En este tutorial se muestra cómo desplegar y servir modelos de lenguaje extensos (LLMs) con GPUs en Google Kubernetes Engine (GKE) mediante el framework de servicio Text Generation Inference (TGI) de Hugging Face. Este tutorial proporciona una base para comprender y explorar la implementación práctica de LLMs para la inferencia en un entorno de Kubernetes gestionado. Despliega en GKE un contenedor prediseñado que ejecuta TGI. También puedes configurar GKE para que cargue los pesos de Gemma 2B, 9B y 27B desde Hugging Face.
Este tutorial está dirigido a ingenieros de aprendizaje automático, administradores y operadores de plataformas, y especialistas en datos e IA que estén interesados en usar las funciones de orquestación de contenedores de Kubernetes para servir LLMs en hardware de GPU H100, A100 y L4. Para obtener más información sobre los roles habituales y las tareas de ejemplo a las que hacemos referencia en el contenido, consulta Roles y tareas habituales de los usuarios de GKE. Google Cloud
Si necesitas una plataforma de IA gestionada unificada para crear y ofrecer modelos de aprendizaje automático rápidamente y de forma rentable, te recomendamos que pruebes nuestra solución de despliegue Vertex AI.
Antes de leer esta página, asegúrese de que conoce los siguientes conceptos:
Fondo
En esta sección se describen las tecnologías clave que se usan en esta guía.
Gemma
Gemma es un conjunto de modelos de IA generativa ligeros y disponibles públicamente que se han lanzado con una licencia abierta. Estos modelos de IA se pueden ejecutar en tus aplicaciones, hardware, dispositivos móviles o servicios alojados.
En esta guía presentamos los siguientes modelos:
- Gemma para la generación de texto, también puedes ajustar estos modelos para que se especialicen en realizar tareas específicas.
- CodeGemma es una colección de modelos potentes y ligeros que pueden realizar diversas tareas de programación, como completar código, generar código, comprender el lenguaje natural, razonar matemáticamente y seguir instrucciones.
Para obtener más información, consulta la documentación de Gemma.
GPUs
Las GPUs te permiten acelerar cargas de trabajo específicas que se ejecutan en tus nodos, como el aprendizaje automático y el procesamiento de datos. GKE ofrece una amplia gama de opciones de tipos de máquinas para la configuración de nodos, incluidos los tipos de máquinas con GPUs NVIDIA H100, L4 y A100.
Inferencia de generación de texto (TGI)
TGI es el conjunto de herramientas de Hugging Face para desplegar y servir LLMs. TGI permite generar texto de alto rendimiento para LLMs de código abierto populares, como Gemma. TGI incluye funciones como las siguientes:
- Implementación optimizada de transformadores con Flash Attention y PagedAttention
- Agrupación continua para mejorar el rendimiento general del servicio
- Paralelismo de tensores para una inferencia más rápida en varias GPUs
Para obtener más información, consulta la documentación de TGI.
Acceder al modelo
Para acceder a los modelos de Gemma e implementarlos en GKE, primero debes firmar el acuerdo de consentimiento de licencia y, a continuación, generar un token de acceso de Hugging Face.
Firmar el contrato de consentimiento de licencia
Debes firmar el acuerdo de consentimiento para usar Gemma. Te las indicamos a continuación:
- Accede a la página de consentimiento del modelo en Kaggle.com.
- Verifica el consentimiento con tu cuenta de Hugging Face.
- Acepta los términos del modelo.
Generar un token de acceso
Para acceder al modelo a través de Hugging Face, necesitarás un token de Hugging Face.
Sigue estos pasos para generar un token si aún no tienes uno:
- Haz clic en Tu perfil > Configuración > Tokens de acceso.
- Selecciona New Token (Nuevo token).
- Especifica el nombre que quieras y un rol de al menos
Read. - Selecciona Generar un token.
- Copia el token generado en el portapapeles.
Prepara tu entorno
En este tutorial, usarás Cloud Shell para gestionar los recursos alojados enGoogle Cloud. Cloud Shell tiene preinstalado el software que necesitarás para este tutorial, como kubectl y la
CLI de gcloud.
