在 GKE 上使用 TGI DLC 部署带有多个 LoRA 适配器的 Gemma2
Gemma 2 是一个先进的轻量级开放模型,它在 Google DeepMind 和 Google 其他团队开发的 Gemini 模型及其前身的研究和技术基础上,提高了性能和效率。文本生成推理 (TGI) 是 Hugging Face 开发的一个工具包,用于部署和提供 LLM,具有高性能文本生成。此外,Google Kubernetes Engine (GKE) 是 Google Cloud 中一项完全托管的 Kubernetes 服务,可使用 GCP 的基础设施在规模上部署和运行容器化应用程序。
此示例展示了如何将 Hugging Face Hub 中的 Gemma 2 2B 与多个 LoRA 适配器(针对编码、SQL 或日语等不同目的进行了微调)部署到运行 Hugging Face TGI DLC 的 GKE 集群上,即一个专门构建的容器,用于在安全和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 集群交互。
- 要安装
gcloud
,请按照 Cloud SDK 文档 - 安装 gcloud CLI 中的说明进行操作。 - 要安装
kubectl
,请按照 Kubernetes 文档 - 安装工具 中的说明进行操作。
可选地,为了便于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,即 Google Kubernetes Engine API 和 Google Container Registry API,这些 API 是部署 GKE 集群和 Hugging Face TGI DLC 所必需的。
gcloud services enable container.googleapis.com
gcloud services enable containerregistry.googleapis.com
此外,要使用 kubectl
与 GKE 集群凭据,您还需要安装 gke-gcloud-auth-plugin
,可以通过 gcloud
安装,如下所示
gcloud components install gke-gcloud-auth-plugin
gke-gcloud-auth-plugin
的安装不需要专门通过 gcloud
完成,要了解有关替代安装方法的更多信息,请访问 GKE 文档 - 安装 kubectl 并配置集群访问。
创建 GKE 集群
一切都设置好后,您可以继续创建 GKE 集群和节点池,在本例中,它将是一个单 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 GPU 内部优化的建议。
要部署 GKE 集群,将使用“自动驾驶仪”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 自动驾驶仪集群之前,请务必查看 GKE 文档 - 通过选择机器系列优化自动驾驶仪 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=$LOCATION \
--release-channel=stable \
--cluster-version=1.29 \
--no-autoprovisioning-enable-insecure-kubelet-readonly-port
要选择您所在位置的 GKE 集群的特定版本,您可以运行以下命令
gcloud container get-server-config \
--flatten="channels" \
--filter="channels.channel=STABLE" \
--format="yaml(channels.channel,channels.defaultVersion)" \
--location=$LOCATION
有关更多信息,请访问 GKE 文档 - 指定集群版本。
创建 GKE 集群后,您可以使用以下命令获取通过 kubectl
访问它的凭据
gcloud container clusters get-credentials $CLUSTER_NAME --location=$LOCATION
获取 Hugging Face 令牌并在 GKE 中设置秘密
由于 google/gemma-2-2b-it
是一个受限模型,您需要使用 kubectl
设置一个包含 Hugging Face Hub 令牌的 Kubernetes 秘密。
要为 Hugging Face Hub 生成自定义令牌,您可以按照 Hugging Face Hub - 用户访问令牌 中的说明进行操作;建议的设置方法是安装 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/私有模型具有读访问权限
huggingface-cli login
最后,您可以使用 huggingface_hub
Python SDK 检索令牌,按照以下步骤创建带有 Hugging Face Hub 生成的令牌的 Kubernetes 密钥。
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 -
有关如何在 GKE 集群中设置 Kubernetes 密钥的更多信息,请参见 Secret Manager 文档 - 在 Google Kubernetes Engine 中使用 Secret Manager 附加组件。
部署 TGI
现在,您可以从 Hugging Face Hub 开始部署 TGI 的 Hugging Face DLC 到 Kubernetes,它提供 google/gemma-2-2b-it
模型和多个基于它微调的 LoRA 适配器。
要探索所有可以通过 TGI 提供的服务,您可以浏览 Hub 上标记为 text-generation-inference
的模型。
TGI 的 Hugging Face DLC 将通过 kubectl
从 config/
目录中的配置文件部署。
deployment.yaml
:包含 pod 的部署详细信息,包括对 TGI 的 Hugging Face DLC 的引用,将MODEL_ID
设置为google/gemma-2-2b-it
,并将LORA_ADAPTERS
设置为google-cloud-partnership/gemma-2-2b-it-lora-magicoder,google-cloud-partnership/gemma-2-2b-it-lora-sql
,即以下适配器。google-cloud-partnership/gemma-2-2b-it-lora-sql
:使用gretelai/synthetic_text_to_sql
微调,在给出 SQL 上下文和有关它的提示/问题的情况下,生成带有解释的 SQL 查询。google-cloud-partnership/gemma-2-2b-it-lora-magicoder
:使用ise-uiuc/Magicoder-OSS-Instruct-75K
