Eroga modelli aperti Llama 3 utilizzando Cloud TPU multi-host su Vertex AI con Saxml

Llama 3 è un modello linguistico di grandi dimensioni (LLM) open source di Meta. Questa guida mostra come gestire un LLM Llama 3 utilizzando Tensor Processing Units (TPU) multi-host su Vertex AI con Saxml.

In questa guida, scarichi i pesi e il tokenizer del modello Llama 3 70B e li esegui il deployment su Vertex AI che esegue Saxml su TPU.

Prima di iniziare

Ti consigliamo di utilizzare una VM ottimizzato per la memoria M2 per scaricare il modello e convertirlo in Saxml. Questo perché il processo di conversione del modello richiede una quantità significativa di memoria e potrebbe non riuscire se scegli un tipo di macchina che non ha memoria sufficiente.

  1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Make sure that billing is enabled for your Google Cloud project.

  4. Enable the Vertex AI and Artifact Registry APIs.

    Enable the APIs

  5. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  6. Make sure that billing is enabled for your Google Cloud project.

  7. Enable the Vertex AI and Artifact Registry APIs.

    Enable the APIs

    8.

  8. In the Google Cloud console, activate Cloud Shell.

    Activate Cloud Shell

    At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.

  9. Segui la documentazione di Artifact Registry per installare Docker.
  10. Assicurati di avere quote sufficienti per 16 chip TPU v5e per Vertex AI.

    11. Questo tutorial presuppone che tu stia utilizzando Cloud Shell per interagire con Google Cloud. Se vuoi utilizzare una shell diversa da Cloud Shell, esegui la seguente configurazione aggiuntiva:

    1. Install the Google Cloud CLI.

    2. If you're using an external identity provider (IdP), you must first sign in to the gcloud CLI with your federated identity.

    3. To initialize the gcloud CLI, run the following command: 

      gcloud init

    Se utilizzi una shell diversa da Cloud Shell per il deployment del modello, assicurati che la versione di Google Cloud CLI sia successiva a 475.0.0. Puoi aggiornare Google Cloud CLI eseguendo il comando gcloud components update.

    Se esegui il deployment del modello utilizzando l'SDK Vertex AI, assicurati di avere la versione 1.50.0 o successive.

    Accedere al modello e scaricare i pesi del modello

    I passaggi riportati di seguito si riferiscono a un'istanza di Vertex AI Workbench con una VM ottimizzato per la memoria M2. Per informazioni sulla modifica del tipo di macchina di un'istanza di Vertex AI Workbench, consulta Modificare il tipo di macchina di un'istanza di Vertex AI Workbench.

    1. Vai alla pagina del consenso del modello Llama.

    2. Seleziona Llama 3, compila il modulo di consenso e accetta i termini e le condizioni.

    3. Controlla la tua casella di posta per un'email contenente un URL firmato.

    4. Scarica lo script download.sh da GitHub eseguendo questo comando:

      wget https://raw.githubusercontent.com/meta-llama/llama3/main/download.sh
chmod +x download.sh

    5. Per scaricare i pesi del modello, esegui lo script download.sh che hai scaricato da GitHub.

    6. Quando richiesto, inserisci l'URL firmato dell'email che hai ricevuto nella sezione precedente.

    7. Quando ti viene chiesto quali modelli scaricare, inserisci 70B.

    Convertire i pesi del modello nel formato Saxml

    1. Esegui questo comando per scaricare Saxml:

      git clone https://github.com/google/saxml.git

    2. Esegui questi comandi per configurare un ambiente virtuale Python:

      python -m venv .
source bin/activate

    3. Esegui questi comandi per installare le dipendenze:

      pip install --upgrade pip

pip install paxml

pip install praxis

pip install torch

    4. Per convertire i pesi del modello nel formato Saxml, esegui questo comando:

      python3 saxml/saxml/tools/convert_llama_ckpt.py \
    --base PATH_TO_META_LLAMA3 \
    --pax PATH_TO_PAX_LLAMA3 \
    --model-size llama3_70b

      Sostituisci quanto segue:

      • PATH_TO_META_LLAMA3: il percorso della directory contenente i pesi del modello scaricati
      • PATH_TO_PAX_LLAMA3: il percorso della directory in cui memorizzare i pesi del modello convertito

      I modelli convertiti verranno inseriti nella cartella $PATH_TO_PAX_LLAMA3/checkpoint_00000000.