Para configurar tu entorno con Cloud Shell, sigue estos pasos:
En la Google Cloud consola, inicia una sesión de Cloud Shell haciendo clic en
Activar Cloud Shell en la Google Cloud consola. Se iniciará una sesión en el panel inferior de la consola Google Cloud .Define las variables de entorno predeterminadas:
gcloud config set project PROJECT_ID gcloud config set billing/quota_project PROJECT_ID export PROJECT_ID=$(gcloud config get project) export CONTROL_PLANE_LOCATION=CONTROL_PLANE_LOCATION export CLUSTER_NAME=CLUSTER_NAME export HF_TOKEN=HF_TOKENSustituye los siguientes valores:
PROJECT_ID: tu Google Cloud ID de proyecto.CONTROL_PLANE_LOCATION: la región de Compute Engine del plano de control de tu clúster. Esta región debe admitir el tipo de acelerador que quieras usar. Por ejemplo,us-central1para la GPU L4.CLUSTER_NAME: el nombre de tu clúster.HF_TOKEN: el token de Hugging Face que has generado antes.
Crear y configurar Google Cloud recursos
Sigue estas instrucciones para crear los recursos necesarios.
Crear un clúster y un grupo de nodos de GKE
Puedes servir Gemma en GPUs en un clúster Autopilot o Standard de GKE. Te recomendamos que uses un clúster de Autopilot para disfrutar de una experiencia de Kubernetes totalmente gestionada. Para elegir el modo de funcionamiento de GKE que mejor se adapte a tus cargas de trabajo, consulta Elegir un modo de funcionamiento de GKE.
Autopilot
En Cloud Shell, ejecuta el siguiente comando:
gcloud container clusters create-auto CLUSTER_NAME \
--project=PROJECT_ID \
--location=CONTROL_PLANE_LOCATION \
--release-channel=rapid
Sustituye los siguientes valores:
PROJECT_ID: tu Google Cloud ID de proyecto.CONTROL_PLANE_LOCATION: la región de Compute Engine del plano de control de tu clúster. Esta región debe admitir el tipo de acelerador que quieras usar. Por ejemplo,us-central1para la GPU L4.CLUSTER_NAME: el nombre de tu clúster.
GKE crea un clúster de Autopilot con nodos de CPU y GPU según lo soliciten las cargas de trabajo desplegadas.
Estándar
En Cloud Shell, ejecuta el siguiente comando para crear un clúster Standard:
gcloud container clusters create CLUSTER_NAME \ --project=PROJECT_ID \ --location=CONTROL_PLANE_LOCATION \ --workload-pool=PROJECT_ID.svc.id.goog \ --release-channel=rapid \ --num-nodes=1Sustituye los siguientes valores:
PROJECT_ID: tu Google Cloud ID de proyecto.CONTROL_PLANE_LOCATION: la región de Compute Engine del plano de control de tu clúster. Esta región debe admitir el tipo de acelerador que quieras usar. Por ejemplo,us-central1para la GPU L4.CLUSTER_NAME: el nombre de tu clúster.
La creación del clúster puede tardar varios minutos.
Para crear un grupo de nodos para tu clúster con el tamaño de disco adecuado, ejecuta el siguiente comando:
Gemma 2 2B
gcloud container node-pools create gpupool \ --accelerator type=nvidia-l4,count=1,gpu-driver-version=latest \ --project=PROJECT_ID \ --location=CONTROL_PLANE_LOCATION \ --node-locations=CONTROL_PLANE_LOCATION-a \ --cluster=CLUSTER_NAME \ --machine-type=g2-standard-8 \ --num-nodes=1GKE crea un único grupo de nodos que contiene una GPU L4 para cada nodo.