微调,根据输入问题,生成各种编程语言(如 Python、Rust 或 C 等)的代码。google-cloud-partnership/gemma-2-2b-it-lora-jap-en
:使用Jofthomas/japanese-english-translation
微调,这是一个合成生成的日语短句翻译成英语的数据集,用于将英语翻译成日语,反之亦然。
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 的入口详细信息,将服务公开到外部世界,以便可以通过入口 IP 访问它。
请注意,所选的 LoRA 适配器不适合在生产环境中使用,因为微调的适配器尚未经过广泛测试。
kubectl apply -f config/
Kubernetes 部署可能需要几分钟才能准备好,因此您可以使用以下命令检查部署状态。
kubectl get pods
或者,您可以直接等待部署准备就绪,使用以下命令。
kubectl wait --for=condition=Available --timeout=700s deployment/tgi-deployment
使用 TGI 推理
要对部署的 TGI 服务运行推理,您需要先确保该服务可访问,您可以通过以下两种方式做到这一点。
将部署的 TGI 服务转发到端口 8080,以便通过以下命令通过
localhost
访问。kubectl port-forward service/tgi-service 8080:8080
通过入口的外部 IP 访问 TGI 服务,这是默认情况,因为您在
config/ingress.yaml
文件中定义了入口配置(但可以省略,改为端口转发),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,您可以运行以下命令。
curl http://localhost:8080/v1/chat/completions \
-X POST \
-d '{"messages":[{"role":"user","content":"What is Deep Learning?"}],"temperature":0.7,"top_p":0.95,"max_tokens":128}}' \
-H 'Content-Type: application/json'
或者,您可以向入口 IP 发送 POST 请求,而不是 localhost。
curl http://$(kubectl get ingress tgi-ingress -o jsonpath='{.status.loadBalancer.ingress[0].ip}')/v1/chat/completions \
-X POST \
-d '{"messages":[{"role":"user","content":"What is Deep Learning?"}],"temperature":0.7,"top_p":0.95,"max_tokens":128}}' \
-H 'Content-Type: application/json'
在本例中,您正在提供多个 LoRA 适配器,要使用这些适配器,您需要在使用 /v1/chat/completions
终结点时指定 model
参数(或在使用 /generate
终结点时指定 adapter_id
参数),以便使用 LoRA 适配器。在任何其他情况下,将使用基本模型,这意味着只有在明确指定的情况下才会使用适配器。
例如,假设您想要为一个无法解决的问题生成一段代码,那么您应该使用微调的适配器 google-cloud-partnership/gemma-2-2b-it-lora-magicoder
,该适配器专门为此目的进行了微调;或者,您也可以使用基本指令微调模型,因为它可以处理各种任务,但例如,日语到英语模型并不适合该任务。
curl http://localhost:8080/v1/chat/completions \
-X POST \
-d '{"messages":[{"role":"user","content":"You are given a vector of integers, A, of length n. Your task is to implement a function that finds the maximum product of any two distinct elements in the vector. Write a function in Rust to return this maximum product. Function Signature: rust fn max_product(a: Vec<i32>) -> i32 Input: - A vector a of length n (2 <= n <= 10^5), where each element is an integer (-10^4 <= a[i] <= 10^4). Output: - Return the maximum product of two distinct elements. Example: Input: a = vec![1, 5, 3, 9] Output: max_product(a) -> 45"}],"temperature":0.7,"top_p":0.95,"max_tokens":256,"model":"google-cloud-partnership/gemma-2-2b-it-lora-magicoder"}}' \
-H 'Content-Type: application/json'
这将生成给定提示的以下解决方案。
{"object":"chat.completion","id":"","created":1727378101,"model":"google/gemma-2-2b-it","system_fingerprint":"2.3.1-dev0-native","choices":[{"index":0,"message":{"role":"assistant","content":"\`\`\`rust\nfn max_product(a: Vec<i32>) -> i32 {\n let mut max1 = a[0];\n let mut max2 = a[1];\n if max2 < max1 {\n std::mem::swap(&mut max1, &mut max2);\n }\n for i in 2..a.len() {\n if a[i] > max1 {\n max2 = max1;\n max1 = a[i];\n } else if a[i] > max2 {\n "},"logprobs":null,"finish_reason":"length"}],"usage":{"prompt_tokens":163,"completion_tokens":128,"total_tokens":291}}
翻译成 Rust 代码将是。
fn max_product(a: Vec<i32>) -> i32 {
if a.len() < 2 {
return 0;
}
let mut max_product = a[0] * a[1];
