GKE पर Airflow 2 की मदद से MLOps वर्कफ़्लो बनाना

1. खास जानकारी

इस CodeLab में, डेटासेट डाउनलोड करके, मॉडल को बेहतर बनाकर, और Google Kubernetes Engine (GKE) पर एलएलएम को डिप्लॉय करके, मशीन लर्निंग (MLOps) में DevOps प्रैक्टिस को इंटिग्रेट करने का तरीका बताया गया है. इसके लिए, कम से कम एब्स्ट्रैक्शन के साथ Airflow DAG का इस्तेमाल किया गया है. इसलिए, हम terraform के बजाय gcloud निर्देशों का इस्तेमाल कर रहे हैं, ताकि आप लैब को सिलसिलेवार तरीके से फ़ॉलो कर सकें और प्लैटफ़ॉर्म इंजीनियर और मशीन लर्निंग इंजीनियर, दोनों के नज़रिए से हर प्रोसेस को आसानी से समझ सकें.

इस गाइड में, एआई वर्कफ़्लो को आसान बनाने के लिए, Airflow का इस्तेमाल करने का तरीका बताया गया है. इसमें डीएजी कॉन्फ़िगर करके, एमएलओपीस के पूरे लाइफ़साइकल को साफ़ तौर पर और व्यावहारिक तरीके से दिखाया गया है.

आपको क्या सीखने को मिलेगा

• अलग-अलग डिपार्टमेंट के लोगों को साथ मिलकर काम करने और एक-दूसरे से कम्यूनिकेट करने में आसानी होगी. साथ ही, बड़े पैमाने पर सुरक्षित माहौल में तकनीकी सहायता उपलब्ध कराया जा सकेगा
• GKE पर Airflow 2 को डिप्लॉय, इस्तेमाल, और मैनेज करने का तरीका जानें
• Airflow DAG को पूरी तरह से कॉन्फ़िगर करना
• GKE की मदद से, प्रोडक्शन ग्रेड मशीन लर्निंग सिस्टम बनाने की बुनियाद तैयार करना
• मशीन लर्निंग सिस्टम को इंस्ट्रूमेंट करना और उन्हें ऑपरेट करना
• जानें कि प्लैटफ़ॉर्म इंजीनियरिंग, MLOps के लिए कैसे अहम सपोर्ट पिलर बन गई है

इस कोडलैब से क्या हासिल होता है

• फ़िल्मों के बारे में सवाल पूछने के लिए, हमने एक एलएलएम (लर्निंग मशीन) तैयार किया है. इसे हमने Gemma-2-9b-it के आधार पर बेहतर बनाया है. यह एलएलएम, GKE में vLLM के साथ काम करता है.

टारगेट ऑडियंस

• मशीन लर्निंग इंजीनियर
• प्लैटफ़ॉर्म इंजीनियर
• डेटा साइंटिस्ट
• डेटा इंजीनियर
• DevOps इंजीनियर
• प्लैटफ़ॉर्म आर्किटेक्ट
• कस्टमर इंजीनियर

इस कोडलैब का मकसद

• GKE या एआई/एमएल वर्कफ़्लो के बारे में जानकारी
• Airflow के सभी फ़ीचर के बारे में जानकारी

2. प्लैटफ़ॉर्म इंजीनियरिंग, मशीन लर्निंग इंजीनियर/वैज्ञानिकों की मदद करती है

प्लैटफ़ॉर्म इंजीनियरिंग और एमएलओपीस, एक-दूसरे पर निर्भर रहने वाले विषय हैं. ये दोनों मिलकर, एमएल के डेवलपमेंट और डिप्लॉयमेंट के लिए बेहतर और असरदार माहौल बनाते हैं.

दायरा: प्लैटफ़ॉर्म इंजीनियरिंग का दायरा, MLOps से ज़्यादा बड़ा है. इसमें सॉफ़्टवेयर डेवलपमेंट का पूरा लाइफ़साइकल शामिल है. साथ ही, इसके लिए टूल और इन्फ़्रास्ट्रक्चर भी उपलब्ध कराया जाता है.

MLOps, ML (मशीन लर्निंग) डेवलपमेंट, डिप्लॉयमेंट, और अनुमान लगाने के बीच के अंतर को कम करता है.

विशेषज्ञता: प्लैटफ़ॉर्म इंजीनियर, आम तौर पर क्लाउड कंप्यूटिंग, कंटेनराइज़ेशन, और डेटा मैनेजमेंट जैसी इन्फ़्रास्ट्रक्चर टेक्नोलॉजी में माहिर होते हैं.

