GKE で複数の GPU を使用して Gemma オープンモデルをファインチューニングする

モデルへのアクセス権を取得する

GKE にデプロイするために Gemma モデルへのアクセス権を取得するには、まずライセンス同意契約に署名してから、Hugging Face のアクセス トークンを生成する必要があります。

ライセンス同意契約に署名する

Gemma を使用するには同意契約に署名する必要があります。手順は次のとおりです。

1. Kaggle.com のモデルの同意ページにアクセスします。
2. Hugging Face アカウントを使用して同意を確認します。
3. モデルの規約に同意します。

アクセス トークンを生成する

Hugging Face からモデルにアクセスするには、Hugging Face トークンが必要です。

トークンをまだ生成していない場合は、次の手順に沿って生成します。

1. [Your Profile] > [Settings] > [Access Tokens] の順にクリックします。
2. [New Token] を選択します。
3. 任意の名前と、少なくとも Write ロールを指定します。
4. [Generate a token] を選択します。
5. トークンをクリップボードにコピーします。

環境を準備する

このチュートリアルでは、Cloud Shell を使用して Google Cloud でホストされるリソースを管理します。Cloud Shell には、このチュートリアルに必要な kubectl や gcloud CLI などのソフトウェアがプリインストールされています。

Cloud Shell を使用して環境を設定するには、次の操作を行います。

1. Google Cloud コンソールで、Google Cloud コンソールの [Cloud Shell をアクティブにする] をクリックして、Cloud Shell セッションを起動します。これにより、Google Cloud コンソールの下部ペインでセッションが起動されます。

2. デフォルトの環境変数を設定します。

   gcloud config set project PROJECT_ID
   export PROJECT_ID=$(gcloud config get project)
   export REGION=REGION
   export CLUSTER_NAME=finetuning
   export HF_TOKEN=HF_TOKEN
   export HF_PROFILE=HF_PROFILE
   

   次の値を置き換えます。

   • PROJECT_ID: Google Cloud プロジェクト ID。
   • REGION: 使用するアクセラレータ タイプをサポートするリージョン（たとえば、L4 GPU の場合は us-central1）。
   • HF_TOKEN: 先ほど生成した Hugging Face トークン。
   • HF_PROFILE: 前に作成した Hugging Face プロファイル ID。

3. GitHub からサンプルコード リポジトリのクローンを作成します。

   git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples
   cd kubernetes-engine-samples/ai-ml/llm-finetuning-gemma
   

Google Cloud リソースを作成して構成する

次の手順で、必要なリソースを作成します。

GKE クラスタとノードプールを作成する

GKE Autopilot クラスタまたは GKE Standard クラスタの GPU で Gemma を提供できます。ワークロードに最適な GKE の運用モードを選択するには、GKE の運用モードを選択するをご覧ください。

gcloud container clusters create-auto ${CLUSTER_NAME} \
  --project=${PROJECT_ID} \
  --region=${REGION} \
  --release-channel=rapid \
  --cluster-version=1.29

Hugging Face の認証情報用の Kubernetes Secret を作成する

Cloud Shell で、次の操作を行います。

1. クラスタと通信を行うように kubectl を構成します。

   gcloud container clusters get-credentials ${CLUSTER_NAME} --location=${REGION}
   

2. Hugging Face トークンを含む Kubernetes Secret を作成します。

   kubectl create secret generic hf-secret \
     --from-literal=hf_api_token=${HF_TOKEN} \
     --dry-run=client -o yaml | kubectl apply -f -
   

Docker と Cloud Build を使用してファインチューニング コンテナを作成する

このコンテナは、PyTorch と Hugging Face Transformers のコードを使用して、既存の事前トレーニング済み Gemma モデルをファインチューニングします。

1. Artifact Registry Docker リポジトリを作成します。

   gcloud artifacts repositories create gemma \
       --project=${PROJECT_ID} \
       --repository-format=docker \
       --location=us \
       --description="Gemma Repo"
   

2. イメージをビルドして push します。

   gcloud builds submit .
   

3. このチュートリアルで後で使用できるように、IMAGE_URL をエクスポートします。

   export IMAGE_URL=us-docker.pkg.dev/$PROJECT_ID/gemma/finetune-gemma-gpu:1.0.0
   

GKE でファインチューニング ジョブを実行する

ファインチューニング ジョブ用の Gemma をデプロイする

1. finetune.yaml ファイルを開きます。

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: finetune-job
     namespace: default
   spec:
     backoffLimit: 2
     template:
       metadata:
         annotations:
           kubectl.kubernetes.io/default-container: finetuner
       spec:
         terminationGracePeriodSeconds: 600
         containers:
         - name: finetuner
           image: $IMAGE_URL
           resources:
             limits:
               nvidia.com/gpu: "8"
           env:
           - name: MODEL_NAME
             value: "google/gemma-2b"
           - name: NEW_MODEL
             value: "gemma-2b-sql-finetuned"
           - name: LORA_R
             value: "8"
           - name: LORA_ALPHA
             value: "16"
           - name: TRAIN_BATCH_SIZE
             value: "1"
           - name: EVAL_BATCH_SIZE
             value: "2"
           - name: GRADIENT_ACCUMULATION_STEPS
             value: "2"
           - name: DATASET_LIMIT
             value: "1000"
           - name: MAX_SEQ_LENGTH
             value: "512"
           - name: LOGGING_STEPS
             value: "5"
           - name: HF_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
         volumes:
         - name: dshm
           emptyDir:
             medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-l4
         restartPolicy: OnFailure

