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

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.

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.

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"}