Per pubblicare modelli linguistici di grandi dimensioni (LLM) Gemma 3 su Google Kubernetes Engine (GKE) utilizzando il framework vLLM, devi eseguire il provisioning di un cluster GKE con acceleratori supportati, come le GPU NVIDIA B200, H100 o L4.
Per ottenere i pesi del modello Gemma 3, puoi configurare il container vLLM predefinito in modo che li scarichi dal repository Hugging Face. In alternativa, il container può caricare i pesi del modello da uno spazio di archiviazione permanente esistente, ad esempio memorizzando nella cache i bucket del modello Cloud Storage in un'istanza Google Cloud Managed Lustre.
Una volta caricati i pesi, il contenitore vLLM espone un endpoint API compatibile con OpenAI per l'inferenza ad alto throughput.
Questo tutorial è destinato a ingegneri di machine learning (ML), amministratori e operatori di piattaforme e specialisti di dati e AI interessati a utilizzare le funzionalità di orchestrazione dei container Kubernetes per la gestione dei carichi di lavoro AI/ML su hardware GPU H200, H100, A100 e L4. Per scoprire di più sui ruoli comuni e sulle attività di esempio a cui facciamo riferimento nei contenuti, consulta Ruoli utente e attività comuni di GKE. Google Cloud
Se hai bisogno di una piattaforma di AI gestita unificata progettata per creare e pubblicare rapidamente modelli ML in modo economicamente vantaggioso, ti consigliamo di provare la nostra soluzione di deployment Vertex AI.
Prima di leggere questa pagina, assicurati di avere familiarità con quanto segue:
Sfondo
Questa sezione descrive le tecnologie chiave utilizzate in questa guida.
Gemma
Gemma è un insieme di modelli multimodali di intelligenza artificiale (AI) generativa, leggeri e disponibili pubblicamente, rilasciati con una licenza aperta. Questi modelli di AI sono disponibili per l'esecuzione nelle tue applicazioni, hardware, dispositivi mobili o servizi ospitati. Gemma 3 introduce la multimodalità e supporta l'input di linguaggio visivo e gli output di testo. Gestisce finestre contestuali fino a 128.000 token e supporta oltre 140 lingue. Gemma 3 offre anche funzionalità migliorate per matematica, ragionamento e chat, tra cui output strutturati e chiamate di funzioni.
Puoi utilizzare i modelli Gemma per la generazione di testo oppure puoi anche ottimizzarli per attività specializzate.
Per saperne di più, consulta la documentazione di Gemma.
GPU
Le GPU ti consentono di accelerare carichi di lavoro specifici in esecuzione sui tuoi nodi, come machine learning ed elaborazione di dati. GKE offre una gamma di opzioni di tipo di macchina per la configurazione dei nodi, inclusi i tipi di macchine con GPU NVIDIA H200, H100, L4 e A100.
vLLM
vLLM è un framework di erogazione di LLM open source altamente ottimizzato che può aumentare la velocità effettiva di erogazione sulle GPU, con funzionalità come le seguenti:
- Implementazione ottimizzata di Transformer con PagedAttention
- Batch continuo per migliorare la velocità effettiva complessiva della pubblicazione
- Parallelismo dei tensori e pubblicazione distribuita su più GPU
Per saperne di più, consulta la documentazione di vLLM.
Obiettivi
Questo tutorial fornisce le basi per comprendere ed esplorare l'implementazione pratica di LLM per l'inferenza in un ambiente Kubernetes gestito.
- Prepara l'ambiente con un cluster GKE in modalità Autopilot o Standard.
- Esegui il deployment di un container vLLM nel tuo cluster.
- Utilizza vLLM per distribuire il modello Gemma 3 tramite curl e un'interfaccia di chat web.
Prima di iniziare
- Accedi al tuo account Google Cloud . Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti senza costi per l'esecuzione, il test e il deployment dei workload.
-
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 theresourcemanager.projects.createpermission. Learn how to grant roles.
-
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 theserviceusage.services.enablepermission. Learn how to grant roles.-
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 theresourcemanager.projects.createpermission. Learn how to grant roles.
-
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 theserviceusage.services.enablepermission. Learn how to grant roles.-
Assicurati di disporre dei seguenti ruoli nel progetto: roles/container.admin, roles/iam.serviceAccountAdmin
Controlla i ruoli
-
Nella console Google Cloud vai alla pagina IAM.
Vai a IAM - Seleziona il progetto.
-
Nella colonna Entità, trova tutte le righe che identificano te o un gruppo di cui fai parte. Per scoprire a quali gruppi appartieni, contatta il tuo amministratore.
