Entrega modelos de código abierto con TPUs en GKE con Optimum TPU

Estándar

En este instructivo, se muestra cómo entregar modelos de código abierto de modelos de lenguaje grandes (LLM) con unidades de procesamiento tensorial (TPU) en Google Kubernetes Engine (GKE) con el framework de entrega Optimum TPU desde Hugging Face. En este instructivo, descargarás modelos de código abierto de Hugging Face y los implementarás en un clúster Standard de GKE con un contenedor que ejecute Optimum TPU.

Esta guía proporciona un punto de partida si necesitas el control detallado, la escalabilidad, la resiliencia, la portabilidad y la rentabilidad de Kubernetes administrado cuando implementas y entregas tus cargas de trabajo de IA/AA.

Este instructivo está dirigido a clientes de IA generativa en el ecosistema de Hugging Face, usuarios nuevos o existentes de GKE, ingenieros de AA, ingenieros de MLOps (DevOps) o administradores de plataformas interesados en usar las funciones de organización de contenedores de Kubernetes para entrega de LLM.

Como recordatorio, tienes varias opciones para la inferencia de LLM en Google Cloud, que abarcan ofertas como Vertex AI, GKE y Google Compute Engine, en las que puedes incorporar bibliotecas de servicio como JetStream, vLLM y otras ofertas de socios. Por ejemplo, puedes usar JetStream para obtener las optimizaciones más recientes del proyecto. Si prefieres las opciones de Hugging Face, puedes usar Optimum TPU.

La TPU óptima admite las siguientes funciones:

• Procesamiento por lotes continuo
• Transmisión de tokens
• Búsqueda voraz y muestreo multinomial con transformadores.

Objetivos

1. Prepara un clúster estándar de GKE con la topología de TPU recomendada según las características del modelo.
2. Implementa Optimum TPU en GKE.
3. Usa Optimum TPU para entregar los modelos compatibles a través de curl.

Antes de comenzar

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.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• 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.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the required API.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the API

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• 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.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the required API.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the API

• Make sure that you have the following role or roles on the project: roles/container.admin, roles/iam.serviceAccountAdmin, roles/artifactregistry.admin

  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 column 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.

     Ir a IAM
  2. Selecciona el proyecto.
  3. Haz clic en Otorgar acceso.

  4. En el campo Principales nuevas, ingresa tu identificador de usuario. Esta suele ser la dirección de correo electrónico de una Cuenta de Google.

  5. En la lista Seleccionar un rol, elige uno.
  6. Para otorgar roles adicionales, haz clic en Agregar otro rol y agrega uno más.
  7. Haz clic en Guardar.
  • Crea una cuenta de Hugging Face, si todavía no la tienes.
  • Asegúrate de que tu proyecto tenga la cuota suficiente para Cloud TPU en GKE.

  Prepare el entorno

  En este instructivo, usarás Cloud Shell para administrar recursos alojados enGoogle Cloud. Cloud Shell tiene preinstalado el software que necesitarás para este instructivo, incluidos kubectl y la CLI de gcloud.

  Para configurar tu entorno con Cloud Shell, sigue estos pasos:

  1. En la Google Cloud consola, haz clic en Activar Cloud Shell en la Google Cloud consola para iniciar una sesión de Cloud Shell. Esto inicia una sesión en el panel inferior de la consola de Google Cloud .

  2. Configura las variables de entorno predeterminadas:

     gcloud config set project PROJECT_ID
     export PROJECT_ID=$(gcloud config get project)
     export CLUSTER_NAME=CLUSTER_NAME
     export REGION=REGION_NAME
     export ZONE=ZONE
     export HF_TOKEN=HF_TOKEN
     

     Reemplaza los siguientes valores:

     • PROJECT_ID: Es el Google Cloud ID de tu proyecto.
     • CLUSTER_NAME: Es el nombre del clúster de GKE.
     • REGION_NAME: La región en la que se encuentran el clúster de GKE, el bucket de Cloud Storage y los nodos TPU. La región contiene zonas en las que los tipos de máquinas de TPU v5e están disponibles (por ejemplo, us-west1, us-west4, us-central1, us-east1, us-east5 o europe-west4).
     • (Solo clúster estándar) ZONE: Es la zona en la que los recursos de TPU están disponibles (por ejemplo, us-west4-a). Para los clústeres en modo Autopilot, no necesitas especificar la zona, solo la región.
     • HF_TOKEN: Tu token de Hugging Face.

  3. Clona el repositorio de Optimum TPU:

     git clone https://github.com/huggingface/optimum-tpu.git
     

  Obtén acceso al modelo

  Puedes usar los modelos Gemma 2B o Llama3 8B. En este instructivo, nos enfocamos en estos dos modelos, pero Optimum TPU admite más modelos.