Gemma 2 9B
gcloud container node-pools create gpupool \ --accelerator type=nvidia-l4,count=2,gpu-driver-version=latest \ --project=PROJECT_ID \ --location=CONTROL_PLANE_LOCATION \ --node-locations=CONTROL_PLANE_LOCATION-a \ --cluster=CLUSTER_NAME \ --machine-type=g2-standard-24 \ --num-nodes=1GKE crea un único grupo de nodos que contiene dos GPUs L4 por nodo.
Gemma 2 27B
gcloud container node-pools create gpupool \ --accelerator type=nvidia-l4,count=4,gpu-driver-version=latest \ --project=PROJECT_ID \ --location=CONTROL_PLANE_LOCATION \ --node-locations=CONTROL_PLANE_LOCATION-a \ --cluster=CLUSTER_NAME \ --machine-type=g2-standard-48 \ --num-nodes=1 \ --disk-size=180GKE crea un único grupo de nodos que contiene cuatro GPUs L4 por nodo.
Crear un secreto de Kubernetes para las credenciales de Hugging Face
En Cloud Shell, haz lo siguiente:
Configura
kubectlpara que se comunique con tu clúster:gcloud container clusters get-credentials CLUSTER_NAME \ --location=CONTROL_PLANE_LOCATIONCrea un secreto 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 -Sustituye
HF_TOKENpor el token de Hugging Face que has generado anteriormente.
Implementar TGI
En esta sección, desplegarás el contenedor de TGI para servir el modelo de Gemma que quieras usar. Para desplegar el modelo, en este tutorial se usan los desplegues de Kubernetes. Un Deployment es un objeto de la API de Kubernetes que te permite ejecutar varias réplicas de pods distribuidas entre los nodos de un clúster.
Gemma 2 2B-it
Sigue estas instrucciones para desplegar el modelo ajustado para instrucciones Gemma 2B.
Crea el siguiente archivo de manifiesto
tgi-2-2b-it.yaml:Aplica el archivo de manifiesto:
kubectl apply -f tgi-2-2b-it.yaml
Gemma 2 9B-it
Sigue estas instrucciones para implementar el modelo Gemma 9B ajustado para instrucciones.
Crea el siguiente archivo de manifiesto
tgi-2-9b-it.yaml:Aplica el archivo de manifiesto:
kubectl apply -f tgi-2-9b-it.yaml
Gemma 2 27B-it
Sigue estas instrucciones para implementar el modelo Gemma 2 27B ajustado para instrucciones.
Crea el siguiente archivo de manifiesto
tgi-2-27b-it.yaml:Aplica el archivo de manifiesto:
kubectl apply -f tgi-2-27b-it.yaml
CodeGemma 7B-it
Sigue estas instrucciones para implementar el modelo ajustado para instrucciones CodeGemma 7B.
Crea el siguiente archivo de manifiesto
tgi-codegemma-1.1-7b-it.yaml:Aplica el archivo de manifiesto:
kubectl apply -f tgi-codegemma-1.1-7b-it.yaml
Aplicar el modelo
En esta sección, interactúas con el modelo.
Configurar la redirección de puertos
Ejecuta el siguiente comando para configurar el reenvío de puertos al modelo:
kubectl port-forward service/llm-service 8000:8000
El resultado debería ser similar al siguiente:
Forwarding from 127.0.0.1:8000 -> 8000
Interactuar con el modelo mediante curl
En esta sección se muestra cómo realizar una prueba de humo básica para verificar los modelos preentrenados o ajustados con instrucciones que hayas implementado. Para simplificar, en esta sección se describe el enfoque de las pruebas con los modelos Gemma 2 Instruction Tuned y CodeGemma.