एमएलओपी इंजीनियर, एमएल मॉडल के डेवलपमेंट, डिप्लॉयमेंट, और मॉनिटरिंग में माहिर होते हैं. आम तौर पर, इनके पास डेटा साइंस और सॉफ़्टवेयर इंजीनियरिंग की स्किल होती हैं.

टूल: प्लैटफ़ॉर्म इंजीनियर, इन्फ़्रास्ट्रक्चर उपलब्ध कराने, कॉन्फ़िगरेशन मैनेज करने, कंटेनर ऑर्केस्ट्रेट करने, और ऐप्लिकेशन स्कैफ़ोल्डिंग के लिए टूल बनाते हैं. MLOps इंजीनियर, मशीन लर्निंग मॉडल को ट्रेनिंग देने, एक्सपेरिमेंट करने, डिप्लॉय करने, मॉनिटर करने, और वर्शन बनाने के लिए टूल का इस्तेमाल करते हैं.

3. Google Cloud का सेटअप और ज़रूरी शर्तें

अपने हिसाब से एनवायरमेंट सेट अप करना

1. Google Cloud Console में साइन इन करें और नया प्रोजेक्ट बनाएं या किसी मौजूदा प्रोजेक्ट का फिर से इस्तेमाल करें. अगर आपके पास पहले से कोई Gmail या Google Workspace खाता नहीं है, तो आपको एक खाता बनाना होगा.

• प्रोजेक्ट का नाम, इस प्रोजेक्ट में हिस्सा लेने वाले लोगों के लिए डिसप्ले नेम होता है. यह एक वर्ण स्ट्रिंग है, जिसका इस्तेमाल Google API नहीं करते. इसे कभी भी अपडेट किया जा सकता है.
• प्रोजेक्ट आईडी, Google Cloud के सभी प्रोजेक्ट के लिए यूनीक होता है. साथ ही, इसे सेट करने के बाद बदला नहीं जा सकता. Cloud Console, अपने-आप एक यूनीक स्ट्रिंग जनरेट करता है. आम तौर पर, आपको यह जानने की ज़रूरत नहीं होती कि यह स्ट्रिंग क्या है. ज़्यादातर कोडलैब में, आपको अपने प्रोजेक्ट आईडी का रेफ़रंस देना होगा. आम तौर पर, इसे PROJECT_ID के तौर पर पहचाना जाता है. अगर आपको जनरेट किया गया आईडी पसंद नहीं आता है, तो कोई दूसरा आईडी जनरेट किया जा सकता है. इसके अलावा, आपके पास खुद का कोई दूसरा नाम चुनने का विकल्प भी है. इस चरण के बाद, इसे बदला नहीं जा सकता. यह प्रोजेक्ट के दौरान बना रहता है.
• आपकी जानकारी के लिए बता दें कि तीसरी वैल्यू, प्रोजेक्ट नंबर होती है. इसका इस्तेमाल कुछ एपीआई करते हैं. इन तीनों वैल्यू के बारे में ज़्यादा जानने के लिए, दस्तावेज़ देखें.

चेतावनी: प्रोजेक्ट आईडी दुनिया भर में यूनीक होता है. इसे चुनने के बाद, कोई दूसरा व्यक्ति इसका इस्तेमाल नहीं कर सकता. उस आईडी का इस्तेमाल सिर्फ़ आपने किया हो. प्रोजेक्ट मिटाने के बाद भी, आईडी का फिर से इस्तेमाल नहीं किया जा सकता

ध्यान दें: अगर Gmail खाते का इस्तेमाल किया जा रहा है, तो डिफ़ॉल्ट तौर पर संगठन की जानकारी को कोई संगठन नहीं पर सेट रहने दें. अगर Google Workspace खाते का इस्तेमाल किया जा रहा है, तो अपने संगठन के लिए कोई ऐसी जगह चुनें जो आपके काम की हो.

2. इसके बाद, आपको Cloud के संसाधनों/एपीआई का इस्तेमाल करने के लिए, Cloud Console में बिलिंग की सुविधा चालू करनी होगी. इस कोडलैब को चलाने में ज़्यादा खर्च नहीं होगा. इस ट्यूटोरियल के बाद बिलिंग से बचने के लिए, संसाधनों को बंद किया जा सकता है. इसके लिए, आपके पास बनाए गए संसाधनों को मिटाने या प्रोजेक्ट को मिटाने का विकल्प होता है. Google Cloud के नए उपयोगकर्ता, 300 डॉलर के मुफ़्त ट्रायल वाले कार्यक्रम में शामिल हो सकते हैं.