- Per tutte le righe che ti specificano o ti includono, controlla la colonna Ruolo per verificare se l'elenco dei ruoli include i ruoli richiesti.
Concedi i ruoli
-
Nella console Google Cloud vai alla pagina IAM.
Vai a IAM - Seleziona il progetto.
- Fai clic su Concedi l'accesso.
-
Nel campo Nuove entità, inserisci il tuo identificatore dell'utente. In genere si tratta dell'indirizzo email di un Account Google.
- Fai clic su Seleziona un ruolo, quindi cerca il ruolo.
- Per concedere altri ruoli, fai clic su Aggiungi un altro ruolo e aggiungi ogni ruolo successivo.
- Fai clic su Salva.
-
- Assicurati che il tuo progetto disponga di una quota sufficiente per le GPU L4. Per saperne di più, consulta Informazioni sulle GPU e Quote di allocazione.
prepara l'ambiente
In questo tutorial utilizzerai Cloud Shell per gestire le risorse ospitate su
Google Cloud. Cloud Shell include il software necessario per questo tutorial, tra cui
kubectl e
gcloud CLI.
Per configurare l'ambiente con Cloud Shell:
Nella console Google Cloud , avvia una sessione di Cloud Shell facendo clic su
Attiva Cloud Shell nella Google Cloud console. Viene avviata una sessione nel riquadro inferiore della console Google Cloud .Imposta le variabili di ambiente predefinite:
gcloud config set project PROJECT_ID gcloud config set billing/quota_project PROJECT_ID export PROJECT_ID=$(gcloud config get project) export REGION=REGION export CLUSTER_NAME=CLUSTER_NAMESostituisci i seguenti valori:
PROJECT_ID: il tuo Google Cloud ID progetto.REGION: una regione che supporta il tipo di acceleratore che vuoi utilizzare, ad esempious-central1per la GPU L4.CLUSTER_NAME: il nome del tuo cluster.
Creare e configurare risorse Google Cloud
Segui queste istruzioni per creare le risorse richieste.
Crea un cluster GKE e un pool di nodi
Puoi gestire Gemma su GPU in un cluster GKE Autopilot o Standard. Ti consigliamo di utilizzare un cluster Autopilot per un'esperienza Kubernetes completamente gestita. Per scegliere la modalità operativa GKE più adatta ai tuoi workload, consulta Scegliere una modalità operativa GKE.
Autopilot
In Cloud Shell, esegui questo comando:
gcloud container clusters create-auto CLUSTER_NAME \
--project=PROJECT_ID \
--location=CONTROL_PLANE_LOCATION \
--release-channel=rapid
Sostituisci i seguenti valori:
PROJECT_ID: il tuo Google Cloud ID progetto.CONTROL_PLANE_LOCATION: la regione di Compute Engine del control plane del tuo cluster. Fornisci una regione che supporti il tipo di acceleratore che vuoi utilizzare, ad esempious-central1per la GPU L4.CLUSTER_NAME: il nome del tuo cluster.
GKE crea un cluster Autopilot con nodi CPU e GPU come richiesto dai carichi di lavoro di cui è stato eseguito il deployment.
Standard
In Cloud Shell, esegui questo comando per creare un cluster 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=1Sostituisci i seguenti valori:
PROJECT_ID: il tuo Google Cloud ID progetto.CONTROL_PLANE_LOCATION: la regione di Compute Engine del control plane del tuo cluster. Fornisci una regione che supporti il tipo di acceleratore che vuoi utilizzare, ad esempious-central1per la GPU L4.CLUSTER_NAME: il nome del tuo cluster.
La creazione del cluster potrebbe richiedere diversi minuti.
Per creare un node pool per il cluster con le dimensioni del disco appropriate, esegui questo comando:
Gemma 3 1B
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=1GKE crea un singolo pool di nodi contenente una GPU L4 per ogni nodo.
Gemma 3 4B
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=1GKE crea un singolo pool di nodi contenente una GPU L4 per ogni nodo.
Gemma 3 12B
gcloud container node-pools create gpupool \ --accelerator type=nvidia-l4,count=4,gpu-driver-version=latest \ --project=PROJECT_ID \ --location=REGION \ --node-locations=REGION-a \ --cluster=CLUSTER_NAME \ --machine-type=g2-standard-48 \ --num-nodes=1GKE crea un singolo pool di nodi contenente quattro GPU L4 per ogni nodo.