Gemma 2
En una nueva sesión de terminal, usa curl para chatear con tu modelo:
USER_PROMPT="I'm new to coding. If you could only recommend one programming language to start with, what would it be and why?"
curl -X POST http://localhost:8000/generate \
-H "Content-Type: application/json" \
-d @- <<EOF
{
"inputs": "<start_of_turn>user\n${USER_PROMPT}<end_of_turn>\n",
"parameters": {
"temperature": 0.90,
"top_p": 0.95,
"max_new_tokens": 128
}
}
EOF
En el siguiente resultado se muestra un ejemplo de la respuesta del modelo:
{"generated_text":"**Python**\n\n**Reasons why Python is a great choice for beginners:**\n\n* **Simple syntax:** Python uses clear and concise syntax, making it easy for beginners to pick up.\n* **Easy to learn:** Python's syntax is based on English, making it easier to learn than other languages.\n* **Large and supportive community:** Python has a massive and active community of developers who are constantly willing to help.\n* **Numerous libraries and tools:** Python comes with a vast collection of libraries and tools that make it easy to perform various tasks, such as data manipulation, web development, and machine learning.\n* **"}
CodeGemma
En una nueva sesión de terminal, usa curl para chatear con tu modelo:
USER_PROMPT="Generate a python code example of a adding two numbers from a function called addNumbers"
curl -s -X POST http://localhost:8000/generate \
-H "Content-Type: application/json" \
-d @- <<EOF | jq -r .generated_text
{
"inputs": "<start_of_turn>user\n${USER_PROMPT}<end_of_turn>\n",
"parameters": {
"temperature": 0.90,
"top_p": 0.95,
"max_new_tokens": 2000
}
}
EOF
En el siguiente resultado se muestra un ejemplo de la respuesta del modelo:
def addNumbers(num1, num2):
sum = num1 + num2
return sum
# Get the input from the user
num1 = float(input("Enter the first number: "))
num2 = float(input("Enter the second number: "))
# Call the addNumbers function
sum = addNumbers(num1, num2)
# Print the result
print("The sum of", num1, "and", num2, "is", sum)
(Opcional) Interactúa con el modelo a través de una interfaz de chat de Gradio
En esta sección, crearás una aplicación de chat web que te permitirá interactuar con tu modelo ajustado con instrucciones. Para simplificar, en esta sección solo se describe el método de prueba con el modelo 2B-it.
Gradio es una biblioteca de Python que tiene un
ChatInterface wrapper que crea interfaces de usuario para chatbots.
Implementar la interfaz de chat
En Cloud Shell, guarda el siguiente manifiesto como
gradio.yaml:Aplica el archivo de manifiesto:
kubectl apply -f gradio.yamlEspera a que esté disponible el despliegue:
kubectl wait --for=condition=Available --timeout=300s deployment/gradio
Usar la interfaz de chat
En Cloud Shell, ejecuta el siguiente comando:
kubectl port-forward service/gradio 8080:8080De esta forma, se crea un reenvío de puertos de Cloud Shell al servicio de Gradio.
Haz clic en el botón
Vista previa web, situado en la parte superior derecha de la barra de tareas de Cloud Shell. Haz clic en Vista previa en el puerto 8080. Se abrirá una nueva pestaña en el navegador.Interactúa con Gemma mediante la interfaz de chat de Gradio. Añade una petición y haz clic en Enviar.
Solucionar problemas
- Si aparece el mensaje
Empty reply from server, es posible que el contenedor no haya terminado de descargar los datos del modelo. Vuelve a consultar los registros del pod para ver el mensajeConnected, que indica que el modelo está listo para publicarse. - Si ves
Connection refused, comprueba que el reenvío de puertos esté activo.
Observar el rendimiento del modelo
Para observar el rendimiento del modelo, puedes usar la integración del panel de control de TGI en Cloud Monitoring. Con este panel de control, puede ver métricas de rendimiento críticas, como el rendimiento de tokens, la latencia de las solicitudes y las tasas de error.
Para usar el panel de control de TGI, debes habilitar Google Cloud Managed Service para Prometheus, que recoge las métricas de TGI, en tu clúster de GKE. TGI expone métricas en formato Prometheus de forma predeterminada, por lo que no es necesario instalar ningún exportador adicional.
A continuación, puede ver las métricas en el panel de control de TGI. Para obtener información sobre cómo usar Google Cloud Managed Service para Prometheus y recoger métricas de tu modelo, consulta la guía de observabilidad de TGI en la documentación de Cloud Monitoring.