Cloud Shell शुरू करना

Google Cloud को आपके लैपटॉप से रिमोट तौर पर इस्तेमाल किया जा सकता है. हालांकि, इस कोडलैब में आपको Cloud Shell का इस्तेमाल करना होगा. यह Cloud में चलने वाला कमांड-लाइन एनवायरमेंट है.

Cloud Shell चालू करें

1. Cloud Console में, Cloud Shell चालू करें पर क्लिक करें.

अगर Cloud Shell पहली बार शुरू किया जा रहा है, तो आपको एक इंटरमीडियरी स्क्रीन दिखेगी. इसमें Cloud Shell के बारे में बताया गया होगा. अगर आपको इंटरमीडियरी स्क्रीन दिखती है, तो जारी रखें पर क्लिक करें.

Cloud Shell को प्रोवाइड करने और उससे कनेक्ट होने में सिर्फ़ कुछ मिनट लगेंगे.

इस वर्चुअल मशीन में, डेवलपमेंट के लिए ज़रूरी सभी टूल लोड होते हैं. यह 5 जीबी की होम डायरेक्ट्री उपलब्ध कराती है और Google Cloud में चलती है. इससे नेटवर्क की परफ़ॉर्मेंस और पुष्टि करने की प्रोसेस बेहतर होती है. इस कोडलैब में, ज़्यादातर काम ब्राउज़र से किया जा सकता है.

Cloud Shell से कनेक्ट होने के बाद, आपको यह दिखेगा कि आपने पुष्टि कर ली है और प्रोजेक्ट आपके प्रोजेक्ट आईडी पर सेट है.

2. पुष्टि करने के लिए, Cloud Shell में यह कमांड चलाएं:

gcloud auth list

कमांड आउटपुट

 Credentialed Accounts
ACTIVE  ACCOUNT
*       <my_account>@<my_domain.com>

To set the active account, run:
    $ gcloud config set account `ACCOUNT`

ध्यान दें: gcloud कमांड-लाइन टूल, Google Cloud का बेहतरीन और यूनिफ़ाइड कमांड-लाइन टूल है. यह Cloud Shell में पहले से इंस्टॉल होता है. आपको टैब की मदद से शब्द पूरा करने की सुविधा दिखेगी. कोई निर्देश पहली बार चलाने पर, आपसे पुष्टि करने के लिए कहा जा सकता है. ज़्यादा जानकारी के लिए, gcloud कमांड-लाइन टूल की खास जानकारी देखें.

3. gcloud कमांड को आपके प्रोजेक्ट के बारे में पता है या नहीं, इसकी पुष्टि करने के लिए Cloud Shell में यह कमांड चलाएं:

gcloud config list project

कमांड आउटपुट

[core]
project = <PROJECT_ID>

अगर ऐसा नहीं है, तो इसे इस निर्देश से सेट किया जा सकता है:

gcloud config set project <PROJECT_ID>

कमांड आउटपुट

Updated property [core/project].

ध्यान दें: अगर आपको यह ट्यूटोरियल Cloud Shell के बाहर पूरा करना है, तो ऐप्लिकेशन के लिए डिफ़ॉल्ट क्रेडेंशियल सेट अप करें लेख पढ़ें.

4. पहला चरण - Kaggle पर साइन-अप करना और पुष्टि करना

CodeLab शुरू करने के लिए, आपको Kaggle पर एक खाता बनाना होगा. यह डेटा साइंटिस्ट और मशीन लर्निंग के शौकीनों के लिए Google का एक ऑनलाइन कम्यूनिटी प्लैटफ़ॉर्म है. यहां अलग-अलग डोमेन के लिए, सार्वजनिक तौर पर उपलब्ध डेटासेट का एक बड़ा कलेक्शन होस्ट किया जाता है. इस साइट से, आपको RottenTomatoes का डेटासेट डाउनलोड करना होगा. इसका इस्तेमाल, मॉडल को ट्रेन करने के लिए किया जाता है.

