Menjalankan inferensi LLM di GPU Cloud Run dengan Gemma 3 dan Ollama

Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Menyiapkan gcloud

Untuk mengonfigurasi Google Cloud CLI untuk layanan Cloud Run Anda:

1. Setel project default Anda:

   gcloud config set project PROJECT_ID

   Klik ikon untuk mengganti variabel PROJECT_ID dengan nama project yang Anda buat untuk tutorial ini. Tindakan ini memastikan bahwa semua listingan di halaman ini yang mereferensikan PROJECT_ID memiliki nilai yang benar dan telah diisi.

2. Konfigurasikan Google Cloud CLI untuk menggunakan region europe-west1 untuk perintah Cloud Run.

   gcloud config set run/region europe-west1

Menggunakan Docker untuk membuat image container dengan Ollama dan Gemma

1. Buat direktori untuk layanan Ollama dan ubah direktori kerja Anda ke direktori baru ini:

   mkdir ollama-backend
   cd ollama-backend

2. Buat file Dockerfile dengan konten berikut:

   FROM ollama/ollama:latest
   
   # Listen on all interfaces, port 8080
   ENV OLLAMA_HOST 0.0.0.0:8080
   
   # Store model weight files in /models
   ENV OLLAMA_MODELS /models
   
   # Reduce logging verbosity
   ENV OLLAMA_DEBUG false
   
   # Never unload model weights from the GPU
   ENV OLLAMA_KEEP_ALIVE -1
   
   # Store the model weights in the container image
   ENV MODEL gemma3:4b
   RUN ollama serve & sleep 5 && ollama pull $MODEL
   
   # Start Ollama
   ENTRYPOINT ["ollama", "serve"]
   

Menyimpan bobot model dalam image container untuk memulai instance yang lebih cepat

Google merekomendasikan untuk menyimpan bobot model untuk Gemma 3 (4B) dan model berukuran serupa langsung di image container.

Bobot model adalah parameter numerik yang menentukan perilaku LLM. Ollama harus membaca file ini sepenuhnya dan memuat bobot ke memori GPU (VRAM) selama startup instance penampung, sebelum dapat mulai menayangkan permintaan inferensi.

Di Cloud Run, startup instance container yang cepat penting untuk meminimalkan latensi permintaan. Jika instance penampung Anda memiliki waktu startup yang lambat, layanan akan memerlukan waktu lebih lama untuk diskalakan dari nol menjadi satu instance, dan memerlukan lebih banyak waktu untuk diskalakan selama lonjakan traffic.

Untuk memastikan startup yang cepat, simpan file model di image container itu sendiri. Cara ini lebih cepat dan lebih andal daripada mendownload file dari lokasi jarak jauh selama startup. Penyimpanan image container internal Cloud Run dioptimalkan untuk menangani lonjakan traffic, sehingga dapat menyiapkan sistem file container dengan cepat saat instance dimulai.

Perhatikan bahwa bobot model untuk Gemma 3 (4B) memerlukan penyimpanan sebesar 8 GB. Model yang lebih besar memiliki file bobot model yang lebih besar, dan file ini mungkin tidak praktis untuk disimpan dalam image penampung. Lihat Praktik terbaik: Inferensi AI di Cloud Run dengan GPU untuk mengetahui ringkasan kompromi.

Mem-build dan men-deploy layanan Cloud Run

Build dan deploy layanan ke Cloud Run:

gcloud run deploy ollama-gemma \
  --source . \
  --concurrency 4 \ 
  --cpu 8 \
  --set-env-vars OLLAMA_NUM_PARALLEL=4 \
  --gpu 1 \
  --gpu-type nvidia-l4 \
  --max-instances 1 \
  --memory 32Gi \
  --no-allow-unauthenticated \
  --no-cpu-throttling \
  --no-gpu-zonal-redundancy \
  --timeout=600

Perhatikan flag penting berikut dalam perintah ini:

• --concurrency 4 ditetapkan agar cocok dengan nilai variabel lingkungan OLLAMA_NUM_PARALLEL.
• --gpu 1 dengan --gpu-type nvidia-l4 menetapkan 1 GPU NVIDIA L4 ke setiap instance Cloud Run dalam layanan.
• --max-instances 1 menentukan jumlah maksimum instance yang akan diskalakan. Kuota ini harus sama dengan atau lebih rendah dari kuota GPU NVIDIA L4 (Total Nvidia L4 GPU allocation, per project per region) project Anda.
• --no-allow-unauthenticated membatasi akses yang tidak diautentikasi ke layanan. Dengan menjaga layanan bersifat pribadi, Anda dapat mengandalkan autentikasi Identity and Access Management (IAM) bawaan Cloud Run untuk komunikasi layanan-ke-layanan. Lihat Mengelola akses menggunakan IAM.
• --no-cpu-throttling diperlukan untuk mengaktifkan GPU.
• --no-gpu-zonal-redundancy menetapkan opsi redundansi zonal bergantung pada persyaratan failover zonal dan kuota yang tersedia. Lihat Opsi redundansi zona GPU untuk mengetahui detailnya.