for i in 1..a.len() {
for j in i + 1..a.len() {
if a[i] * a[j] > max_product {
max_product = a[i] * a[j];
}
}
}
max_product
}
通过 Python
要使用 Python 运行推理,您可以使用 huggingface_hub
Python SDK(推荐)或 openai
Python SDK。
在下面的示例中,将使用 localhost
,但是如果您使用入口部署了 TGI,请随时使用上面提到的入口 IP(无需指定端口)。
huggingface_hub
您可以通过 pip
安装它,如 pip install --upgrade --quiet huggingface_hub
,然后运行以下代码片段来模仿上面的 cURL
命令,即向 Messages API 发送请求,通过 model
参数提供适配器标识符。
from huggingface_hub import InferenceClient
client = InferenceClient(base_url="http://localhost:8080", api_key="-")
chat_completion = client.chat.completions.create(
model="google-cloud-partnership/gemma-2-2b-it-lora-magicoder",
messages=[
{"role": "user", "content": "You are given a vector of integers, A, of length n. Your task is to implement a function that finds the maximum product of any two distinct elements in the vector. Write a function in Rust to return this maximum product. Function Signature: rust fn max_product(a: Vec<i32>) -> i32 Input: - A vector a of length n (2 <= n <= 10^5), where each element is an integer (-10^4 <= a[i] <= 10^4). Output: - Return the maximum product of two distinct elements. Example: Input: a = vec![1, 5, 3, 9] Output: max_product(a) -> 45"},
],
max_tokens=128,
)
或者,您也可以自己格式化提示,并通过 Text Generation API 发送,通过 adapter_id
参数提供适配器标识符,如下所示。
from huggingface_hub import InferenceClient
client = InferenceClient("http://localhost:8080", api_key="-")
generation = client.text_generation(
prompt="You are given a vector of integers, A, of length n. Your task is to implement a function that finds the maximum product of any two distinct elements in the vector. Write a function in Rust to return this maximum product. Function Signature: rust fn max_product(a: Vec<i32>) -> i32 Input: - A vector a of length n (2 <= n <= 10^5), where each element is an integer (-10^4 <= a[i] <= 10^4). Output: - Return the maximum product of two distinct elements. Example: Input: a = vec![1, 5, 3, 9] Output: max_product(a) -> 45",
max_new_tokens=128,
adapter_id="google-cloud-partnership/gemma-2-2b-it-lora-magicoder",
)
openai
此外,您也可以通过 openai
使用 Messages API;您可以通过 pip
安装它,如 pip install --upgrade openai
,然后运行。
from openai import OpenAI
client = OpenAI(
base_url="http://localhost:8080/v1/",
api_key="-",
)
chat_completion = client.chat.completions.create(
model="google-cloud-partnership/gemma-2-2b-it-lora-magicoder",
messages=[
{"role": "user", "content": "You are given a vector of integers, A, of length n. Your task is to implement a function that finds the maximum product of any two distinct elements in the vector. Write a function in Rust to return this maximum product. Function Signature: rust fn max_product(a: Vec<i32>) -> i32 Input: - A vector a of length n (2 <= n <= 10^5), where each element is an integer (-10^4 <= a[i] <= 10^4). Output: - Return the maximum product of two distinct elements. Example: Input: a = vec![1, 5, 3, 9] Output: max_product(a) -> 45"},
],
max_tokens=128,
)
删除 GKE 集群
最后,在您完成在 GKE 集群上使用 TGI 后,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,如果您想保留集群,也可以将部署的 Pod 的副本数量缩减为 0,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 这里!