Modell mit einer einzelnen GPU in GKE bereitstellen

Autopilot Standard

In dieser Anleitung erfahren Sie, wie Sie ein Large Language Model (LLM) mit GPUs in Google Kubernetes Engine (GKE) mit NVIDIA Triton Inference Server und TensorFlow Serving bereitstellen und verfügbar machen. Dies bietet eine Grundlage für das Verständnis und die Untersuchung der praktischen LLM-Bereitstellung für die Inferenz in einer verwalteten Kubernetes-Umgebung. Sie stellen einen vorgefertigten Container in einem GKE-Cluster mit einer einzelnen L4 Tensor Core-GPU bereit und bereiten die GKE-Infrastruktur für die Onlineinferenz vor.

Diese Anleitung richtet sich an Entwickler von maschinellem Lernen (ML), Plattformadministratoren und ‑operatoren sowie an Daten- und KI-Spezialisten, die ein vortrainiertes ML-Modell in einem GKE-Cluster hosten möchten. Weitere Informationen zu gängigen Rollen und Beispielaufgaben, auf die in Google Cloud-Inhalten verwiesen wird, finden Sie unter Häufig verwendete GKE-Nutzerrollen und -Aufgaben.

Machen Sie sich vor dem Lesen dieser Seite mit den folgenden Themen vertraut:

• Aktuelle Verfügbarkeit von GPU-Versionen
• GPUs in GKE

Ziele

1. Erstellen Sie einen GKE Autopilot- oder Standard-Cluster.
2. Cloud Storage-Bucket konfigurieren, in dem sich das vortrainierte Modell befindet
3. Stellen Sie das ausgewählte Online-Inferenz-Framework bereit.
4. Stellen Sie eine Testanfrage an den bereitgestellten Dienst.

Hinweis: Diese Anleitung ist eine Grundlage für die Onlinebereitstellung. Je nach Anwendungsfall sollten zusätzliche Elemente wie Load-Balancer berücksichtigt werden.

Kosten

In dieser Anleitung werden die folgenden kostenpflichtigen Komponenten von Google Cloudverwendet:

• GKE
• Cloud Storage
• L4-GPU-Beschleuniger
• Ausgehender Traffic

Sie können mithilfe des Preisrechners eine Kostenschätzung für Ihre voraussichtliche Nutzung erstellen.

Nach Abschluss dieser Anleitung können Sie weitere Kosten durch Löschen von erstellten Ressourcen vermeiden. Weitere Informationen finden Sie unter Bereinigen.

Vorbereitung

Projekt einrichten

Melden Sie sich in Ihrem Google Cloud -Konto an. Wenn Sie mit Google Cloudnoch nicht vertraut sind, erstellen Sie einfach ein Konto, um die Leistungsfähigkeit unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.

In the Google Cloud console, on the project selector page, click Create project to begin creating a new Google Cloud project.

Roles required to create a project

To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the GKE API, if it is not already enabled.

Roles required to enable APIs

To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

Enable the API

In the Google Cloud console, on the project selector page, click Create project to begin creating a new Google Cloud project.

Roles required to create a project

To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the GKE API, if it is not already enabled.

Roles required to enable APIs

To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

Enable the API

Standardeinstellungen für die Google Cloud CLI festlegen

1. Starten Sie in der Google Cloud Console eine Cloud Shell-Instanz:
   Cloud Shell öffnen

2. Laden Sie den Quellcode für diese Beispielanwendung herunter:

   git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples
   cd kubernetes-engine-samples/ai-ml/gke-online-serving-single-gpu
   

3. Legen Sie die Standardumgebungsvariablen fest:

   gcloud config set project PROJECT_ID
   gcloud config set compute/region COMPUTE_REGION
   

   Ersetzen Sie die folgenden Werte:

   • PROJECT_ID: Ihre Google Cloud Projekt-ID.
   • COMPUTE_REGION: die Compute Engine-Region, die den Beschleunigertyp unterstützt, den Sie verwenden möchten, z. B. us-central1 für L4-GPU.

4. Erstellen Sie in Cloud Shell die folgenden Umgebungsvariablen:

   export PROJECT_ID=$(gcloud config get project)
   export REGION=$(gcloud config get compute/region)
   export K8S_SA_NAME=gpu-k8s-sa
   export GSBUCKET=$PROJECT_ID-gke-bucket
   export MODEL_NAME=mnist
   export CLUSTER_NAME=online-serving-cluster
   

GKE-Cluster erstellen

Sie können Modelle auf einer einzelnen GPU in einem GKE Autopilot- oder Standardcluster bereitstellen. Für eine vollständig verwaltete Kubernetes-Umgebung empfehlen wir die Verwendung eines Autopilot-Clusters. Mit GKE Autopilot werden die Ressourcen automatisch basierend auf den Modellanfragen skaliert.