    5. Copia il file del tokenizer dalla directory originale in una sottocartella denominata vocabs come segue:

      cp $PATH_TO_META_LLAMA3/tokenizer.model $PATH_TO_PAX_LLAMA3/vocabs/tokenizer.model

    6. Aggiungi un file commit_success.txt vuoto nella cartella $PATH_TO_PAX_LLAMA3 e le sottocartelle metadata e state in questa cartella nel seguente modo:

      touch $PATH_TO_PAX_LLAMA3/checkpoint_00000000/commit_success.txt
touch $PATH_TO_PAX_LLAMA3/checkpoint_00000000/metadata/commit_success.txt
touch $PATH_TO_PAX_LLAMA3/checkpoint_00000000/state/commit_success.txt

      La cartella $PATH_TO_PAX_LLAMA3 ora contiene le seguenti cartelle e file:

      $PATH_TO_PAX_LLAMA3/checkpoint_00000000/commit_success.txt
$PATH_TO_PAX_LLAMA3/checkpoint_00000000/metadata/
$PATH_TO_PAX_LLAMA3/checkpoint_00000000/metadata/commit_success.txt
$PATH_TO_PAX_LLAMA3/checkpoint_00000000/state/
$PATH_TO_PAX_LLAMA3/checkpoint_00000000/state/commit_success.txt
$PATH_TO_PAX_LLAMA3/vocabs/tokenizer.model

    Crea un bucket Cloud Storage

    Crea un bucket Cloud Storage per archiviare i pesi del modello convertiti.

    1. In Cloud Shell, esegui i seguenti comandi, sostituendo PROJECT_ID con l'ID progetto:

      projectid=PROJECT_ID
gcloud config set project ${projectid}

    2. Per creare il bucket, esegui questo comando:

      gcloud storage buckets create gs://WEIGHTS_BUCKET_NAME

      Sostituisci WEIGHTS_BUCKET_NAME con il nome che vuoi utilizzare per il bucket.

    Copia i pesi del modello nel bucket Cloud Storage

    Per copiare i pesi del modello nel bucket, esegui questo comando:

    gcloud storage cp PATH_TO_PAX_LLAMA3/* gs://WEIGHTS_BUCKET_NAME/llama3/pax_70b/ --recursive

    Carica il modello

    Un container Saxml predefinito è disponibile all'indirizzo us-docker.pkg.dev/vertex-ai/prediction/sax-tpu:latest.

    Per caricare una risorsa Model su Vertex AI utilizzando il container Saxml predefinito, esegui il comando gcloud ai models upload come segue:

    gcloud ai models upload \
    --region=LOCATION \
    --display-name=MODEL_DISPLAY_NAME \
    --container-image-uri=us-docker.pkg.dev/vertex-ai/prediction/sax-tpu:latest \
    --artifact-uri='gs://WEIGHTS_BUCKET_NAME/llama3/pax_70b' \
    --container-args='--model_path=saxml.server.pax.lm.params.lm_cloud.LLaMA3_70BFP16x16' \
    --container-args='--platform_chip=tpuv5e' \
    --container-args='--platform_topology=4x4' \
    --container-args='--ckpt_path_suffix=checkpoint_00000000' \
    --container-deployment-timeout-seconds=2700 \
    --container-ports=8502 \
    --project=PROJECT_ID

    Effettua le seguenti sostituzioni:

    • LOCATION: la regione in cui utilizzi Vertex AI. Tieni presente che le TPU sono disponibili solo in us-west1.
    • MODEL_DISPLAY_NAME: il nome visualizzato che vuoi per il modello
    • PROJECT_ID: l'ID del tuo Google Cloud progetto

    Crea un endpoint di inferenza online

    Per creare l'endpoint, esegui questo comando:

    gcloud ai endpoints create \
    --region=LOCATION \
    --display-name=ENDPOINT_DISPLAY_NAME \
    --project=PROJECT_ID

    Sostituisci ENDPOINT_DISPLAY_NAME con il nome visualizzato che vuoi per il tuo endpoint.

    Esegui il deployment del modello sull'endpoint

    Quando l'endpoint è pronto, esegui il deployment del modello sull'endpoint.