Menetapkan serentak untuk performa yang optimal

Bagian ini memberikan konteks tentang setelan serentak yang direkomendasikan. Untuk latensi permintaan yang optimal, pastikan setelan --concurrency sama dengan variabel lingkungan OLLAMA_NUM_PARALLEL Ollama.

• OLLAMA_NUM_PARALLEL menentukan jumlah slot permintaan yang tersedia per setiap model untuk menangani permintaan inferensi secara serentak.
• --concurrency menentukan jumlah permintaan yang dikirim Cloud Run ke instance Ollama secara bersamaan.

Jika --concurrency melebihi OLLAMA_NUM_PARALLEL, Cloud Run dapat mengirim lebih banyak permintaan ke model di Ollama daripada slot permintaan yang tersedia. Hal ini menyebabkan antrean permintaan dalam Ollama, sehingga meningkatkan latensi permintaan untuk permintaan yang diantrekan. Hal ini juga menyebabkan penskalaan otomatis yang kurang responsif, karena permintaan dalam antrean tidak memicu Cloud Run untuk menskalakan dan memulai instance baru.

Ollama juga mendukung penayangan beberapa model dari satu GPU. Untuk sepenuhnya menghindari antrean permintaan di instance Ollama, Anda tetap harus menetapkan --concurrency agar cocok dengan OLLAMA_NUM_PARALLEL.

Perlu diperhatikan bahwa meningkatkan OLLAMA_NUM_PARALLEL juga membuat permintaan paralel memerlukan waktu lebih lama.

Mengoptimalkan pemanfaatan

Untuk pemakaian GPU yang optimal, tingkatkan --concurrency, dengan mempertahankannya dalam dua kali nilai OLLAMA_NUM_PARALLEL. Meskipun hal ini menyebabkan antrean permintaan di Ollama, hal ini dapat membantu meningkatkan penggunaan: Instance Ollama dapat langsung memproses permintaan dari antrean, dan antrean membantu menyerap lonjakan traffic.

Menguji layanan Ollama yang di-deploy dengan curl

Setelah men-deploy layanan Ollama, Anda dapat mengirim permintaan ke layanan tersebut. Namun, jika Anda mengirim permintaan secara langsung, Cloud Run akan merespons dengan HTTP 401 Unauthorized. Hal ini disengaja, karena API inferensi LLM ditujukan untuk layanan lain yang akan dipanggil, seperti aplikasi frontend. Untuk informasi selengkapnya tentang autentikasi antar-layanan di Cloud Run, lihat Melakukan autentikasi antar-layanan.

Untuk mengirim permintaan ke layanan Ollama, tambahkan header dengan token OIDC yang valid ke permintaan, misalnya menggunakan proxy developer Cloud Run:

1. Mulai proxy, dan saat diminta untuk menginstal komponen cloud-run-proxy, pilih Y:

   gcloud run services proxy ollama-gemma --port=9090

2. Kirim permintaan ke proxy di tab terminal terpisah, tanpa menghentikan proxy. Perhatikan bahwa proxy berjalan di localhost:9090:

   curl http://localhost:9090/api/generate -d '{
     "model": "gemma3:4b",
     "prompt": "Why is the sky blue?"
   }'

   Perintah ini akan memberikan output streaming yang mirip dengan ini:

   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.641492408Z","response":"That","done":false}
   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.687529153Z","response":"'","done":false}
   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.753284927Z","response":"s","done":false}
   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.812957381Z","response":" a","done":false}
   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.889102649Z","response":" fantastic","done":false}
   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.925748116Z","response":",","done":false}
   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.958391572Z","response":" decept","done":false}
   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.971035028Z","response":"ively","done":false}
   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.989678484Z","response":" tricky","done":false}
   {"model":"gemma3:4b","created_at":"2025-03-10T03:02:18.999321940Z","response":" question","done":false}
   ...