  Gemma 2B

  Para obtener acceso a los modelos de Gemma para la implementación en GKE, primero debes firmar el contrato de consentimiento de licencia y, luego, generar un token de acceso de Hugging Face.

  Firma el acuerdo de consentimiento de licencia

  Debes firmar el acuerdo de consentimiento para usar Gemma. Sigue estas instrucciones:

  1. Accede a la página de consentimiento del modelo.
  2. Verifica el consentimiento con tu cuenta de Hugging Face.
  3. Acepta los términos del modelo.

  Genera un token de acceso

  Genera un nuevo token de Hugging Face si aún no tienes uno:

  1. Haz clic en Tu perfil > Configuración > Tokens de acceso.
  2. Haz clic en Token nuevo.
  3. Especifica el nombre que desees y un rol de al menos Read.
  4. Haz clic en Generar un token.
  5. Copia el token generado al portapapeles.

  Llama3 8B

  Debes firmar el acuerdo de consentimiento para usar Llama3 8b en el repositorio de Hugging Face

  Genera un token de acceso

  Genera un nuevo token de Hugging Face si aún no tienes uno:

  1. Haz clic en Tu perfil > Configuración > Tokens de acceso.
  2. Selecciona Token nuevo.
  3. Especifica el nombre que desees y un rol de al menos Read.
  4. Selecciona Genera un token.
  5. Copia el token generado al portapapeles.

  Cree un clúster de GKE

  Crea un clúster estándar de GKE con 1 nodo de CPU:

  gcloud container clusters create CLUSTER_NAME \
      --project=PROJECT_ID \
      --num-nodes=1 \
      --location=ZONE
  

  Crea un grupo de nodos TPU

  Crea un grupo de nodo TPU v5e con 1 nodo y 8 chips:

  gcloud container node-pools create tpunodepool \
      --location=ZONE \
      --num-nodes=1 \
      --machine-type=ct5lp-hightpu-8t \
      --cluster=CLUSTER_NAME
  

  Si los recursos de TPU están disponibles, GKE aprovisiona el grupo de nodos. Si los recursos de TPU no están disponibles temporalmente, el resultado mostrará un mensaje de error GCE_STOCKOUT. Para solucionar los errores de falta de stock de TPU, consulta Recursos de TPU insuficientes para satisfacer la solicitud de TPU.

  Configura kubectl para comunicarse con tu clúster:

  gcloud container clusters get-credentials ${CLUSTER_NAME} --location=${ZONE}
  

  Compile el contenedor

  Ejecuta el siguiente comando para compilar la imagen:

  cd optimum-tpu && make tpu-tgi
  

  Envía la imagen al registro de Artifact Registry.

  gcloud artifacts repositories create optimum-tpu --repository-format=docker --location=REGION_NAME && \
  gcloud auth configure-docker REGION_NAME-docker.pkg.dev && \
  docker image tag huggingface/optimum-tpu REGION_NAME-docker.pkg.dev/PROJECT_ID/optimum-tpu/tgi-tpu:latest && \
  docker push REGION_NAME-docker.pkg.dev/PROJECT_ID/optimum-tpu/tgi-tpu:latest
  

  Crea un secreto de Kubernetes para las credenciales de Hugging Face

  Crea un Secret de Kubernetes que contenga el token de Hugging Face:

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

  Implementa Optimum TPU

  Para implementar Optimum TPU, en este instructivo se usa una implementación de Kubernetes. Un Deployment es un objeto de la API de Kubernetes que te permite ejecutar varias réplicas de Pods que se distribuyen entre los nodos de un clúster.

  Gemma 2B

  1. Guarda el siguiente manifiesto de Deployment como optimum-tpu-gemma-2b-2x4.yaml:

     apiVersion: apps/v1
     kind: Deployment
     metadata:
       name: tgi-tpu
     spec:
       replicas: 1
       selector:
         matchLabels:
           app: tgi-tpu
       template:
         metadata:
           labels:
             app: tgi-tpu
         spec:
           nodeSelector:
             cloud.google.com/gke-tpu-topology: 2x4
             cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice
           containers:
           - name: tgi-tpu
             image: REGION_NAME-docker.pkg.dev/PROJECT_ID/optimum-tpu/tgi-tpu:latest
             args:
             - --model-id=google/gemma-2b
             - --max-concurrent-requests=4
             - --max-input-length=8191
             - --max-total-tokens=8192
             - --max-batch-prefill-tokens=32768
             - --max-batch-size=16
             securityContext:
                 privileged: true
             env:
               - name: HF_TOKEN
                 valueFrom:
                   secretKeyRef:
                     name: hf-secret
                     key: hf_api_token
             ports:
             - containerPort: 80
             resources:
               limits:
                 google.com/tpu: 8
             livenessProbe:
               httpGet:
                 path: /health
                 port: 80
               initialDelaySeconds: 300
               periodSeconds: 120
     
     ---
     apiVersion: v1
     kind: Service
     metadata:
       name: service
     spec:
       selector:
         app: tgi-tpu
       ports:
         - name: http
           protocol: TCP
           port: 8080
           targetPort: 80
     

     En este manifiesto, se describe una implementación de Optimum TPU con un balanceador de cargas interno en el puerto TCP 8080.

