本教學課程說明如何使用 Ray Operator 外掛程式和 vLLM 服務框架，在 Google Kubernetes Engine (GKE) 上，透過張量處理單元 (TPU) 提供大型語言模型 (LLM) 服務。
在本教學課程中，您可以在 TPU v5e 或 TPU Trillium (v6e) 上提供 LLM 模型，方法如下：
- 在單一主機 TPU v5e 上執行 Llama 3 8B 指令。
- 在單一主機 TPU v5e 上執行 Mistral 7B instruct v0.3。
- 在單一主機 TPU Trillium (v6e) 上使用 Llama 3.1 70B。
本指南適用於生成式 AI 客戶、新舊 GKE 使用者、機器學習工程師、MLOps (DevOps) 工程師，或對使用 Kubernetes 容器自動化調度管理功能，透過 vLLM 在 TPU 上使用 Ray 服務模型感興趣的平台管理員。
背景
本節說明本指南中使用的重要技術。
GKE 代管 Kubernetes 服務
Google Cloud 提供各種服務，包括 GKE，非常適合部署及管理 AI/機器學習工作負載。GKE 是代管 Kubernetes 服務，可簡化容器化應用程式的部署、擴充及管理作業。GKE 提供必要的基礎架構，包括可擴充的資源、分散式運算和高效率網路，可處理大型語言模型的運算需求。
如要進一步瞭解 Kubernetes 的重要概念，請參閱「開始學習 Kubernetes」。如要進一步瞭解 GKE，以及如何協助您自動處理、管理 Kubernetes 及調度資源，請參閱 GKE 總覽。
Ray 運算子
GKE 上的 Ray Operator 外掛程式提供端對端 AI/機器學習平台，可服務、訓練及微調機器學習工作負載。在本教學課程中，您將使用 Ray Serve (Ray 中的框架)，從 Hugging Face 提供熱門的 LLM。
TPU
TPU 是 Google 開發的客製化特殊應用積體電路 (ASIC)，用於加速機器學習和 AI 模型，這些模型是使用 TensorFlow、PyTorch 和 JAX 等架構建構而成。
本教學課程說明如何在 TPU v5e 或 TPU Trillium (v6e) 節點上提供 LLM 模型，並根據每個模型的需求設定 TPU 拓撲，以低延遲時間提供提示。
vLLM
vLLM 是經過高度最佳化的開放原始碼 LLM 服務提供架構，可提升 TPU 的服務處理量，並提供下列功能：
- 使用 PagedAttention 實作最佳化轉換器
- 持續批次處理，提升整體放送輸送量
- 在多個 GPU 上進行張量平行處理和分散式服務
詳情請參閱 vLLM 說明文件。
目標
本教學課程包含下列步驟：
- 建立含有 TPU 節點集區的 GKE 叢集。
- 部署具有單一主機 TPU 配量的 RayCluster 自訂資源。GKE 會將 RayCluster 自訂資源部署為 Kubernetes Pod。
- 提供 LLM。
- 與模型互動。
您可以視需要設定 Ray Serve 架構支援的下列提供模型資源和技術：
- 部署 RayService 自訂資源。
- 使用模型組合功能，組合多個模型。
事前準備
開始之前，請確認您已完成下列工作：
- 啟用 Google Kubernetes Engine API。 啟用 Google Kubernetes Engine API
- 如要使用 Google Cloud CLI 執行這項工作，請安裝並初始化 gcloud CLI。如果您先前已安裝 gcloud CLI，請執行
gcloud components update指令，取得最新版本。較舊的 gcloud CLI 版本可能不支援執行本文件中的指令。
- 如果您尚未建立 Hugging Face 帳戶，請先完成此步驟。
- 確認您擁有 Hugging Face 權杖。
- 確認您有權存取要使用的 Hugging Face 模型。您通常需要簽署協議，並在 Hugging Face 模型頁面向模型擁有者申請存取權，才能取得這項權限。
- 確認您具備下列 IAM 角色：
roles/container.adminroles/iam.serviceAccountAdminroles/container.clusterAdminroles/artifactregistry.writer
準備環境
確認 Google Cloud 專案有足夠的配額，可供單一主機 TPU v5e 或單一主機 TPU Trillium (v6e) 使用。如要管理配額，請參閱「TPU 配額」。
在 Google Cloud 控制台中啟動 Cloud Shell 執行個體：
開啟 Cloud Shell複製範例存放區：
git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples.git cd kubernetes-engine-samples前往工作目錄：
cd ai-ml/gke-ray/rayserve/llm設定 GKE 叢集建立作業的預設環境變數：
Llama-3-8B-Instruct