Gemma 3 27B
gcloud container node-pools create gpupool \ --accelerator type=nvidia-a100-80gb,count=1,gpu-driver-version=latest \ --project=PROJECT_ID \ --location=REGION \ --node-locations=REGION-a \ --cluster=CLUSTER_NAME \ --machine-type=a2-ultragpu-1g \ --disk-type=pd-ssd \ --num-nodes=1 \ --disk-size=256GKE crea un singolo pool di nodi contenente una GPU A100 da 80 GB.
Esegui il deployment dei modelli Gemma 3 su vLLM utilizzando i pesi di Hugging Face
Per eseguire il deployment dei modelli Gemma 3 utilizzando i pesi di Hugging Face, autentica il cluster GKE con un token API Hugging Face e applica un manifest di deployment Kubernetes. Questo manifest estrae l'immagine del container vLLM, richiede una GPU NVIDIA e monta il token come secret in modo che il container possa scaricare i pesi direttamente dal repository Hugging Face durante l'avvio.
Procedura
Per eseguire il deployment del modello, completa questi passaggi:
- Accedi al modello Gemma 3 e genera un token Hugging Face.
- Crea un secret di Kubernetes in GKE per archiviare il token.
- Esegui il deployment del manifest vLLM per il modello Gemma 3 selezionato.
Ottenere l'accesso al modello
Segui questi passaggi per generare un nuovo token se non ne hai già uno:
- Fai clic su Il tuo profilo > Impostazioni > Token di accesso.
- Seleziona Nuovo token.
- Specifica un nome a tua scelta e un ruolo di almeno
Read. - Seleziona Genera un token.
- Copia il token generato negli appunti.
Esegui questo comando per impostare il token come variabile di ambiente.
export HF_TOKEN=HF_TOKEN
Crea un secret Kubernetes per le credenziali di Hugging Face
In Cloud Shell:
Configura
kubectlin modo che possa comunicare con il tuo cluster:gcloud container clusters get-credentials CLUSTER_NAME \ --location=REGIONSostituisci i seguenti valori:
REGION: una regione che supporta il tipo di acceleratore che vuoi utilizzare, ad esempious-central1per la GPU L4.CLUSTER_NAME: il nome del tuo cluster.
Crea un secret di Kubernetes che contenga il token Hugging Face:
kubectl create secret generic hf-secret \ --from-literal=hf_api_token=${HF_TOKEN} \ --dry-run=client -o yaml | kubectl apply -f -Sostituisci
HF_TOKENcon il token Hugging Face che hai generato in precedenza.
Scarica i pesi del modello Gemma 3 da Hugging Face
Applica il manifest di deployment per le dimensioni del modello selezionate. Un deployment è un oggetto API Kubernetes che ti consente di eseguire più repliche di pod distribuite tra i nodi di un cluster.
L'applicazione di questo manifest crea un pod nel cluster che scarica i pesi del modello Gemma 3 direttamente da Hugging Face e avvia il motore di servizio vLLM.
Gemma 3 1B-it
Segui queste istruzioni per eseguire il deployment del modello Gemma 3 1B ottimizzato per le istruzioni (input solo di testo).
Crea il seguente manifest
vllm-3-1b-it.yaml:Applica il manifest:
kubectl apply -f vllm-3-1b-it.yaml
Gemma 3 4B-it
Segui queste istruzioni per eseguire il deployment del modello Gemma 3 4B ottimizzato per le istruzioni.
Crea il seguente manifest
vllm-3-4b-it.yaml:Applica il manifest:
kubectl apply -f vllm-3-4b-it.yamlNel nostro esempio, limitiamo la finestra contestuale a 32 K utilizzando l'opzione vLLM
--max-model-len=32768. Se vuoi una dimensione della finestra contestuale più grande (fino a 128 K), modifica il manifest e la configurazione del pool di nodi con una maggiore capacità della GPU.
Gemma 3 12B-it
Segui queste istruzioni per eseguire il deployment del modello Gemma 3 12B ottimizzato per le istruzioni.
Crea il seguente manifest
vllm-3-12b-it.yaml:Applica il manifest:
kubectl apply -f vllm-3-12b-it.yamlNel nostro esempio, limitiamo le dimensioni della finestra contestuale a 16 K utilizzando l'opzione vLLM
--max-model-len=16384. Se vuoi una dimensione della finestra contestuale più grande (fino a 128 K), modifica la configurazione del manifest e del pool di nodi con una maggiore capacità della GPU.
Gemma 3 27B-it
Segui queste istruzioni per eseguire il deployment del modello Gemma 3 27B ottimizzato per le istruzioni.
