Hugging Face 徽标

Google Cloud 文档

在 GKE 上部署 Meta Llama 3 8B 与 TGI DLC

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

开始使用

在 GKE 上部署 Meta Llama 3 8B 与 TGI DLC

Meta Llama 3 是 Meta 发布的 Llama 家族的最新 LLM；有 8B 和 70B 两种尺寸，包括基础模型和指令调整模型。文本生成推理 (TGI) 是 Hugging Face 开发的用于部署和提供 LLM 的工具包，具有高性能文本生成功能。此外，Google Kubernetes Engine (GKE) 是 Google Cloud 中的完全托管 Kubernetes 服务，可使用 GCP 的基础设施大规模部署和运行容器化应用程序。

本示例展示了如何在 GKE 集群上部署来自 Hugging Face Hub 的 LLM，例如 Meta Llama 3 8B Instruct，该集群运行专用的容器，以在使用 TGI 的 Hugging Face DLC 的安全且受管理的环境中部署 LLM。

设置/配置

首先，您需要在本地机器上安装 gcloud 和 kubectl，它们分别是 Google Cloud 和 Kubernetes 的命令行工具，分别用于与 GCP 和 GKE 集群进行交互。

可选地，为了简化本教程中命令的使用，您需要为 GCP 设置以下环境变量

export PROJECT_ID=your-project-id
export LOCATION=your-location
export CLUSTER_NAME=your-cluster-name

然后，您需要登录到您的 GCP 帐户并将项目 ID 设置为您要用于部署 GKE 集群的项目 ID。

gcloud auth login
gcloud auth application-default login  # For local development
gcloud config set project $PROJECT_ID

登录后，您需要在 GCP 中启用必要的服务 API，例如 Google Kubernetes Engine API、Google Container Registry API 和 Google Container File System API，这些 API 是部署 GKE 集群和 TGI 的 Hugging Face DLC 所必需的。

gcloud services enable container.googleapis.com
gcloud services enable containerregistry.googleapis.com
gcloud services enable containerfilesystem.googleapis.com

此外，要使用 kubectl 与 GKE 集群凭据进行交互，您还需要安装 gke-gcloud-auth-plugin，可以使用以下方法使用 gcloud 安装该插件

gcloud components install gke-gcloud-auth-plugin

不需要通过 gcloud 特定方式安装 gke-gcloud-auth-plugin，要了解有关替代安装方法的更多信息，请访问 https://cloud.google.com/kubernetes-engine/docs/how-to/cluster-access-for-kubectl#install_plugin。

创建 GKE 集群

一切设置完毕后，您可以继续创建 GKE 集群和节点池，在本例中将是一个单个 GPU 节点，以便使用 GPU 加速器进行高性能推理，也遵循 TGI 基于其内部 GPU 优化建议。

要部署 GKE 集群，将使用“自动驾驶”模式，因为它是大多数工作负载的推荐模式，因为底层基础设施由 Google 管理。或者，您也可以使用“标准”模式。

在创建 GKE 自动驾驶集群之前，请务必检查 GKE 文档 - 通过选择机器系列优化自动驾驶 Pod 性能，因为并非所有版本都支持 GPU 加速器，例如 nvidia-l4 在 GKE 集群版本 1.28.3 或更低版本中不受支持。

gcloud container clusters create-auto $CLUSTER_NAME \
    --project=$PROJECT_ID \
    --location=$LOCATION \
    --release-channel=stable \
    --cluster-version=1.28 \
    --no-autoprovisioning-enable-insecure-kubelet-readonly-port

要选择 GKE 集群在您所在位置的特定版本，您可以运行以下命令

gcloud container get-server-config \
    --flatten="channels" \
    --filter="channels.channel=STABLE" \
    --format="yaml(channels.channel,channels.defaultVersion)" \
    --location=$LOCATION

有关更多信息，请访问 https://cloud.google.com/kubernetes-engine/versioning#specifying_cluster_version。

GKE Cluster in the GCP Console

创建 GKE 集群后，您可以使用以下命令获取凭据，以便通过 kubectl 访问该集群

gcloud container clusters get-credentials $CLUSTER_NAME --location=$LOCATION

可选：在 GKE 中设置机密

由于 meta-llama/Meta-Llama-3.1-8B-Instruct 是一个受限模型，因此您需要使用 kubectl 设置一个包含 Hugging Face Hub 令牌的 Kubernetes 机密。

要为 Hugging Face Hub 生成自定义令牌，您可以按照 https://huggingface.co/docs/hub/en/security-tokens 中的说明进行操作；推荐的方法是安装 huggingface_hub Python SDK，如下所示

pip install --upgrade --quiet huggingface_hub

然后使用生成的令牌登录，该令牌对受限/私有模型具有读取访问权限

huggingface-cli login

最后，您可以使用以下方法使用 huggingface_hub Python SDK 检索令牌来创建包含为 Hugging Face Hub 生成的令牌的 Kubernetes 机密

kubectl create secret generic hf-secret \
    --from-literal=hf_token=$(python -c "from huggingface_hub import get_token; print(get_token())") \
    --dry-run=client -o yaml | kubectl apply -f -

或者，您也可以直接设置令牌，如下所示

kubectl create secret generic hf-secret \
    --from-literal=hf_token=hf_*** \
    --dry-run=client -o yaml | kubectl apply -f -

GKE Secret in the GCP Console

有关如何在 GKE 集群中设置 Kubernetes 机密的更多信息，请访问 https://cloud.google.com/secret-manager/docs/secret-manager-managed-csi-component。

