JetStream MaxText-Inferenz auf v5e-Cloud TPU-VM

JetStream ist eine durchsatz- und speicheroptimierte Engine für LLM-Inferenzen (Large Language Models) auf XLA-Geräten (TPUs).

Hinweise

Führen Sie die Schritte unter TPU-Ressourcen verwalten aus, um eine TPU-VM mit --accelerator-type auf v5litepod-8 zu erstellen und eine Verbindung zur TPU-VM herzustellen.

JetStream und MaxText einrichten

  1. JetStream und das GitHub-Repository MaxText herunterladen

       git clone -b jetstream-v0.2.0 https://github.com/google/maxtext.git
   git clone -b v0.2.0 https://github.com/google/JetStream.git

  2. MaxText einrichten

       # Create a python virtual environment
   sudo apt install python3.10-venv
   python -m venv .env
   source .env/bin/activate

   # Set up MaxText
   cd maxtext/
   bash setup.sh

Modellprüfpunkte konvertieren

Sie können den JetStream MaxText Server mit Gemma- oder Llama2-Modellen ausführen. In diesem Abschnitt wird beschrieben, wie der JetStream MaxText-Server mit verschiedenen Größen dieser Modelle ausgeführt wird.

Prüfpunkt für Gemma-Modell verwenden

  1. Laden Sie einen Gemma-Checkpoint von Kaggle herunter.

  2. Prüfpunkt in den Cloud Storage-Bucket kopieren 

        # Set YOUR_CKPT_PATH to the path to the checkpoints
    # Set CHKPT_BUCKET to the Cloud Storage bucket where you copied the checkpoints
    gsutil -m cp -r ${YOUR_CKPT_PATH} ${CHKPT_BUCKET}

    Ein Beispiel mit Werten für ${YOUR_CKPT_PATH} und ${CHKPT_BUCKET} finden Sie im Conversion-Skript.

  3. Wandeln Sie den Gemma-Checkpoint in einen MaxText-kompatiblen, nicht gescannten Checkpoint um.

       # For gemma-7b
   bash ../JetStream/jetstream/tools/maxtext/model_ckpt_conversion.sh gemma 7b ${CHKPT_BUCKET}

Prüfpunkt für Llama2-Modell verwenden

  1. Laden Sie einen Llama2-Prüfpunkt aus der Open-Source-Community herunter oder verwenden Sie einen, den Sie erstellt haben.

  2. Kopieren Sie die Prüfpunkte in Ihren Cloud Storage-Bucket.

       gsutil -m cp -r ${YOUR_CKPT_PATH} ${CHKPT_BUCKET}

    Ein Beispiel mit Werten für ${YOUR_CKPT_PATH} und ${CHKPT_BUCKET} finden Sie im Conversion-Skript.

  3. Wandeln Sie den Llama2-Checkpoint in einen MaxText-kompatiblen, nicht gescannten Checkpoint um.

       # For llama2-7b
   bash ../JetStream/jetstream/tools/maxtext/model_ckpt_conversion.sh llama2 7b ${CHKPT_BUCKET}

   # For llama2-13b
  bash ../JetStream/jetstream/tools/maxtext/model_ckpt_conversion.sh llama2 13b ${CHKPT_BUCKET}

JetStream MaxText-Server ausführen

In diesem Abschnitt wird beschrieben, wie Sie den MaxText-Server mit einem MaxText-kompatiblen Checkpoint ausführen.

Umgebungsvariablen für den MaxText-Server konfigurieren

Exportieren Sie die folgenden Umgebungsvariablen basierend auf dem verwendeten Modell. Verwenden Sie den Wert für UNSCANNED_CKPT_PATH aus der model_ckpt_conversion.sh-Ausgabe.