Crea il seguente manifest
vllm-3-27b-it.yaml:Applica il manifest:
kubectl apply -f vllm-3-27b-it.yamlNel nostro esempio, limitiamo le dimensioni della finestra contestuale a 32 K utilizzando l'opzione vLLM
--max-model-len=32768. Se vuoi una dimensione della finestra contestuale più grande (fino a 128.000), modifica il manifest e la configurazione del pool di nodi con una maggiore capacità della GPU.
Verifica
Attendi che il deployment sia disponibile:
kubectl wait --for=condition=Available --timeout=1800s deployment/vllm-gemma-deploymentVisualizza i log del deployment in esecuzione:
kubectl logs -f -l app=gemma-serverLa risorsa Deployment scarica i dati del modello Gemma. Questo processo può richiedere alcuni minuti. L'output è simile al seguente:
INFO: Automatically detected platform cuda. ... INFO [launcher.py:34] Route: /v1/chat/completions, Methods: POST ... INFO: Started server process [13] INFO: Waiting for application startup. INFO: Application startup complete. Default STARTUP TCP probe succeeded after 1 attempt for container "vllm--google--gemma-3-4b-it-1" on port 8080.
Una volta disponibile il deployment di Hugging Face, configura l'inoltro delle porte per interagire con il modello.
Esegui il deployment di Gemma ottimizzato da Managed Lustre
Per erogare un modello Gemma sottoposto a fine tuning (come Gemma 3 27B) già archiviato in un'istanza Google Cloud Managed Lustre, devi montare il PersistentVolumeClaim (PVC) corrispondente nel container vLLM.
Prerequisiti
Assicurati di avere un PVC esistente nel tuo cluster GKE che si connette alla tua istanza Lustre. In questo esempio, la PVC si chiama gemma-lustre-pvc.
Per scoprire come creare un PVC e un PersistentVolume (PV) per un'istanza esistente, consulta Accedere a un'istanza Managed Lustre esistente.
Procedura
Salva il seguente manifest YAML come
vllm-lustre-gemma.yaml. In questo esempio, il deployment monta il PVC Lustre su/datae indica a vLLM di caricare i pesi del modello da questo percorso locale.apiVersion: apps/v1 kind: Deployment metadata: name: vllm-gemma-lustre spec: replicas: 1 selector: matchLabels: app: gemma-server template: metadata: labels: app: gemma-server spec: containers: - name: vllm image: vllm/vllm-openai:latest command: ["python3", "-m", "vllm.entrypoints.openai.api_server"] args: - --model=/data/gemma-3-27b - --tensor-parallel-size=1 resources: limits: nvidia.com/gpu: "1" volumeMounts: - name: model-weights mountPath: /data volumes: - name: model-weights persistentVolumeClaim: claimName: gemma-lustre-pvc nodeSelector: cloud.google.com/gke-accelerator: nvidia-l4 cloud.google.com/gke-gpu-driver-version: latestApplica il manifest al cluster GKE:
kubectl apply -f vllm-lustre-gemma.yaml
Verifica
Per verificare che il modello sia stato caricato correttamente dal volume Lustre, controlla i log del pod per la sequenza di avvio di vLLM:
kubectl logs -l app=gemma-server
Pubblica il modello
In questa sezione, interagisci con il modello. Assicurati che il modello sia stato scaricato completamente prima di procedere.
Configurare il port forwarding
Esegui questo comando per configurare il port forwarding al modello:
kubectl port-forward service/llm-service 8000:8000
L'output è simile al seguente:
Forwarding from 127.0.0.1:8000 -> 8000
Interagisci con il modello utilizzando curl
Questa sezione mostra come eseguire un test di fumo di base per verificare i modelli Gemma 3 ottimizzati per le istruzioni di cui è stato eseguito il deployment.
Per gli altri modelli, sostituisci gemma-3-4b-it con il nome del modello corrispondente.
Questo esempio mostra come testare il modello Gemma 3 4B ottimizzato per le istruzioni con input di solo testo.
In una nuova sessione del terminale, utilizza curl per chattare con il tuo modello:
curl http://127.0.0.1:8000/v1/chat/completions \
-X POST \
-H "Content-Type: application/json" \
-d '{
"model": "google/gemma-3-4b-it",
"messages": [
{
"role": "user",
"content": "Why is the sky blue?"
}
]
}'
L'output è simile al seguente:
{
"id": "chatcmpl-e4a2e624bea849d9b09f838a571c4d9e",
"object": "chat.completion",
"created": 1741763029,
"model": "google/gemma-3-4b-it",
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"reasoning_content": null,
"content": "Okay, let's break down why the sky appears blue! It's a fascinating phenomenon rooted in physics, specifically something called **Rayleigh scattering**. Here's the explanation: ...",
"tool_calls": []
},
"logprobs": null,
"finish_reason": "stop",
"stop_reason": 106
}
],
"usage": {
"prompt_tokens": 15,
"total_tokens": 668,
"completion_tokens": 653,
"prompt_tokens_details": null
},
"prompt_logprobs": null
}
(Facoltativo) Interagisci con il modello tramite un'interfaccia di chat Gradio
In questa sezione, creerai un'applicazione di chat web che ti consente di interagire con il modello ottimizzato per le istruzioni. Per semplicità, questa sezione descrive solo l'approccio di test utilizzando il modello 4B-it.