部署 TGI

现在你可以继续进行 Hugging Face DLC for TGI 的 Kubernetes 部署，它将从 Hugging Face Hub 提供的 meta-llama/Meta-Llama-3.1-8B-Instruct 模型中提供服务。

要探索可以通过 TGI 提供服务的所有模型，你可以在 Hub 中探索标有 text-generation-inference 的模型，访问地址为 https://huggingface.co/models?other=text-generation-inference。

Hugging Face DLC for TGI 将通过 kubectl 部署，从 config/ 目录中的配置文件进行部署

  • deployment.yaml：包含 Pod 的部署细节，包括对 Hugging Face DLC for TGI 的引用，并将 MODEL_ID 设置为 meta-llama/Meta-Llama-3.1-8B-Instruct。
  • service.yaml：包含 Pod 的服务详细信息，为 TGI 服务公开端口 8080。
  • (可选) ingress.yaml：包含 Pod 的 Ingress 详细信息，将服务公开到外部世界，以便可以通过 Ingress IP 访问它。
kubectl apply -f config/

GKE Deployment in the GCP Console

Kubernetes 部署可能需要几分钟才能准备好，因此你可以使用以下命令检查部署状态

kubectl get pods

或者，你可以使用以下命令等待部署准备就绪

kubectl wait --for=condition=Available --timeout=700s deployment/tgi-deployment

使用 TGI 进行推理

要对已部署的 TGI 服务运行推理，你可以通过以下两种方式之一：

  • 将已部署的 TGI 服务端口转发到端口 8080，以便通过 localhost 访问，使用以下命令：

    kubectl port-forward service/tgi-service 8080:8080

  • 通过 Ingress 的外部 IP 访问 TGI 服务，这是这里的默认方案，因为你在 config/ingress.yaml 文件中定义了 Ingress 配置（但可以跳过，改用端口转发），可以使用以下命令检索外部 IP：

    kubectl get ingress tgi-ingress -o jsonpath='{.status.loadBalancer.ingress[0].ip}'

通过 cURL

要使用 cURL 向 TGI 服务发送 POST 请求，你可以运行以下命令：

curl http://localhost:8080/generate \
    -X POST \
    -d '{"inputs":"<|begin_of_text|><|start_header_id|>system<|end_header_id|>\n\nYou are a helpful assistant.<|eot_id|><|start_header_id|>user<|end_header_id|>\n\nWhat is 2+2?<|eot_id|><|start_header_id|>assistant<|end_header_id|>\n\n","parameters":{"temperature":0.7, "top_p": 0.95, "max_new_tokens": 128}}' \
    -H 'Content-Type: application/json'

或者向 Ingress IP 发送 POST 请求：

curl http://$(kubectl get ingress tgi-ingress -o jsonpath='{.status.loadBalancer.ingress[0].ip}')/generate \
    -X POST \
    -d '{"inputs":"<|begin_of_text|><|start_header_id|>system<|end_header_id|>\n\nYou are a helpful assistant.<|eot_id|><|start_header_id|>user<|end_header_id|>\n\nWhat is 2+2?<|eot_id|><|start_header_id|>assistant<|end_header_id|>\n\n","parameters":{"temperature":0.7, "top_p": 0.95, "max_new_tokens": 128}}' \
    -H 'Content-Type: application/json'

这将产生以下输出：

{"generated_text":"The answer to 2+2 is 4."}

要使用预期的聊天模板格式生成 inputs，你可以使用以下代码片段：

from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("meta-llama/Meta-Llama-3-8B-Instruct")
tokenizer.apply_chat_template(
    [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "What is 2+2?"},
    ],
    tokenize=False,
    add_generation_prompt=True,
)

通过 Python

要使用 Python 运行推理，你可以使用 openai Python SDK（请参阅 https://platform.openai.com/docs/quickstart 中的安装说明），将 localhost 或 Ingress IP 设置为客户端的 base_url，然后运行以下代码：

from huggingface_hub import get_token
from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8080/v1/",
    api_key=get_token() or "-",
)

chat_completion = client.chat.completions.create(
    model="tgi",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "What is 2+2?"},
    ],
    max_tokens=128,
)

这将产生以下输出：

ChatCompletion(id='', choices=[Choice(finish_reason='eos_token', index=0, logprobs=None, message=ChatCompletionMessage(content='The answer to 2+2 is 4!', role='assistant', function_call=None, tool_calls=None))], created=1718108522, model='meta-llama/Meta-Llama-3-8B-Instruct', object='text_completion', system_fingerprint='2.0.2-sha-6073ece', usage=CompletionUsage(completion_tokens=12, prompt_tokens=28, total_tokens=40))

删除 GKE 集群

最后，当你完成在 GKE 集群上使用 TGI 后，你可以安全地删除 GKE 集群，以避免产生不必要的费用。

gcloud container clusters delete $CLUSTER_NAME --location=$LOCATION

或者，你也可以将已部署 Pod 的副本数量缩减为 0，如果你想保留集群，因为使用 GKE Autopilot 模式部署的默认 GKE 集群只运行一个 e2-small 实例。

kubectl scale --replicas=0 deployment/tgi-deployment

📍 在 GitHub 上查找完整的示例 此处！

< > 在 GitHub 上更新

←在 GKE 上从 GCS 部署 BGE Base v1.5 与 TEI DLC 在 GKE 上从 GCS 部署 Qwen2 7B 与 TGI DLC→