  2. Aplica el manifiesto

     kubectl apply -f optimum-tpu-gemma-2b-2x4.yaml
     

  Llama3 8B

  1. Guarda el siguiente manifiesto como optimum-tpu-llama3-8b-2x4.yaml:

     apiVersion: apps/v1
     kind: Deployment
     metadata:
       name: tgi-tpu
     spec:
       replicas: 1
       selector:
         matchLabels:
           app: tgi-tpu
       template:
         metadata:
           labels:
             app: tgi-tpu
         spec:
           nodeSelector:
             cloud.google.com/gke-tpu-topology: 2x4
             cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice
           containers:
           - name: tgi-tpu
             image: REGION_NAME-docker.pkg.dev/PROJECT_ID/optimum-tpu/tgi-tpu:latest
             args:
             - --model-id=meta-llama/Meta-Llama-3-8B
             - --max-concurrent-requests=4
             - --max-input-length=8191
             - --max-total-tokens=8192
             - --max-batch-prefill-tokens=32768
             - --max-batch-size=16
             env:
               - name: HF_TOKEN
                 valueFrom:
                   secretKeyRef:
                     name: hf-secret
                     key: hf_api_token
             ports:
             - containerPort: 80
             resources:
               limits:
                 google.com/tpu: 8
             livenessProbe:
               httpGet:
                 path: /health
                 port: 80
               initialDelaySeconds: 300
               periodSeconds: 120
     ---
     apiVersion: v1
     kind: Service
     metadata:
       name: service
     spec:
       selector:
         app: tgi-tpu
       ports:
         - name: http
           protocol: TCP
           port: 8080
           targetPort: 80
     

     En este manifiesto, se describe una implementación de Optimum TPU con un balanceador de cargas interno en el puerto TCP 8080.

  2. Aplica el manifiesto

     kubectl apply -f optimum-tpu-llama3-8b-2x4.yaml
     

  Observa los registros de la implementación en ejecución:

  kubectl logs -f -l app=tgi-tpu
  

  El resultado debería ser similar al siguiente ejemplo:

  2024-07-09T22:39:34.365472Z  WARN text_generation_router: router/src/main.rs:295: no pipeline tag found for model google/gemma-2b
  2024-07-09T22:40:47.851405Z  INFO text_generation_router: router/src/main.rs:314: Warming up model
  2024-07-09T22:40:54.559269Z  INFO text_generation_router: router/src/main.rs:351: Setting max batch total tokens to 64
  2024-07-09T22:40:54.559291Z  INFO text_generation_router: router/src/main.rs:352: Connected
  2024-07-09T22:40:54.559295Z  WARN text_generation_router: router/src/main.rs:366: Invalid hostname, defaulting to 0.0.0.0
  

  Asegúrate de que el modelo se haya descargado por completo antes de continuar con la siguiente sección.

  Entrega el modelo

  Configura la redirección de puertos al modelo:

  kubectl port-forward svc/service 8080:8080
  

  Interactúa con el modelo con curl

  Verifica tus modelos implementados:

  En una sesión de terminal nueva, usa curl para chatear con tu modelo:

  curl 127.0.0.1:8080/generate     -X POST     -d '{"inputs":"What is Deep Learning?","parameters":{"max_new_tokens":40}}'     -H 'Content-Type: application/json'
  

  El resultado debería ser similar al siguiente ejemplo:

  {"generated_text":"\n\nDeep learning is a subset of machine learning that uses artificial neural networks to learn from data.\n\nArtificial neural networks are inspired by the way the human brain works. They are made up of multiple layers"}
  

  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.

  Borra los recursos implementados

  Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos que creaste en esta guía, ejecuta el siguiente comando:

  gcloud container clusters delete CLUSTER_NAME \
    --location=ZONE
  

  ¿Qué sigue?

  • Explora la documentación de Optimum TPU.
  • Descubre cómo puedes ejecutar modelos de Gemma en GKE y cómo ejecutar cargas de trabajo de IA/AA optimizadas con las funciones de organización de la plataforma de GKE.
  • Obtén más información sobre las TPU en GKE.