export PROJECT_ID=$(gcloud config get project) export PROJECT_NUMBER=$(gcloud projects describe ${PROJECT_ID} --format="value(projectNumber)") export CLUSTER_NAME=vllm-tpu export COMPUTE_REGION=REGION export COMPUTE_ZONE=ZONE export HF_TOKEN=HUGGING_FACE_TOKEN export GSBUCKET=vllm-tpu-bucket export KSA_NAME=vllm-sa export NAMESPACE=default export MODEL_ID="meta-llama/Meta-Llama-3-8B-Instruct" export VLLM_IMAGE=docker.io/vllm/vllm-tpu:866fa4550d572f4ff3521ccf503e0df2e76591a1 export SERVICE_NAME=vllm-tpu-head-svc更改下列內容：
HUGGING_FACE_TOKEN：您的 Hugging Face 存取權杖。REGION：您擁有 TPU 配額的區域。確認您要使用的 TPU 版本是否適用於這個區域。詳情請參閱「GKE 中的 TPU 可用性」。ZONE：具有可用 TPU 配額的可用區。VLLM_IMAGE：vLLM TPU 映像檔。您可以使用公開docker.io/vllm/vllm-tpu:866fa4550d572f4ff3521ccf503e0df2e76591a1映像檔，或自行建構 TPU 映像檔。
Mistral-7B
export PROJECT_ID=$(gcloud config get project) export PROJECT_NUMBER=$(gcloud projects describe ${PROJECT_ID} --format="value(projectNumber)") export CLUSTER_NAME=vllm-tpu export COMPUTE_REGION=REGION export COMPUTE_ZONE=ZONE export HF_TOKEN=HUGGING_FACE_TOKEN export GSBUCKET=vllm-tpu-bucket export KSA_NAME=vllm-sa export NAMESPACE=default export MODEL_ID="mistralai/Mistral-7B-Instruct-v0.3" export TOKENIZER_MODE=mistral export VLLM_IMAGE=docker.io/vllm/vllm-tpu:866fa4550d572f4ff3521ccf503e0df2e76591a1 export SERVICE_NAME=vllm-tpu-head-svc更改下列內容：
HUGGING_FACE_TOKEN：您的 Hugging Face 存取權杖。REGION：您擁有 TPU 配額的區域。確認您要使用的 TPU 版本是否適用於這個區域。詳情請參閱「GKE 中的 TPU 可用性」。ZONE：具有可用 TPU 配額的可用區。VLLM_IMAGE：vLLM TPU 映像檔。您可以使用公開docker.io/vllm/vllm-tpu:866fa4550d572f4ff3521ccf503e0df2e76591a1映像檔，或自行建構 TPU 映像檔。
Llama 3.1 70B
export PROJECT_ID=$(gcloud config get project) export PROJECT_NUMBER=$(gcloud projects describe ${PROJECT_ID} --format="value(projectNumber)") export CLUSTER_NAME=vllm-tpu export COMPUTE_REGION=REGION export COMPUTE_ZONE=ZONE export HF_TOKEN=HUGGING_FACE_TOKEN export GSBUCKET=vllm-tpu-bucket export KSA_NAME=vllm-sa export NAMESPACE=default export MODEL_ID="meta-llama/Llama-3.1-70B" export MAX_MODEL_LEN=8192 export VLLM_IMAGE=docker.io/vllm/vllm-tpu:866fa4550d572f4ff3521ccf503e0df2e76591a1 export SERVICE_NAME=vllm-tpu-head-svc更改下列內容：
HUGGING_FACE_TOKEN：您的 Hugging Face 存取權杖。REGION：您擁有 TPU 配額的區域。確認您要使用的 TPU 版本是否適用於這個區域。詳情請參閱「GKE 中的 TPU 可用性」。ZONE：具有可用 TPU 配額的可用區。VLLM_IMAGE：vLLM TPU 映像檔。您可以使用公開docker.io/vllm/vllm-tpu:866fa4550d572f4ff3521ccf503e0df2e76591a1映像檔，或自行建構 TPU 映像檔。
