Interruzione vLLM su TPU v6e

Questo tutorial mostra come eseguire l'inferenza vLLM sulle TPU v6e. Inoltre, mostra come eseguire lo script di benchmark per il modello Meta Llama-3.1 8B.

Per iniziare a utilizzare vLLM sulle TPU v6e, consulta la guida rapida a vLLM.

Se utilizzi GKE, consulta anche il tutorial su GKE.

Prima di iniziare

Devi firmare il contratto di consenso per utilizzare la famiglia di modelli Llama3 nel repo HuggingFace. Vai alla pagina https://huggingface.co/meta-llama/Llama-3.1-8B, compila il contratto di consenso e attendi l'approvazione.

Preparati a eseguire il provisioning di una TPU v6e con 4 chip:

1. Segui la guida sulla configurazione dell'ambiente Cloud TPU per assicurarti di disporre dell'accesso appropriato per utilizzare le Cloud TPU.

2. Crea un'identità di servizio per la VM TPU.

   gcloud alpha compute tpus tpu-vm service-identity create --zone=zone

3. Crea un account di servizio TPU e concedi accesso ai servizi Google Cloud .

   Gli account di servizio consentono al Google Cloud servizio TPU di accedere ad altri Google Cloud servizi. È consigliato un account di servizio gestito dall'utente. Puoi creare un account di servizio dalla console Google Cloud o tramite il comandogcloud.

   Crea un account di servizio utilizzando lo strumento a riga di comando gcloud:

   gcloud iam service-accounts create your-service-account-name \
   --description="your-sa-description" \
   --display-name="your-sa-display-name"
   export SERVICE_ACCOUNT_NAME=your-service-account-name

   Crea un account di servizio dalla console Google Cloud:

   1. Vai alla pagina Account di servizio nella console Google Cloud.
   2. Fai clic su Crea account di servizio.
   3. Inserisci il nome dell'account di servizio.
   4. (Facoltativo) Inserisci una descrizione per l'account di servizio.
   5. Fai clic su Crea e continua.
   6. Scegli i ruoli da concedere all'account di servizio.
   7. Fai clic su Continua.
   8. (Facoltativo) Specifica gli utenti o i gruppi che possono gestire l'account di servizio.
   9. Fai clic su Fine per completare la creazione del account di servizio.

   Dopo aver creato l'account di servizio, segui questi passaggi per concedere i ruoli dell'account di servizio.

   Sono necessari i seguenti ruoli:

   • TPU Admin: necessario per creare una TPU
   • Amministratore Storage: necessario per accedere a Cloud Storage
   • Writer log
   • Monitoring Metric Writer: necessario per scrivere le metriche in Cloud Monitoring

   L'amministratore deve concederti il ruolo roles/resourcemanager.projectIamAdmin per consentirti di assegnare i ruoli IAM agli utenti. Anche un utente con il ruolo Amministratore IAM progetto roles/resourcemanager.projectIamAdmin può assegnare questo ruolo.

   Utilizza i seguenti comandi gcloud per aggiungere i ruoli dell'account di servizio:

   gcloud projects add-iam-policy-binding ${PROJECT_ID} \
      --member serviceAccount:${SERVICE_ACCOUNT_NAME}@${PROJECT_ID}.iam.gserviceaccount.com \
      --role roles/tpu.admin
   gcloud projects add-iam-policy-binding ${PROJECT_ID} \
      --member serviceAccount:${SERVICE_ACCOUNT_NAME}@${PROJECT_ID}.iam.gserviceaccount.com \
      --role roles/storage.admin
   gcloud projects add-iam-policy-binding ${PROJECT_ID} \
      --member serviceAccount:${SERVICE_ACCOUNT_NAME}@${PROJECT_ID}.iam.gserviceaccount.com \
      --role roles/logging.logWriter
   gcloud projects add-iam-policy-binding ${PROJECT_ID} \
      --member serviceAccount:${SERVICE_ACCOUNT_NAME}@${PROJECT_ID}.iam.gserviceaccount.com \
      --role roles/monitoring.metricWriter

   Puoi assegnare i ruoli anche utilizzando la console Google Cloud.

   Nella console Google Cloud, seleziona i seguenti ruoli:

   1. Seleziona il tuo account di servizio e fai clic su Aggiungi principale.
   2. Nel campo Nuove entità, inserisci l'indirizzo email del tuo account di servizio.
   3. Nel menu a discesa Seleziona un ruolo, cerca il ruolo (ad esempio Amministratore Storage) e selezionalo.
   4. Fai clic su Salva.

4. Esegui l'autenticazione con Google Cloud e configura il progetto e la zona predefiniti per Google Cloud CLI.

   gcloud auth login
   gcloud config set project PROJECT_ID
   gcloud config set compute/zone ZONE

Capacità sicura

Quando è tutto pronto per assicurarti la capacità TPU, consulta la pagina delle quote per saperne di più sul sistema delle quote Cloud. Se hai altre domande su come assicurarti la capacità, contatta il team di vendita o dell'account Cloud TPU.