Informationen zum Auswählen des GKE-Betriebsmodus, der für Ihre Arbeitslasten am besten geeignet ist, finden Sie unter GKE-Betriebsmodus auswählen.

Autopilot

Führen Sie den folgenden Befehl aus, um einen GKE Autopilot-Cluster zu erstellen:

  gcloud container clusters create-auto ${CLUSTER_NAME} \
      --location=${REGION} \
      --project=${PROJECT_ID} \
      --release-channel=rapid

Hinweis: Dieser Schritt kann bis zu fünf Minuten dauern.

GKE erstellt einen Autopilot-Cluster mit CPU- und GPU-Knoten, wie von den bereitgestellten Arbeitslasten angefordert.

Standard

1. Führen Sie den folgenden Befehl aus, um einen GKE-Standardcluster zu erstellen:

     gcloud container clusters create ${CLUSTER_NAME} \
       --project=${PROJECT_ID}  \
       --location=${REGION}  \
       --workload-pool=${PROJECT_ID}.svc.id.goog \
       --addons GcsFuseCsiDriver \
       --release-channel=rapid \
       --num-nodes=1
   

   Die Erstellung eines Clusters kann einige Minuten dauern.

2. Führen Sie den folgenden Befehl aus, um den Knotenpool zu erstellen:

     gcloud container node-pools create gpupool \
       --accelerator type=nvidia-l4,count=1,gpu-driver-version=latest \
       --project=${PROJECT_ID} \
       --location=${REGION} \
       --node-locations=${REGION}-a \
       --cluster=${CLUSTER_NAME} \
       --machine-type=g2-standard-8 \
       --num-nodes=1
   

   GKE erstellt einen einzelnen Knotenpool mit einer L4-GPU für jeden Knoten.

Cloud Storage-Bucket erstellen

Erstellen Sie einen Cloud Storage-Bucket zum Speichern des vortrainierten Modells, das bereitgestellt werden soll.

Führen Sie in Cloud Shell folgenden Befehl aus:

gcloud storage buckets create gs://$GSBUCKET --uniform-bucket-level-access

Cluster für den Zugriff auf den Bucket mithilfe der Identitätsföderation von Arbeitslasten für GKE konfigurieren

So gewähren Sie dem Cluster Zugriff auf den Cloud Storage-Bucket:

1. Erstellen Sie ein Kubernetes-Dienstkonto in Ihrem Cluster.
2. Weisen Sie dem Kubernetes-Dienstkonto IAM-Rollen zu.

Kubernetes-Dienstkonto in Ihrem Cluster erstellen

Gehen Sie in Cloud Shell so vor:

1. Erstellen Sie einen Kubernetes-Namespace:

   kubectl create namespace gke-ai-namespace
   

2. Erstellen Sie ein Kubernetes-Dienstkonto im Namespace:

   kubectl create serviceaccount gpu-k8s-sa --namespace=gke-ai-namespace
   

IAM-Rollen dem Kubernetes-Dienstkonto zuweisen

Weisen Sie in Cloud Shell dem Kubernetes-Dienstkonto die Rollen „Storage Object Admin“ (roles/storage.objectAdmin) und „Storage Insights Collector Service“ (roles/storage.insightsCollectorService) zu:

gcloud projects add-iam-policy-binding PROJECT_ID \
    --member="principal://iam.googleapis.com/projects/PROJECT_NUMBER/locations/global/workloadIdentityPools/PROJECT_ID.svc.id.goog/subject/ns/gke-ai-namespace/sa/gpu-k8s-sa" \
    --role=roles/storage.objectAdmin \
    --condition=None
gcloud projects add-iam-policy-binding PROJECT_ID \
    --member="principal://iam.googleapis.com/projects/PROJECT_NUMBER/locations/global/workloadIdentityPools/PROJECT_ID.svc.id.goog/subject/ns/gke-ai-namespace/sa/gpu-k8s-sa" \
    --role=roles/storage.insightsCollectorService \
    --condition=None

Ersetzen Sie Folgendes:

• PROJECT_ID: Projekt-ID in Google Cloud .
• PROJECT_NUMBER: Ihre Google Cloud Projektnummer.