拉取 vLLM 容器映像檔：
sudo usermod -aG docker ${USER} newgrp docker docker pull ${VLLM_IMAGE}
建立叢集
您可以使用 Ray Operator 外掛程式，在 GKE Autopilot 或標準叢集中，透過 Ray 在 TPU 上提供 LLM。
使用 Autopilot 叢集，享有全代管 Kubernetes 體驗。如要選擇最適合工作負載的 GKE 作業模式，請參閱「選擇 GKE 作業模式」。
使用 Cloud Shell 建立 Autopilot 或 Standard 叢集：
Autopilot
建立啟用 Ray Operator 外掛程式的 GKE Autopilot 叢集：
gcloud container clusters create-auto ${CLUSTER_NAME} \ --enable-ray-operator \ --release-channel=rapid \ --location=${COMPUTE_REGION}
標準
建立啟用 Ray Operator 外掛程式的標準叢集：
gcloud container clusters create ${CLUSTER_NAME} \ --release-channel=rapid \ --location=${COMPUTE_ZONE} \ --workload-pool=${PROJECT_ID}.svc.id.goog \ --machine-type="n1-standard-4" \ --addons=RayOperator,GcsFuseCsiDriver建立單一主機 TPU 配量節點集區：
Llama-3-8B-Instruct
gcloud container node-pools create tpu-1 \ --location=${COMPUTE_ZONE} \ --cluster=${CLUSTER_NAME} \ --machine-type=ct5lp-hightpu-8t \ --num-nodes=1GKE 會建立機器類型為
ct5lp-hightpu-8t的 TPU v5e 節點集區。Mistral-7B
gcloud container node-pools create tpu-1 \ --location=${COMPUTE_ZONE} \ --cluster=${CLUSTER_NAME} \ --machine-type=ct5lp-hightpu-8t \ --num-nodes=1GKE 會建立機器類型為
ct5lp-hightpu-8t的 TPU v5e 節點集區。Llama 3.1 70B
gcloud container node-pools create tpu-1 \ --location=${COMPUTE_ZONE} \ --cluster=${CLUSTER_NAME} \ --machine-type=ct6e-standard-8t \ --num-nodes=1GKE 會建立機器類型為
ct6e-standard-8t的 TPU v6e 節點集區。
設定 kubectl 與叢集通訊
如要設定 kubectl 與叢集通訊，請執行下列指令：
Autopilot
gcloud container clusters get-credentials ${CLUSTER_NAME} \
--location=${COMPUTE_REGION}
標準
gcloud container clusters get-credentials ${CLUSTER_NAME} \
--location=${COMPUTE_ZONE}
建立 Hugging Face 憑證的 Kubernetes Secret
如要建立包含 Hugging Face 權杖的 Kubernetes Secret，請執行下列指令：
kubectl create secret generic hf-secret \
--from-literal=hf_api_token=${HF_TOKEN} \
--dry-run=client -o yaml | kubectl --namespace ${NAMESPACE} apply -f -
建立 Cloud Storage bucket
如要縮短 vLLM 部署作業的啟動時間，並盡量減少每個節點所需的磁碟空間，請使用 Cloud Storage FUSE CSI 驅動程式，將下載的模型和編譯快取掛接到 Ray 節點。
在 Cloud Shell 中執行下列指令：
gcloud storage buckets create gs://${GSBUCKET} \
--uniform-bucket-level-access
這個指令會建立 Cloud Storage bucket，用來儲存從 Hugging Face 下載的模型檔案。
設定 Kubernetes ServiceAccount 以存取 bucket
建立 Kubernetes ServiceAccount：