Gemma-7b-Umgebungsvariablen für Server-Flags erstellen

Konfigurieren Sie die Flags des JetStream MaxText-Servers.

export TOKENIZER_PATH=assets/tokenizer.gemma
export LOAD_PARAMETERS_PATH=${UNSCANNED_CKPT_PATH}
export MAX_PREFILL_PREDICT_LENGTH=1024
export MAX_TARGET_LENGTH=2048
export MODEL_NAME=gemma-7b
export ICI_FSDP_PARALLELISM=1
export ICI_AUTOREGRESSIVE_PARALLELISM=-1
export ICI_TENSOR_PARALLELISM=1
export SCAN_LAYERS=false
export WEIGHT_DTYPE=bfloat16
export PER_DEVICE_BATCH_SIZE=4

Llama2-7b-Umgebungsvariablen für Server-Flags erstellen

Konfigurieren Sie die Flags des JetStream MaxText-Servers.

export TOKENIZER_PATH=assets/tokenizer.llama2
export LOAD_PARAMETERS_PATH=${UNSCANNED_CKPT_PATH}
export MAX_PREFILL_PREDICT_LENGTH=1024
export MAX_TARGET_LENGTH=2048
export MODEL_NAME=llama2-7b
export ICI_FSDP_PARALLELISM=1
export ICI_AUTOREGRESSIVE_PARALLELISM=-1
export ICI_TENSOR_PARALLELISM=1
export SCAN_LAYERS=false
export WEIGHT_DTYPE=bfloat16
export PER_DEVICE_BATCH_SIZE=6

Llama2-13b-Umgebungsvariablen für Server-Flags erstellen

Konfigurieren Sie die Flags des JetStream MaxText-Servers.

export TOKENIZER_PATH=assets/tokenizer.llama2
export LOAD_PARAMETERS_PATH=${UNSCANNED_CKPT_PATH}
export MAX_PREFILL_PREDICT_LENGTH=1024
export MAX_TARGET_LENGTH=2048
export MODEL_NAME=llama2-13b
export ICI_FSDP_PARALLELISM=1
export ICI_AUTOREGRESSIVE_PARALLELISM=-1
export ICI_TENSOR_PARALLELISM=1
export SCAN_LAYERS=false
export WEIGHT_DTYPE=bfloat16
export PER_DEVICE_BATCH_SIZE=2

JetStream MaxText-Server starten

cd ~/maxtext
python MaxText/maxengine_server.py \
  MaxText/configs/base.yml \
  tokenizer_path=${TOKENIZER_PATH} \
  load_parameters_path=${LOAD_PARAMETERS_PATH} \
  max_prefill_predict_length=${MAX_PREFILL_PREDICT_LENGTH} \
  max_target_length=${MAX_TARGET_LENGTH} \
  model_name=${MODEL_NAME} \
  ici_fsdp_parallelism=${ICI_FSDP_PARALLELISM} \
  ici_autoregressive_parallelism=${ICI_AUTOREGRESSIVE_PARALLELISM} \
  ici_tensor_parallelism=${ICI_TENSOR_PARALLELISM} \
  scan_layers=${SCAN_LAYERS} \
  weight_dtype=${WEIGHT_DTYPE} \
  per_device_batch_size=${PER_DEVICE_BATCH_SIZE}

Beschreibungen der Flags von JetStream MaxText Server

tokenizer_path
Der Pfad zu einem Tokenizer (sollte Ihrem Modell entsprechen).
load_parameters_path
Lädt die Parameter (ohne Optimierungsstatus) aus einem bestimmten Verzeichnis
per_device_batch_size
Decodierungs-Batchgröße pro Gerät (1 TPU-Chip = 1 Gerät)
max_prefill_predict_length
Maximale Länge für das Vorausfüllen bei der automatischen Regression
max_target_length
Maximale Sequenzlänge
model_name
Modellname
ici_fsdp_parallelism
Die Anzahl der Shards für die FSDP-Parallelität
ici_autoregressive_parallelism
Die Anzahl der Shards für autoregressive Parallelität
ici_tensor_parallelism
Die Anzahl der Shards für die Tensorparallelität
weight_dtype
Datentyp „Gewichtung“ (z. B. bfloat16)
scan_layers
Boolesches Flag zum Scannen von Ebenen

Testanfrage an den JetStream MaxText-Server senden

cd ~
python JetStream/jetstream/tools/requester.py

Die Ausgabe sollte in etwa so aussehen:

Sending request to: dns:///[::1]:9000
Prompt: Today is a good day
Response:  to be a fan

Benchmarks mit JetStream MaxText-Server ausführen

Aktivieren Sie die Quantisierung (mit AQT-trainierte oder fein abgestimmte Prüfpunkte, um die Genauigkeit zu gewährleisten), sowohl für Gewichtungen als auch für den KV-Cache, um die besten Benchmark-Ergebnisse zu erhalten. Legen Sie die Quantisierungs-Flags fest, um die Quantisierung zu aktivieren:

# Enable int8 quantization for both weights and KV cache
export QUANTIZATION=int8
export QUANTIZE_KVCACHE=true

# For Gemma 7b model, change per_device_batch_size to 12 to optimize performance.
export PER_DEVICE_BATCH_SIZE=12

cd ~/maxtext
python MaxText/maxengine_server.py \
  MaxText/configs/base.yml \
  tokenizer_path=${TOKENIZER_PATH} \
  load_parameters_path=${LOAD_PARAMETERS_PATH} \
  max_prefill_predict_length=${MAX_PREFILL_PREDICT_LENGTH} \
  max_target_length=${MAX_TARGET_LENGTH} \
  model_name=${MODEL_NAME} \
  ici_fsdp_parallelism=${ICI_FSDP_PARALLELISM} \
  ici_autoregressive_parallelism=${ICI_AUTOREGRESSIVE_PARALLELISM} \
  ici_tensor_parallelism=${ICI_TENSOR_PARALLELISM} \
  scan_layers=${SCAN_LAYERS} \
  weight_dtype=${WEIGHT_DTYPE} \
  per_device_batch_size=${PER_DEVICE_BATCH_SIZE} \
  quantization=${QUANTIZATION} \
  quantize_kvcache=${QUANTIZE_KVCACHE}

Benchmark-Analyse von Gemma-7b

Gehen Sie zum Benchmarking von Gemma-7b so vor:

  1. Laden Sie das ShareGPT-Dataset herunter.
  2. Verwende beim Ausführen von Gemma 7b den Gemma-Tokenizer (tokenizer.gemma).
  3. Fügen Sie das Flag --warmup-first für den ersten Durchlauf hinzu, um den Server aufzuwärmen.
# Activate the env python virtual environment
cd ~
source .env/bin/activate

# Download the dataset
wget https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json

# Run the benchmark with the downloaded dataset and the tokenizer in MaxText
# You can control the qps by setting `--request-rate`, the default value is inf.

python JetStream/benchmarks/benchmark_serving.py \
--tokenizer /home/$USER/maxtext/assets/tokenizer.gemma \
--num-prompts 1000 \
--dataset sharegpt \
--dataset-path ~/ShareGPT_V3_unfiltered_cleaned_split.json \
--max-output-length 1024 \
--request-rate 5 \
--warmup-first true

Benchmarking zu größeren Lama2-Formaten

# Run the benchmark with the downloaded dataset and the tokenizer in MaxText
# You can control the qps by setting `--request-rate`, the default value is inf.

python JetStream/benchmarks/benchmark_serving.py \
--tokenizer maxtext/assets/tokenizer.llama2 \
--num-prompts 1000  \
--dataset sharegpt \
--dataset-path ~/ShareGPT_V3_unfiltered_cleaned_split.json \
--max-output-length 1024 \
--request-rate 5 \
--warmup-first true

Bereinigen

Damit Ihrem Google Cloud-Konto die in dieser Anleitung verwendeten Ressourcen nicht in Rechnung gestellt werden, löschen Sie entweder das Projekt, das die Ressourcen enthält, oder Sie behalten das Projekt und löschen die einzelnen Ressourcen. 

# Delete the Cloud Storage buckets
gcloud storage buckets delete ${MODEL_BUCKET}
gcloud storage buckets delete ${BASE_OUTPUT_DIRECTORY}
gcloud storage buckets delete ${DATASET_PATH}

# Clean up the MaxText and JetStream repositories.
rm -rf maxtext
rm -rf JetStream

# Clean up the python virtual environment
rm -rf .env