Gradio è una libreria Python che ha un wrapper ChatInterface che crea interfacce utente per chatbot.
Implementare l'interfaccia di chat
In Cloud Shell, salva il seguente manifest come
gradio.yaml. Modificagoogle/gemma-2-9b-itingoogle/gemma-3-4b-ito in un altro nome del modello Gemma 3 che hai utilizzato nel deployment.Applica il manifest:
kubectl apply -f gradio.yamlAttendi che il deployment sia disponibile:
kubectl wait --for=condition=Available --timeout=900s deployment/gradio
Utilizzare l'interfaccia di chat
In Cloud Shell, esegui questo comando:
kubectl port-forward service/gradio 8080:8080In questo modo viene creato un port forwarding da Cloud Shell al servizio Gradio.
Fai clic sul pulsante
Anteprima web, che si trova in alto a destra nella barra delle app di Cloud Shell. Fai clic su Anteprima sulla porta 8080. Nel browser si apre una nuova scheda.Interagisci con Gemma utilizzando l'interfaccia di chat di Gradio. Aggiungi un prompt e fai clic su Invia.
Risoluzione dei problemi
- Se visualizzi il messaggio
Empty reply from server, è possibile che il container non abbia completato il download dei dati del modello. Controlla di nuovo i log del pod per il messaggioConnectedche indica che il modello è pronto per la pubblicazione. - Se visualizzi
Connection refused, verifica che il port forwarding sia attivo.
Osserva le prestazioni del modello
Per visualizzare le dashboard per le metriche di osservabilità di un modello, segui questi passaggi:
Nella console Google Cloud , vai alla pagina Modelli di cui è stato eseguito il deployment.
Per visualizzare i dettagli del deployment specifico, incluse metriche, log e dashboard, fai clic sul nome del modello nell'elenco.
Nella pagina dei dettagli del modello, fai clic sulla scheda Osservabilità per visualizzare le seguenti dashboard. Se richiesto, fai clic su Abilita per abilitare la raccolta delle metriche per il cluster.
- La dashboard Utilizzo dell'infrastruttura mostra le metriche di utilizzo.
- La dashboard DCGM mostra le metriche DCGM.
- Se utilizzi vLLM, la dashboard Prestazioni del modello è disponibile e mostra le metriche per le prestazioni del modello vLLM.
Puoi anche visualizzare le metriche nell'integrazione della dashboard vLLM in Cloud Monitoring. Queste metriche vengono aggregate per tutti i deployment di LLM video senza filtri preimpostati
Per utilizzare la dashboard in Cloud Monitoring, devi abilitare Google Cloud Managed Service per Prometheus, che raccoglie le metriche da vLLM, nel tuo cluster GKE. vLLM espone le metriche nel formato Prometheus per impostazione predefinita; non è necessario installare un esportatore aggiuntivo. Per informazioni sull'utilizzo di Google Cloud Managed Service per Prometheus per raccogliere le metriche del modello, consulta le indicazioni sull'osservabilità di vLLM nella documentazione di Cloud Monitoring.
Esegui la pulizia
Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.
Elimina le risorse di cui è stato eseguito il deployment
Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse che hai creato in questa guida, esegui questo comando:
gcloud container clusters delete CLUSTER_NAME \
--location=CONTROL_PLANE_LOCATION
Sostituisci i seguenti valori:
CONTROL_PLANE_LOCATION: la regione di Compute Engine del control plane del tuo cluster.CLUSTER_NAME: il nome del tuo cluster.
Passaggi successivi
- Scopri di più sulle GPU in GKE.
- Scopri come utilizzare Gemma con vLLM su altri acceleratori, incluse le GPU A100 e H100, visualizzando il codice campione in GitHub.
- Scopri come eseguire il deployment dei carichi di lavoro GPU in Autopilot.
- Scopri come eseguire il deployment dei carichi di lavoro GPU in Standard.
- Esplora il repository GitHub e la documentazione di vLLM.
- Esplora Vertex AI Model Garden.
- Scopri come eseguire workload di AI/ML ottimizzati con le funzionalità di orchestrazione della piattaforma GKE.