kubectl create serviceaccount ${KSA_NAME} \ --namespace ${NAMESPACE}授予 Kubernetes ServiceAccount Cloud Storage 值區的讀寫權限：
gcloud storage buckets add-iam-policy-binding gs://${GSBUCKET} \ --member "principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${PROJECT_ID}.svc.id.goog/subject/ns/${NAMESPACE}/sa/${KSA_NAME}" \ --role "roles/storage.objectUser"GKE 會為 LLM 建立下列資源：
- Cloud Storage 值區，用於儲存下載的模型和編譯快取。Cloud Storage FUSE CSI 驅動程式會讀取 bucket 的內容。
- 啟用檔案快取的磁碟區，以及 Cloud Storage FUSE 的平行下載功能。
最佳做法： 視模型內容 (例如權重檔案) 的預期大小，使用
tmpfs或Hyperdisk / Persistent Disk支援的檔案快取。在本教學課程中，您將使用以 RAM 為後端的 Cloud Storage FUSE 檔案快取。
部署 RayCluster 自訂資源
部署 RayCluster 自訂資源，通常包含一個系統 Pod 和多個工作站 Pod。
Llama-3-8B-Instruct
如要部署 Llama 3 8B 指令微調模型，請完成下列步驟，建立 RayCluster 自訂資源：
檢查
ray-cluster.tpu-v5e-singlehost.yaml資訊清單：套用資訊清單：
envsubst < tpu/ray-cluster.tpu-v5e-singlehost.yaml | kubectl --namespace ${NAMESPACE} apply -f -envsubst指令會取代資訊清單中的環境變數。
GKE 會建立 RayCluster 自訂資源，其中包含 2x4 拓撲中的 TPU v5e 單一主機。workergroup
Mistral-7B
完成下列步驟，建立 RayCluster 自訂資源來部署 Mistral-7B 模型：
檢查
ray-cluster.tpu-v5e-singlehost.yaml資訊清單：套用資訊清單：
envsubst < tpu/ray-cluster.tpu-v5e-singlehost.yaml | kubectl --namespace ${NAMESPACE} apply -f -envsubst指令會取代資訊清單中的環境變數。
GKE 會建立 RayCluster 自訂資源，其中包含 2x4 拓撲中的 TPU v5e 單一主機。workergroup
Llama 3.1 70B
完成下列步驟，建立 RayCluster 自訂資源來部署 Llama 3.1 70B 模型：
檢查
ray-cluster.tpu-v6e-singlehost.yaml資訊清單：套用資訊清單：
envsubst < tpu/ray-cluster.tpu-v6e-singlehost.yaml | kubectl --namespace ${NAMESPACE} apply -f -envsubst指令會取代資訊清單中的環境變數。
GKE 會建立 RayCluster 自訂資源，其中包含 workergroup，並在 2x4 拓撲中包含 TPU v6e 單一主機。
連線至 RayCluster 自訂資源
建立 RayCluster 自訂資源後，您就可以連線至 RayCluster 資源，並開始提供模型服務。
確認 GKE 是否已建立 RayCluster 服務：
kubectl --namespace ${NAMESPACE} get raycluster/vllm-tpu \ --output wide輸出結果會與下列內容相似：
NAME DESIRED WORKERS AVAILABLE WORKERS CPUS MEMORY GPUS TPUS STATUS AGE HEAD POD IP HEAD SERVICE IP vllm-tpu 1 1 ### ###G 0 8 ready ### ###.###.###.### ###.###.###.###請等到
STATUS變成ready，且HEAD POD IP和HEAD SERVICE IP欄位顯示 IP 位址。建立與 Ray 首節點的
port-forwarding工作階段：pkill -f "kubectl .* port-forward .* 8265:8265" pkill -f "kubectl .* port-forward .* 10001:10001" kubectl --namespace ${NAMESPACE} port-forward service/${SERVICE_NAME} 8265:8265 2>&1 >/dev/null & kubectl --namespace ${NAMESPACE} port-forward service/${SERVICE_NAME} 10001:10001 2>&1 >/dev/null &確認 Ray 用戶端可以連線至遠端 RayCluster 自訂資源：