Online-Inferenzserver bereitstellen

Jedes Online-Inferenz-Framework erwartet das vortrainierte ML-Modell in einem bestimmten Format. Im folgenden Abschnitt wird gezeigt, wie Sie den Inferenzserver je nach dem gewünschten Framework bereitstellen:

Triton

1. Kopieren Sie in Cloud Shell das vortrainierte ML-Modell in den Cloud Storage-Bucket:

   gcloud storage cp src/triton-model-repository gs://$GSBUCKET --recursive
   

2. Stellen Sie das Framework mit einem Deployment bereit. Ein Deployment ist ein Kubernetes-API-Objekt, mit dem Sie mehrere Replikate von Pods ausführen können, die auf die Knoten in einem Cluster verteilt sind:

   envsubst < src/gke-config/deployment-triton.yaml | kubectl --namespace=gke-ai-namespace apply -f -
   

3. Prüfen Sie, ob GKE das Framework bereitgestellt hat:

   kubectl get deployments --namespace=gke-ai-namespace
   

   Wenn das Framework bereit ist, sieht die Ausgabe in etwa so aus:

   NAME                 READY   UP-TO-DATE   AVAILABLE   AGE
   triton-deployment    1/1     1            1           5m29s
   

4. Dienste für den Zugriff auf die Bereitstellung bereitstellen:

   kubectl apply --namespace=gke-ai-namespace -f src/gke-config/service-triton.yaml
   

5. Prüfen Sie, ob die externe IP-Adresse zugewiesen ist:

   kubectl get services --namespace=gke-ai-namespace
   

   Die Ausgabe sieht in etwa so aus:

   NAME            TYPE           CLUSTER-IP       EXTERNAL-IP     PORT(S)                                        AGE
   kubernetes      ClusterIP      34.118.224.1     <none>          443/TCP                                        60m
   triton-server   LoadBalancer   34.118.227.176   35.239.54.228   8000:30866/TCP,8001:31035/TCP,8002:30516/TCP   5m14s
   

   Notieren Sie sich die IP-Adresse für triton-server in der Spalte EXTERNAL-IP.

6. Überprüfen Sie, ob der Dienst und die Bereitstellung ordnungsgemäß funktionieren:

   curl -v EXTERNAL_IP:8000/v2/health/ready
   

   Die Ausgabe sieht in etwa so aus:

   ...
   < HTTP/1.1 200 OK
   < Content-Length: 0
   < Content-Type: text/plain
   ...
   

TF-Bereitstellung

1. Kopieren Sie in Cloud Shell das vortrainierte ML-Modell in den Cloud Storage-Bucket:

   gcloud storage cp src/tfserve-model-repository gs://$GSBUCKET --recursive
   

2. Stellen Sie das Framework mit einem Deployment bereit. Ein Deployment ist ein Kubernetes-API-Objekt, mit dem Sie mehrere Replikate von Pods ausführen können, die auf die Knoten in einem Cluster verteilt sind:

   envsubst < src/gke-config/deployment-tfserve.yaml | kubectl --namespace=gke-ai-namespace apply -f -
   

3. Prüfen Sie, ob GKE das Framework bereitgestellt hat:

   kubectl get deployments --namespace=gke-ai-namespace
   

   Wenn das Framework bereit ist, sieht die Ausgabe in etwa so aus:

   NAME                 READY   UP-TO-DATE   AVAILABLE   AGE
   tfserve-deployment   1/1     1            1           5m29s
   

4. Dienste für den Zugriff auf die Bereitstellung bereitstellen:

   kubectl apply --namespace=gke-ai-namespace -f src/gke-config/service-tfserve.yaml
   

5. Prüfen Sie, ob die externe IP-Adresse zugewiesen ist:

   kubectl get services --namespace=gke-ai-namespace
   

   Die Ausgabe sieht in etwa so aus:

   NAME            TYPE           CLUSTER-IP       EXTERNAL-IP     PORT(S)                                        AGE
   kubernetes      ClusterIP      34.118.224.1     <none>          443/TCP                                        60m
   tfserve-server  LoadBalancer   34.118.227.176   35.239.54.228   8500:30003/TCP,8000:32194/TCP                  5m14s
   

   Notieren Sie sich die IP-Adresse für tfserve-server in der Spalte EXTERNAL-IP.