• Kaggle में साइन अप करें. साइन-इन करने के लिए, Google एसएसओ (SSO) का इस्तेमाल किया जा सकता है
• नियम और शर्तें मंज़ूर करें
• सेटिंग पर जाएं और अपना उपयोगकर्ता नाम username पाएं
• एपीआई सेक्शन में, Kaggle से "नया टोकन बनाएं" चुनें. इससे kaggle.json डाउनलोड हो जाएगा
• अगर आपको कोई समस्या आ रही है, तो यहां सहायता पेज पर जाएं

5. दूसरा चरण - HuggingFace पर साइन-अप करना और पुष्टि करना

HuggingFace, मशीन लर्निंग टेक्नोलॉजी से जुड़ने के लिए एक मुख्य प्लैटफ़ॉर्म है. इसमें 9 लाख मॉडल, 2 लाख डेटासेट, और 3 लाख डेमो ऐप्लिकेशन (स्पेस) होस्ट किए जाते हैं. ये सभी ओपन सोर्स और सार्वजनिक तौर पर उपलब्ध हैं.

• HuggingFace पर साइन अप करें - उपयोगकर्ता नाम से खाता बनाएं, Google एसएसओ का इस्तेमाल नहीं किया जा सकता
• अपने ईमेल पते की पुष्टि करें
• यहां जाएं और Gemma-2-9b-it मॉडल के लिए लाइसेंस स्वीकार करें
• HuggingFace टोकन यहां बनाएं
• टोकन के क्रेडेंशियल रिकॉर्ड करें. आपको बाद में इसकी ज़रूरत पड़ेगी

6. तीसरा चरण - Google Cloud के ज़रूरी इन्फ़्रास्ट्रक्चर संसाधन बनाना

आपको वर्कलोड आइडेंटिटी फ़ेडरेशन का इस्तेमाल करके, GKE, GCE, आर्टफ़ैक्ट रजिस्ट्री सेट अप करनी होगी और IAM भूमिकाएं लागू करनी होंगी.

आपके एआई वर्कफ़्लो में दो नोडपूल इस्तेमाल किए जाते हैं. एक ट्रेनिंग के लिए और दूसरा अनुमान लगाने के लिए. ट्रेनिंग नोडपूल, g2-standard-8 GCE VM का इस्तेमाल कर रहा है. इसमें एक Nvidia L4 Tensor Core GPU है. इनफ़रेंस नोडपूल, g2-standard-24 वीएम का इस्तेमाल कर रहा है. इसमें दो Nvidia L4 Tensor Core GPU हैं. क्षेत्र की जानकारी देते समय, वह क्षेत्र चुनें जहां ज़रूरी जीपीयू काम करता है ( लिंक).

अपने Cloud Shell में ये कमांड चलाएं:

# Set environment variables
export CODELAB_PREFIX=mlops-airflow
export PROJECT_NUMBER=$(gcloud projects list --filter="${DEVSHELL_PROJECT_ID}" --format="value(PROJECT_NUMBER)")

SUFFIX=$(echo $RANDOM | md5sum | head -c 4; echo;)
export CLUSTER_NAME=${CODELAB_PREFIX}
export CLUSTER_SA=sa-${CODELAB_PREFIX}
export BUCKET_LOGS_NAME=${CODELAB_PREFIX}-logs-${SUFFIX}
export BUCKET_DAGS_NAME=${CODELAB_PREFIX}-dags-${SUFFIX}
export BUCKET_DATA_NAME=${CODELAB_PREFIX}-data-${SUFFIX}
export REPO_NAME=${CODELAB_PREFIX}-repo
export REGION=us-central1

# Enable Google API's
export PROJECT_ID=${DEVSHELL_PROJECT_ID}
gcloud config set project ${PROJECT_ID}
gcloud services enable \
container.googleapis.com \
cloudbuild.googleapis.com \
artifactregistry.googleapis.com \
storage.googleapis.com

# Create a VPC for the GKE cluster
gcloud compute networks create mlops --subnet-mode=auto

# Create IAM and the needed infrastructure (GKE, Bucket, Artifact Registry)
# Create an IAM Service Account
gcloud iam service-accounts create ${CLUSTER_SA} --display-name="SA for ${CLUSTER_NAME}"
gcloud projects add-iam-policy-binding ${DEVSHELL_PROJECT_ID} --member "serviceAccount:${CLUSTER_SA}@${DEVSHELL_PROJECT_ID}.iam.gserviceaccount.com" --role roles/container.defaultNodeServiceAccount

# Create a GKE cluster
gcloud container clusters create ${CLUSTER_NAME} --zone ${REGION}-a --num-nodes=4 --network=mlops --create-subnetwork name=mlops-subnet --enable-ip-alias --addons GcsFuseCsiDriver --workload-pool=${DEVSHELL_PROJECT_ID}.svc.id.goog --no-enable-insecure-kubelet-readonly-port --service-account=${CLUSTER_SA}@${DEVSHELL_PROJECT_ID}.iam.gserviceaccount.com