docker run --net=host -it ${VLLM_IMAGE} \ ray list nodes --address http://localhost:8265輸出結果會與下列內容相似：
======== List: YYYY-MM-DD HH:MM:SS.NNNNNN ======== Stats: ------------------------------ Total: 2 Table: ------------------------------ NODE_ID NODE_IP IS_HEAD_NODE STATE STATE_MESSAGE NODE_NAME RESOURCES_TOTAL LABELS 0 XXXXXXXXXX ###.###.###.### True ALIVE ###.###.###.### CPU: 2.0 ray.io/node_id: XXXXXXXXXX memory: #.### GiB node:###.###.###.###: 1.0 node:__internal_head__: 1.0 object_store_memory: #.### GiB 1 XXXXXXXXXX ###.###.###.### False ALIVE ###.###.###.### CPU: 100.0 ray.io/node_id: XXXXXXXXXX TPU: 8.0 TPU-v#e-8-head: 1.0 accelerator_type:TPU-V#E: 1.0 memory: ###.### GiB node:###.###.###.###: 1.0 object_store_memory: ##.### GiB tpu-group-0: 1.0
使用 vLLM 部署模型
如要使用 vLLM 部署特定模型，請按照這些操作說明操作。
Llama-3-8B-Instruct
docker run \
--env MODEL_ID=${MODEL_ID} \
--net=host \
--volume=./tpu:/workspace/vllm/tpu \
-it \
${VLLM_IMAGE} \
serve run serve_tpu:model \
--address=ray://localhost:10001 \
--app-dir=./tpu \
--runtime-env-json='{"env_vars": {"MODEL_ID": "meta-llama/Meta-Llama-3-8B-Instruct"}}'
Mistral-7B
docker run \
--env MODEL_ID=${MODEL_ID} \
--env TOKENIZER_MODE=${TOKENIZER_MODE} \
--net=host \
--volume=./tpu:/workspace/vllm/tpu \
-it \
${VLLM_IMAGE} \
serve run serve_tpu:model \
--address=ray://localhost:10001 \
--app-dir=./tpu \
--runtime-env-json='{"env_vars": {"MODEL_ID": "mistralai/Mistral-7B-Instruct-v0.3", "TOKENIZER_MODE": "mistral"}}'
Llama 3.1 70B
docker run \
--env MAX_MODEL_LEN=${MAX_MODEL_LEN} \
--env MODEL_ID=${MODEL_ID} \
--net=host \
--volume=./tpu:/workspace/vllm/tpu \
-it \
${VLLM_IMAGE} \
serve run serve_tpu:model \
--address=ray://localhost:10001 \
--app-dir=./tpu \
--runtime-env-json='{"env_vars": {"MAX_MODEL_LEN": "8192", "MODEL_ID": "meta-llama/Meta-Llama-3.1-70B"}}'
查看 Ray 資訊主頁
您可以透過 Ray 資訊主頁查看 Ray Serve 部署作業和相關記錄。
- 按一下 Cloud Shell 工作列右上方的「Web Preview」
按鈕。 - 按一下「變更通訊埠」，然後將通訊埠編號設為
8265。 - 按一下「變更並預覽」。
- 在 Ray 資訊主頁中，按一下「Serve」分頁標籤。
當「服務」部署作業的狀態為 HEALTHY 時，模型即可開始處理輸入內容。
提供模型
本指南著重介紹支援文字生成的模型，這項技術可根據提示詞建立文字內容。
Llama-3-8B-Instruct
設定通訊埠轉送至伺服器：