6. Prüfen Sie, ob der Dienst und die Bereitstellung ordnungsgemäß funktionieren:

   curl -v EXTERNAL_IP:8000/v1/models/mnist
   

   Ersetzen Sie dabei EXTERNAL_IP durch Ihre externe IP-Adresse.

   Die Ausgabe sieht in etwa so aus:

   ...
   < HTTP/1.1 200 OK
   < Content-Type: application/json
   < Date: Thu, 12 Oct 2023 19:01:19 GMT
   < Content-Length: 154
   <
   {
     "model_version_status": [
           {
           "version": "1",
           "state": "AVAILABLE",
           "status": {
             "error_code": "OK",
             "error_message": ""
           }
         }
       ]
   }
   

Modell bereitstellen

Triton

1. Erstellen Sie eine virtuelle Python-Umgebung in Cloud Shell.

   python -m venv ./mnist_client
   source ./mnist_client/bin/activate
   

2. Installieren Sie die erforderlichen Python-Pakete:

   pip install -r src/client/triton-requirements.txt
   

3. Testen Sie den Triton-Inferenzserver durch Laden eines Bildes:

   cd src/client
   python triton_mnist_client.py -i EXTERNAL_IP -m mnist -p ./images/TEST_IMAGE.png
   

   Ersetzen Sie Folgendes:

   • EXTERNAL_IP: ist Ihre externe IP-Adresse.
   • TEST_IMAGE: Der Name der Datei, die dem zu testenden Image entspricht. Sie können die in src/client/images gespeicherten Images verwenden.

   Je nach verwendetem Image sieht die Ausgabe in etwa so aus:

   Calling Triton HTTP Service      ->      Prediction result: 7
   

Hinweis: Sie können Clients schreiben, die Inferenz für den Triton Inference-Server ausführen. Weitere Informationen finden Sie unter NVIDIA-Beispiele und -Bibliotheken.

TF-Bereitstellung

1. Erstellen Sie eine virtuelle Python-Umgebung in Cloud Shell.

   python -m venv ./mnist_client
   source ./mnist_client/bin/activate
   

2. Installieren Sie die erforderlichen Python-Pakete:

   pip install -r src/client/tfserve-requirements.txt
   

3. TensorFlow Serving mit einigen Bildern testen

   cd src/client
   python tfserve_mnist_client.py -i EXTERNAL_IP -m mnist -p ./images/TEST_IMAGE.png
   

Ersetzen Sie Folgendes:

• EXTERNAL_IP: ist Ihre externe IP-Adresse.
• TEST_IMAGE: Ein Wert zwischen 0 und 9. Sie können die in src/client/images gespeicherten Images verwenden.

Je nachdem, welches Image Sie verwenden, erhalten Sie eine Ausgabe ähnlich der folgenden:

  Calling TensorFlow Serve HTTP Service    ->      Prediction result: 5

Hinweis: Sie können Clients schreiben, die Inferenz für den TensorFlow-Server ausführen. Weitere Informationen finden Sie unter TensorFlow API.

Erfolg: Sie haben erfolgreich ein Onlinebereitstellungs-Framework für ein vortrainiertes ML-Modell bereitgestellt.

Modellleistung beobachten

Triton

Um die Modellleistung zu beobachten, können Sie die Triton-Dashboard-Integration in Cloud Monitoring verwenden. In diesem Dashboard können Sie wichtige Leistungsmesswerte wie den Token-Durchsatz, die Anfragelatenz und die Fehlerraten einsehen.

Damit Sie das Triton-Dashboard verwenden können, müssen Sie Google Cloud Managed Service for Prometheus in Ihrem GKE-Cluster aktivieren. Damit werden die Messwerte von Triton erfasst. Triton stellt Messwerte standardmäßig im Prometheus-Format bereit. Sie müssen keinen zusätzlichen Exporter installieren.

Anschließend können Sie die Messwerte über das Triton-Dashboard aufrufen. Informationen zum Erheben von Messwerten aus Ihrem Modell mit Google Cloud Managed Service for Prometheus finden Sie in der Cloud Monitoring-Dokumentation unter Triton.

TF-Bereitstellung

Sie können die Modellleistung mit der TF Serving-Dashboard-Integration in Cloud Monitoring beobachten. In diesem Dashboard können Sie wichtige Leistungsmesswerte wie den Token-Durchsatz, die Anfragelatenz und die Fehlerraten einsehen.