    In questo tutorial, esegui il deployment di un modello Llama 3 70B suddiviso in 16 chip Cloud TPU v5e utilizzando la topologia 4x4. Tuttavia, puoi specificare una delle seguenti topologie Cloud TPU multi-host supportate:

    Tipo di macchina Topologia Numero di chip TPU Numero di host
    ct5lp-hightpu-4t 4x4 16 2
    ct5lp-hightpu-4t 4x8 32 4
    ct5lp-hightpu-4t 8x8 64 8
    ct5lp-hightpu-4t 8x16 128 16
    ct5lp-hightpu-4t 16x16 256 32

    Se stai eseguendo il deployment di un modello Llama diverso definito nel repository GitHub di Saxml, assicurati che sia partizionato in modo da corrispondere al numero di dispositivi di destinazione e che Cloud TPU abbia memoria sufficiente per caricare il modello.

    Per informazioni sul deployment di un modello su Cloud TPU single-host, consulta Esegui il deployment di un modello.

    Per saperne di più sui tipi di Cloud TPU v5e, consulta TPU v5e.

    1. Recupera l'ID endpoint per l'endpoint di inferenza online:

      ENDPOINT_ID=$(gcloud ai endpoints list \
    --region=LOCATION \
    --filter=display_name=ENDPOINT_NAME \
    --format="value(name)")

    2. Recupera l'ID modello per il tuo modello:

      MODEL_ID=$(gcloud ai models list \
    --region=LOCATION \
    --filter=display_name=DEPLOYED_MODEL_NAME \
    --format="value(name)")

    3. Esegui il deployment del modello sull'endpoint:

      gcloud ai endpoints deploy-model $ENDPOINT_ID \
    --region=LOCATION \
    --model=$MODEL_ID \
    --display-name=DEPLOYED_MODEL_NAME \
    --machine-type=ct5lp-hightpu-4t \
    --tpu-topology=4x4 \
    --traffic-split=0=100

      Sostituisci DEPLOYED_MODEL_NAME con un nome per il deployment. Può essere uguale al nome visualizzato del modello (MODEL_DISPLAY_NAME).

      L'operazione di deployment potrebbe andare in timeout.

      Il comando deploy-model restituisce un ID operazione che può essere utilizzato per verificare quando l'operazione è terminata. Puoi eseguire il polling dello stato dell'operazione finché la risposta non include "done": true. Utilizza il seguente comando per controllare lo stato:

      gcloud ai operations describe \
--region=LOCATION \
OPERATION_ID

      Sostituisci OPERATION_ID con l'ID operazione restituito dal comando precedente.

    Ottenere inferenze online dal modello di cui è stato eseguito il deployment

    Per ottenere inferenze online dall'endpoint Vertex AI, esegui il comando gcloud ai endpoints predict.

    1. Esegui il comando seguente per creare un file request.json contenente una richiesta di inferenza di esempio:

      cat << EOF > request.json
{"instances": [{"text_batch": "the distance between Earth and Moon is "}]}
EOF

    2. Per inviare la richiesta di inferenza online all'endpoint, esegui questo comando:

      gcloud ai endpoints predict $ENDPOINT_ID \
    --project=PROJECT_ID \
    --region=LOCATION \
    --json-request=request.json

    Esegui la pulizia

    Per evitare ulteriori addebiti per Vertex AI, elimina le risorse Google Cloud che hai creato durante questo tutorial:

    1. Per annullare il deployment del modello dall'endpoint ed eliminare l'endpoint, esegui questi comandi:

      ENDPOINT_ID=$(gcloud ai endpoints list \
   --region=LOCATION \
   --filter=display_name=ENDPOINT_NAME \
   --format="value(name)")

DEPLOYED_MODEL_ID=$(gcloud ai endpoints describe $ENDPOINT_ID \
   --region=LOCATION \
   --format="value(deployedModels.id)")

gcloud ai endpoints undeploy-model $ENDPOINT_ID \
  --region=LOCATION \
  --deployed-model-id=$DEPLOYED_MODEL_ID

gcloud ai endpoints delete $ENDPOINT_ID \
   --region=LOCATION \
   --quiet

    2. Per eliminare il modello, esegui questi comandi:

      MODEL_ID=$(gcloud ai models list \
   --region=LOCATION \
   --filter=display_name=DEPLOYED_MODEL_NAME \
   --format="value(name)")

gcloud ai models delete $MODEL_ID \
   --region=LOCATION \
   --quiet