pkill -f "kubectl .* port-forward .* 8000:8000" kubectl --namespace ${NAMESPACE} port-forward service/${SERVICE_NAME} 8000:8000 2>&1 >/dev/null &將提示傳送至「提供服務」端點：
curl -X POST http://localhost:8000/v1/generate -H "Content-Type: application/json" -d '{"prompt": "What are the top 5 most popular programming languages? Be brief.", "max_tokens": 1024}'
Mistral-7B
設定通訊埠轉送至伺服器：
pkill -f "kubectl .* port-forward .* 8000:8000" kubectl --namespace ${NAMESPACE} port-forward service/${SERVICE_NAME} 8000:8000 2>&1 >/dev/null &將提示傳送至「提供服務」端點：
curl -X POST http://localhost:8000/v1/generate -H "Content-Type: application/json" -d '{"prompt": "What are the top 5 most popular programming languages? Be brief.", "max_tokens": 1024}'
Llama 3.1 70B
設定通訊埠轉送至伺服器：
pkill -f "kubectl .* port-forward .* 8000:8000" kubectl --namespace ${NAMESPACE} port-forward service/${SERVICE_NAME} 8000:8000 2>&1 >/dev/null &將提示傳送至「提供服務」端點：
curl -X POST http://localhost:8000/v1/generate -H "Content-Type: application/json" -d '{"prompt": "What are the top 5 most popular programming languages? Be brief.", "max_tokens": 1024}'
額外設定
您可以視需要設定 Ray Serve 架構支援的下列提供模型資源和技術：
- 部署 RayService 自訂資源。在本教學課程的上述步驟中，您使用的是 RayCluster，而非 RayService。建議您在正式環境中使用 RayService。
- 使用模型組合功能撰寫多個模型。設定 Ray Serve 架構支援的模型多工處理和模型組合。模型組合可讓您串連多個 LLM 的輸入和輸出內容，並將模型當做單一應用程式進行擴充。
- 建構及部署自己的 TPU 映像檔。如果您需要更精細地控管 Docker 映像檔的內容，建議使用這個選項。
部署 RayService
您可以使用 RayService 自訂資源，部署本教學課程中的相同模型。
刪除您在本教學課程中建立的 RayCluster 自訂資源：
kubectl --namespace ${NAMESPACE} delete raycluster/vllm-tpu建立 RayService 自訂資源，以部署模型：
Llama-3-8B-Instruct
檢查
ray-service.tpu-v5e-singlehost.yaml資訊清單：套用資訊清單：
envsubst < tpu/ray-service.tpu-v5e-singlehost.yaml | kubectl --namespace ${NAMESPACE} apply -f -envsubst指令會取代資訊清單中的環境變數。GKE 會建立 RayService，其中包含
workergroup，而workergroup拓撲中的 TPU v5e 單一主機。2x4
Mistral-7B
檢查
ray-service.tpu-v5e-singlehost.yaml資訊清單：套用資訊清單：
envsubst < tpu/ray-service.tpu-v5e-singlehost.yaml | kubectl --namespace ${NAMESPACE} apply -f -envsubst指令會取代資訊清單中的環境變數。GKE 會建立 RayService，其中包含
2x4拓撲中的 TPU v5e 單一主機。workergroup
Llama 3.1 70B
檢查
ray-service.tpu-v6e-singlehost.yaml資訊清單：套用資訊清單：
envsubst < tpu/ray-service.tpu-v6e-singlehost.yaml | kubectl --namespace ${NAMESPACE} apply -f -envsubst指令會取代資訊清單中的環境變數。
GKE 會建立 RayCluster 自訂資源，並在其中部署 Ray Serve 應用程式，然後建立後續的 RayService 自訂資源。