Damit Sie das TF Serving-Dashboard verwenden können, müssen Sie Google Cloud Managed Service for Prometheus in Ihrem GKE-Cluster aktivieren. Damit werden die Messwerte aus TF Serving erfasst.

Anschließend können Sie die Messwerte über das TF Serving-Dashboard aufrufen. Informationen zum Erfassen von Messwerten aus Ihrem Modell mit Google Cloud Managed Service for Prometheus finden Sie in der Cloud Monitoring-Dokumentation unter TF Serving.

Bereinigen

Führen Sie einen der folgenden Schritte aus, damit Ihrem Google Cloud Konto die in dieser Anleitung erstellten Ressourcen nicht in Rechnung gestellt werden:

• GKE-Cluster beibehalten:Kubernetes-Ressourcen im Cluster und die Google Cloud Ressourcen löschen
• Google Cloud -Projekt beibehalten:GKE-Cluster und die Google Cloud Ressourcen löschen
• Projekt löschen

Kubernetes-Ressourcen im Cluster und die Google Cloud Ressourcen löschen

1. Löschen Sie den Kubernetes-Namespace und die bereitgestellten Arbeitslasten:

Triton

kubectl -n gke-ai-namespace delete -f src/gke-config/service-triton.yaml
kubectl -n gke-ai-namespace delete -f src/gke-config/deployment-triton.yaml
kubectl delete namespace gke-ai-namespace

TF-Bereitstellung

kubectl -n gke-ai-namespace delete -f src/gke-config/service-tfserve.yaml
kubectl -n gke-ai-namespace delete -f src/gke-config/deployment-tfserve.yaml
kubectl delete namespace gke-ai-namespace

1. Löschen Sie den Cloud Storage-Bucket:

   1. Rufen Sie die Seite Buckets auf.

      Buckets aufrufen

   2. Aktivieren Sie das Kästchen für PROJECT_ID-gke-bucket.

   3. Klicken Sie auf Löschen.

   4. Geben Sie DELETE ein und klicken Sie auf Löschen, um den Löschvorgang zu bestätigen.

GKE-Cluster und Google Cloud -Ressourcen löschen

1. Löschen Sie den GKE-Cluster:

   1. Rufen Sie die Seite Cluster auf:

      Zu den Clustern

   2. Aktivieren Sie das Kästchen für online-serving-cluster.

   3. Klicken Sie auf Löschen.

   4. Geben Sie online-serving-cluster ein und klicken Sie auf Löschen, um den Löschvorgang zu bestätigen.

2. Löschen Sie den Cloud Storage-Bucket:

   1. Rufen Sie die Seite Buckets auf.

      Buckets aufrufen

   2. Aktivieren Sie das Kästchen für PROJECT_ID-gke-bucket.

   3. Klicken Sie auf Löschen.

   4. Geben Sie DELETE ein und klicken Sie auf Löschen, um den Löschvorgang zu bestätigen.

Projekt löschen

Achtung: Das Löschen von Projekten hat folgende Auswirkungen:

• Alle Inhalte des Projekts werden gelöscht. Wenn Sie für die Aufgaben in diesem Dokument ein bereits bestehendes Projekt verwendet haben und dieses löschen, werden auch alle anderen im Rahmen des Projekts erstellten Daten gelöscht.
• Benutzerdefinierte Projekt-IDs gehen verloren. Beim Erstellen dieses Projekts haben Sie möglicherweise eine benutzerdefinierte Projekt-ID erstellt, die Sie weiterhin verwenden möchten. Damit die URLs, die die Projekt-ID nutzen, zum Beispiel eine appspot.com-URL, erhalten bleiben, sollten Sie ausgewählte Ressourcen innerhalb des Projekts löschen, anstatt das gesamte Projekt.

Wenn Sie mehrere Architekturen, Anleitungen und Kurzanleitungen durcharbeiten möchten, können Sie die Überschreitung von Projektkontingenten verhindern, indem Sie Projekte wiederverwenden.

1. Wechseln Sie in der Google Cloud -Console zur Seite Ressourcen verwalten.

   Zur Seite „Ressourcen verwalten“

2. Wählen Sie in der Projektliste das Projekt aus, das Sie löschen möchten, und klicken Sie dann auf Löschen.
3. Geben Sie im Dialogfeld die Projekt-ID ein und klicken Sie auf Shut down (Beenden), um das Projekt zu löschen.

Nächste Schritte

• LLM mit mehreren GPUs in GKE bereitstellen
• Gemma mithilfe von TPUs in GKE mit JetStream bereitstellen