANTIZATION} \
  quantize_kvcache=${QUANTIZE_KVCACHE}

Comparativas de Gemma-7b

Para comparar Gemma-7b, haz lo siguiente:

Descarga el conjunto de datos de ShareGPT.
Asegúrate de usar el tokenizador de Gemma (tokenizer.gemma) cuando ejecutes Gemma 7b.
Agrega la marca --warmup-first en tu 1a ejecución para preparar el servidor.

# Activate the env python virtual environment
cd ~
source .env/bin/activate

# Download the dataset
wget https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json

# Run the benchmark with the downloaded dataset and the tokenizer in MaxText
# You can control the qps by setting `--request-rate`, the default value is inf.

python JetStream/benchmarks/benchmark_serving.py \
--tokenizer maxtext/assets/tokenizer.gemma \
--num-prompts 1000 \
--dataset sharegpt \
--dataset-path ~/ShareGPT_V3_unfiltered_cleaned_split.json \
--max-output-length 1024 \
--request-rate 5 \
--warmup-mode sampled

Comparativas de Llama2 más grande

# Run the benchmark with the downloaded dataset and the tokenizer in MaxText
# You can control the qps by setting `--request-rate`, the default value is inf.

python JetStream/benchmarks/benchmark_serving.py \
--tokenizer maxtext/assets/tokenizer.llama2 \
--num-prompts 1000  \
--dataset sharegpt \
--dataset-path ~/ShareGPT_V3_unfiltered_cleaned_split.json \
--max-output-length 1024 \
--request-rate 5 \
--warmup-mode sampled

Limpia

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.

# Delete the Cloud Storage buckets
gcloud storage buckets delete ${MODEL_BUCKET}
gcloud storage buckets delete ${BASE_OUTPUT_DIRECTORY}
gcloud storage buckets delete ${DATASET_PATH}

# Clean up the MaxText and JetStream repositories.
rm -rf maxtext
rm -rf JetStream

# Clean up the python virtual environment
rm -rf .env