驗證 RayService 資源的狀態：
kubectl --namespace ${NAMESPACE} get rayservices/vllm-tpu等待服務狀態變更為
Running：NAME SERVICE STATUS NUM SERVE ENDPOINTS vllm-tpu Running 1擷取 RayCluster 標頭服務的名稱：
SERVICE_NAME=$(kubectl --namespace=${NAMESPACE} get rayservices/vllm-tpu \ --template={{.status.activeServiceStatus.rayClusterStatus.head.serviceName}})建立
port-forwarding工作階段，連線至 Ray 首節點，查看 Ray 資訊主頁：pkill -f "kubectl .* port-forward .* 8265:8265" kubectl --namespace ${NAMESPACE} port-forward service/${SERVICE_NAME} 8265:8265 2>&1 >/dev/null &提供模型。
清理 RayService 資源：
kubectl --namespace ${NAMESPACE} delete rayservice/vllm-tpu
使用模型組合功能撰寫多個模型
模型組合是一種技術，可將多個模型組合成單一應用程式。
在本節中，您會使用 GKE 叢集，將 Llama 3 8B IT 和 Gemma 7B IT 這兩個模型組合成單一應用程式：
- 第一個模型是助理模型，會回答提示中提出的問題。
- 第二個模型是摘要模型。助理模型輸出內容會串連至摘要模型輸入內容。最終結果是助理模型回覆的摘要版本。
如要存取 Gemma 模型，請完成下列步驟：
設定環境：
export ASSIST_MODEL_ID=meta-llama/Meta-Llama-3-8B-Instruct export SUMMARIZER_MODEL_ID=google/gemma-7b-it如果是標準叢集，請建立額外的單一主機 TPU 配量節點集區：
gcloud container node-pools create tpu-2 \ --location=${COMPUTE_ZONE} \ --cluster=${CLUSTER_NAME} \ --machine-type=MACHINE_TYPE \ --num-nodes=1將
MACHINE_TYPE替換為下列任一機器類型：ct5lp-hightpu-8t來佈建 TPU v5e。ct6e-standard-8t佈建 TPU v6e。
Autopilot 叢集會自動佈建必要節點。
根據要使用的 TPU 版本部署 RayService 資源：
TPU v5e
檢查
ray-service.tpu-v5e-singlehost.yaml資訊清單：套用資訊清單：
envsubst < model-composition/ray-service.tpu-v5e-singlehost.yaml | kubectl --namespace ${NAMESPACE} apply -f -
TPU v6e
檢查
ray-service.tpu-v6e-singlehost.yaml資訊清單：套用資訊清單：
envsubst < model-composition/ray-service.tpu-v6e-singlehost.yaml | kubectl --namespace ${NAMESPACE} apply -f -
等待 RayService 資源的狀態變更為
Running：kubectl --namespace ${NAMESPACE} get rayservice/vllm-tpu輸出結果會與下列內容相似：
NAME SERVICE STATUS NUM SERVE ENDPOINTS vllm-tpu Running 2在這個輸出內容中，
RUNNING狀態表示 RayService 資源已就緒。確認 GKE 是否已為 Ray Serve 應用程式建立 Service：
kubectl --namespace ${NAMESPACE} get service/vllm-tpu-serve-svc輸出結果會與下列內容相似：
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE vllm-tpu-serve-svc ClusterIP ###.###.###.### <none> 8000/TCP ###建立與 Ray 首節點的
port-forwarding工作階段：pkill -f "kubectl .* port-forward .* 8265:8265" pkill -f "kubectl .* port-forward .* 8000:8000" kubectl --namespace ${NAMESPACE} port-forward service/vllm-tpu-serve-svc 8265:8265 2>&1 >/dev/null & kubectl --namespace ${NAMESPACE} port-forward service/vllm-tpu-serve-svc 8000:8000 2>&1 >/dev/null &向模型傳送要求：