Esegui il provisioning dell'ambiente Cloud TPU

Puoi eseguire il provisioning delle VM TPU con GKE, con GKE e XPK, o come risorse in coda.

Prerequisiti

• Questo tutorial è stato testato con Python 3.10 o versioni successive.
• Verifica che il tuo progetto disponga di una quota TPUS_PER_TPU_FAMILY sufficiente, che specifica il numero massimo di chip a cui puoi accedere all'interno del progettoGoogle Cloud .
• Verifica che il tuo progetto disponga di una quota TPU sufficiente per:
  • Quota VM TPU
  • Quota di indirizzi IP
  • Quota Hyperdisk bilanciata
• Autorizzazioni del progetto per gli utenti
  • Se utilizzi GKE con XPK, consulta Autorizzazioni di Cloud Console per l'account utente o di servizio per conoscere le autorizzazioni necessarie per eseguire XPK.

Esegui il provisioning di una TPU v6e

   gcloud alpha compute tpus queued-resources create QUEUED_RESOURCE_ID \
      --node-id TPU_NAME \
       --project PROJECT_ID \
       --zone ZONE \
       --accelerator-type v6e-4 \
       --runtime-version v2-alpha-tpuv6e \
       --service-account SERVICE_ACCOUNT

Utilizza i comandi list o describe per eseguire query sullo stato della risorsa in coda.

   gcloud alpha compute tpus queued-resources describe ${QUEUED_RESOURCE_ID}  \
      --project ${PROJECT_ID} --zone ${ZONE}

Per un elenco completo degli stati delle richieste di risorse in coda, consulta la documentazione relativa alle risorse in coda.

Connettiti alla TPU tramite SSH

  gcloud compute tpus tpu-vm ssh TPU_NAME

Installa le dipendenze

1. Crea una directory per Miniconda:

   mkdir -p ~/miniconda3

2. Scarica lo script di installazione di Miniconda:

   wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh

3. Installa Miniconda:

   bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3

4. Rimuovi lo script di installazione di Miniconda:

   rm -rf ~/miniconda3/miniconda.sh

5. Aggiungi Miniconda alla variabile PATH:

   export PATH="$HOME/miniconda3/bin:$PATH"

6. Ricarica ~/.bashrc per applicare le modifiche alla variabile PATH:

   source ~/.bashrc

7. Crea un ambiente Conda:

   conda create -n vllm python=3.11 -y
   conda activate vllm

8. Clona il repository vLLM e vai alla directory vLLM:

   git clone https://github.com/vllm-project/vllm.git && cd vllm
   

9. Ripulisci i pacchetti torch e torch-xla esistenti:

   pip uninstall torch torch-xla -y
   

10. Installa altre dipendenze di compilazione:

    pip install -r requirements-tpu.txt
    VLLM_TARGET_DEVICE="tpu" python setup.py develop
    sudo apt-get install libopenblas-base libopenmpi-dev libomp-dev
    

Ottieni l'accesso al modello

Genera un nuovo token Abbracciamento se non ne hai già uno:

1. Fai clic su Il tuo profilo > Impostazioni > Token di accesso.
2. Seleziona Nuovo token.
3. Specifica un nome a tua scelta e un ruolo con almeno Read autorizzazioni.
4. Seleziona Genera un token.

5. Copia il token generato negli appunti, impostalo come variabile di ambiente e autenticati con huggingface-cli:

   export TOKEN=YOUR_TOKEN
   git config --global credential.helper store
   huggingface-cli login --token $TOKEN

Scaricare i dati di benchmarking

1. Crea una directory /data e scarica il set di dati ShareGPT da Hugging Face.

   mkdir ~/data && cd ~/data
   wget https://huggingface.co/datasets/anon8231489123/ShareGPT_Vicuna_unfiltered/resolve/main/ShareGPT_V3_unfiltered_cleaned_split.json
   

Avvia il server vLLM

Il seguente comando scarica i pesi del modello da Hugging Face Model Hub nella directory /tmp della VM TPU, precompila una serie di forme di input e scrive la compilazione del modello in ~/.cache/vllm/xla_cache.

Per maggiori dettagli, consulta la documentazione di vLLM.

   cd ~/vllm
   vllm serve "meta-llama/Meta-Llama-3.1-8B" --download_dir /tmp --num-scheduler-steps 4 --swap-space 16 --disable-log-requests --tensor_parallel_size=4 --max-model-len=2048 &> serve.log &

Eseguire benchmark vLLM

Esegui lo script di benchmarking vLLM:

   python benchmarks/benchmark_serving.py \
       --backend vllm \
       --model "meta-llama/Meta-Llama-3.1-8B"  \
       --dataset-name sharegpt \
       --dataset-path ~/data/ShareGPT_V3_unfiltered_cleaned_split.json  \
       --num-prompts 1000

Esegui la pulizia

Elimina la TPU:

gcloud compute tpus queued-resources delete QUEUED_RESOURCE_ID \
    --project PROJECT_ID \
    --zone ZONE \
    --force \
    --async