2. マニフェストを適用して、ファインチューニング ジョブを作成します。

   envsubst < finetune.yaml | kubectl apply -f -
   

   この指示により、IMAGE_URL はマニフェスト内の変数に置き換えられます。

3. 次のコマンドを実行して、ジョブをモニタリングします。

   watch kubectl get pods
   

4. 次のコマンドを実行して、ジョブのログを確認します。

   kubectl logs job.batch/finetune-job -f
   

   Job リソースはモデルデータをダウンロードし、8 つすべての GPU を使用してモデルをファインチューニングします。この処理には最長で 20 分ほどかかります

5. ジョブが完了したら、Hugging Face アカウントに移動します。Hugging Face のプロフィールに $HF_PROFILE/gemma-2b-sql-finetuned という名前の新しいモデルが表示されます。

ファインチューニング済みモデルを GKE でサービングする

このセクションでは、Gemma モデルをサービングする vLLM コンテナをデプロイします。

1. 次の serve-gemma.yaml マニフェストを作成します。

   apiVersion: apps/v1
   kind: Deployment
   metadata:
     name: vllm-gemma-deployment
   spec:
     replicas: 1
     selector:
       matchLabels:
         app: gemma-server
     template:
       metadata:
         labels:
           app: gemma-server
           ai.gke.io/model: gemma-2b
           ai.gke.io/inference-server: vllm
           examples.ai.gke.io/source: user-guide
       spec:
         containers:
         - name: inference-server
           image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20240220_0936_RC01
           resources:
             requests:
               cpu: "2"
               memory: "7Gi"
               ephemeral-storage: "10Gi"
               nvidia.com/gpu: 1
             limits:
               cpu: "2"
               memory: "7Gi"
               ephemeral-storage: "10Gi"
               nvidia.com/gpu: 1
           command: ["python3", "-m", "vllm.entrypoints.api_server"]
           args:
           - --model=$(MODEL_ID)
           - --tensor-parallel-size=1
           env:
           - name: MODEL_ID
             value: google/gemma-2b
           - name: HUGGING_FACE_HUB_TOKEN
             valueFrom:
               secretKeyRef:
                 name: hf-secret
                 key: hf_api_token
           volumeMounts:
           - mountPath: /dev/shm
             name: dshm
         volumes:
         - name: dshm
           emptyDir:
               medium: Memory
         nodeSelector:
           cloud.google.com/gke-accelerator: nvidia-l4
   ---
   apiVersion: v1
   kind: Service
   metadata:
     name: llm-service
   spec:
     selector:
       app: gemma-server
     type: ClusterIP
     ports:
       - protocol: TCP
         port: 8000
         targetPort: 8000

2. 新しい MODEL_ID の環境変数を作成します。

   export MODEL_ID=$HF_PROFILE/gemma-2b-sql-finetuned
   

3. マニフェストの MODEL_ID を置き換えます。

   sed -i "s|google/gemma-2b|$MODEL_ID|g" serve-gemma.yaml
   

4. 次のようにマニフェストを適用します。

   kubectl apply -f serve-gemma.yaml
   

   クラスタ内の Pod が Hugging Face からモデルの重みをダウンロードし、サービス提供エンジンを起動します。

5. Deployment が利用可能になるまで待ちます。

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

6. 実行中の Deployment のログを表示します。

   kubectl logs -f -l app=gemma-server
   

Deployment リソースによってモデルデータがダウンロードされます。この処理には数分かかることがあります。出力は次のようになります。

INFO 01-26 19:02:54 model_runner.py:689] Graph capturing finished in 4 secs.
INFO:     Started server process [1]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

モデルが完全にダウンロードされたことを確認してから、次のセクションに進んでください。

モデルを提供する

このセクションでは、モデルを操作します。

ポート転送を設定する

モデルがデプロイされたら、次のコマンドを実行してモデルへのポート転送を設定します。

kubectl port-forward service/llm-service 8000:8000

出力は次のようになります。

Forwarding from 127.0.0.1:8000 -> 8000

curl を使用してモデルを操作する

新しいターミナル セッションで、curl を使用してモデルとチャットします。

次のコマンドの例は TGI 用です。

USER_PROMPT="Question: What is the total number of attendees with age over 30 at kubecon eu? Context: CREATE TABLE attendees (name VARCHAR, age INTEGER, kubecon VARCHAR)"

curl -X POST http://localhost:8000/generate \
  -H "Content-Type: application/json" \
  -d @- <<EOF
{
    "prompt": "${USER_PROMPT}",
    "temperature": 0.1,
    "top_p": 1.0,
    "max_tokens": 24
}
EOF

次の出力には、モデルのレスポンスの例が表示されています。

{"generated_text":" Answer: SELECT COUNT(age) FROM attendees WHERE age > 30 AND kubecon = 'eu'\n"}

クエリによっては、より良い結果を得るために max_token の変更が必要になる場合があります。指示用チューニング済みモデルを使用して、チャット エクスペリエンスを向上させることもできます。