curl -X POST http://localhost:8000/ -H "Content-Type: application/json" -d '{"prompt": "What is the most popular programming language for machine learning and why?", "max_tokens": 1000}'輸出結果會與下列內容相似：
{"text": [" used in various data science projects, including building machine learning models, preprocessing data, and visualizing results.\n\nSure, here is a single sentence summarizing the text:\n\nPython is the most popular programming language for machine learning and is widely used in data science projects, encompassing model building, data preprocessing, and visualization."]}
建構及部署 TPU 映像檔
本教學課程使用 vLLM 的代管 TPU 映像檔。vLLM 提供 Dockerfile.tpu 映像檔，可根據包含 TPU 依附元件的必要 PyTorch XLA 映像檔建構 vLLM。不過，您也可以自行建構及部署 TPU 映像檔，進一步控管 Docker 映像檔的內容。
建立 Docker 存放區，用於儲存本指南的容器映像檔：
gcloud artifacts repositories create vllm-tpu --repository-format=docker --location=${COMPUTE_REGION} && \ gcloud auth configure-docker ${COMPUTE_REGION}-docker.pkg.dev複製 vLLM 存放區：
git clone https://github.com/vllm-project/vllm.git cd vllm建構映像檔：
docker build -f ./docker/Dockerfile.tpu . -t vllm-tpu使用 Artifact Registry 名稱標記 TPU 映像檔：
export VLLM_IMAGE=${COMPUTE_REGION}-docker.pkg.dev/${PROJECT_ID}/vllm-tpu/vllm-tpu:TAG docker tag vllm-tpu ${VLLM_IMAGE}將
TAG替換為要定義的標記名稱。如未指定，Docker 會套用預設的最新標記。將映像檔推送至 Artifact Registry：
docker push ${VLLM_IMAGE}
刪除個別資源
如果您使用現有專案，但不想刪除專案，可以刪除個別資源。
刪除 RayCluster 自訂資源：
kubectl --namespace ${NAMESPACE} delete rayclusters vllm-tpu刪除 Cloud Storage bucket：
gcloud storage rm -r gs://${GSBUCKET}刪除 Artifact Registry 存放區：
gcloud artifacts repositories delete vllm-tpu \ --location=${COMPUTE_REGION}刪除叢集：
gcloud container clusters delete ${CLUSTER_NAME} \ --location=LOCATION將
LOCATION替換為下列任一環境變數：- 如果是 Autopilot 叢集，請使用
COMPUTE_REGION。 - 如果是 Standard 叢集，請使用
COMPUTE_ZONE。
- 如果是 Autopilot 叢集，請使用
刪除專案
如果您是在新 Google Cloud 專案中部署本教學課程，且已不再需要該專案，請完成下列步驟來刪除專案：
- 前往 Google Cloud 控制台的「Manage resources」(管理資源) 頁面。
- 在專案清單中選取要刪除的專案，然後點選「Delete」(刪除)。
- 在對話方塊中輸入專案 ID，然後按一下 [Shut down] (關閉) 以刪除專案。
後續步驟
- 瞭解如何運用 GKE 平台的自動化調度管理功能，執行最佳化的 AI/機器學習工作負載。
- 如要瞭解如何在 GKE 上使用 Ray Serve，請查看 GitHub 中的程式碼範例。
- 如要瞭解如何收集及查看在 GKE 上執行的 Ray 叢集指標，請完成「收集及查看 GKE 上 Ray 叢集的記錄和指標」一文中的步驟。