# Create 1 x node pool for our cluster 1 x node with 1 x L4 GPU for model finetuning
gcloud container node-pools create training \
  --accelerator type=nvidia-l4,count=1,gpu-driver-version=latest \
  --project=${PROJECT_ID} \
  --location=${REGION}-a \
  --node-locations=${REGION}-a \
  --cluster=${CLUSTER_NAME} \
  --machine-type=g2-standard-12 \
  --num-nodes=1

# Create 1 x node pool for our cluster 1 x node with 2 x L4 GPUs for inference
gcloud container node-pools create inference\
  --accelerator type=nvidia-l4,count=2,gpu-driver-version=latest \
  --project=${PROJECT_ID} \
  --location=${REGION}-a \
  --node-locations=${REGION}-a \
  --cluster=${CLUSTER_NAME} \
  --machine-type=g2-standard-24 \
  --num-nodes=1

# Download K8s credentials
gcloud container clusters get-credentials ${CLUSTER_NAME} --location ${REGION}-a

# Create Artifact Registry
gcloud artifacts repositories create ${REPO_NAME} --repository-format=docker --location=${REGION}
gcloud artifacts repositories add-iam-policy-binding ${REPO_NAME} --member=serviceAccount:${CLUSTER_SA}@${DEVSHELL_PROJECT_ID}.iam.gserviceaccount.com --role=roles/artifactregistry.reader --location=${REGION}

YAML मेनिफ़ेस्ट बनाना

mkdir manifests
cd manifests

mlops-sa.yaml

apiVersion: v1
kind: ServiceAccount
automountServiceAccountToken: true
metadata:
  name: airflow-mlops-sa
  namespace: airflow
  labels:
    tier: airflow

pv-dags.yaml

apiVersion: v1
kind: PersistentVolume
metadata:
  name: airflow-dags
spec:
  accessModes:
  - ReadWriteMany
  capacity:
    storage: 5Gi
  storageClassName: standard
  mountOptions:
    - implicit-dirs
  csi:
    driver: gcsfuse.csi.storage.gke.io
    volumeHandle: BUCKET_DAGS_NAME
    volumeAttributes:
      gcsfuseLoggingSeverity: warning

pv-logs.yaml

apiVersion: v1
kind: PersistentVolume
metadata:
  name: airflow-logs
spec:
  accessModes:
  - ReadWriteMany
  capacity:
    storage: 100Gi
  storageClassName: standard
  mountOptions:
    - implicit-dirs
  csi:
    driver: gcsfuse.csi.storage.gke.io
    volumeHandle: BUCKET_LOGS_NAME
    volumeAttributes:
      gcsfuseLoggingSeverity: warning

pvc-dags.yaml

apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: airflow-dags
  namespace: airflow
spec:
  accessModes:
  - ReadWriteMany
  resources:
    requests:
      storage: 5Gi
  volumeName: airflow-dags
  storageClassName: standard

pvc-logs.yaml

apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: airflow-logs
  namespace: airflow
spec:
  accessModes:
  - ReadWriteMany
  resources:
    requests:
      storage: 100Gi
  volumeName: airflow-logs
  storageClassName: standard

namespace.yaml

kind: Namespace
apiVersion: v1
metadata:
  name: airflow
  labels:
    name: airflow

sa-role.yaml

apiVersion: rbac.authorization.k8s.io/v1
kind: Role
metadata:
  namespace: airflow
  name: airflow-deployment-role
rules:
- apiGroups: ["apps"] 
  resources: ["deployments"]
  verbs: ["create", "get", "list", "watch", "update", "patch", "delete"]
- apiGroups: [""]
  resources: ["services"]
  verbs: ["create", "get", "list", "watch", "patch", "update", "delete"]

sa-rolebinding.yaml

apiVersion: rbac.authorization.k8s.io/v1
kind: RoleBinding
metadata:
  name: airflow-deployment-rolebinding
  namespace: airflow
subjects:
- kind: ServiceAccount
  name: airflow-worker
  namespace: airflow
roleRef:
  kind: Role
  name: airflow-deployment-role
  apiGroup: rbac.authorization.k8s.io

inference.yaml

apiVersion: apps/v1
kind: Deployment
metadata:
  name: inference-deployment
  namespace: airflow
spec:
  replicas: 1
  selector:
    matchLabels:
      app: gemma-server
  template:
    metadata:
      labels:
        app: gemma-server
        ai.gke.io/model: gemma-2-9b-it
        ai.gke.io/inference-server: vllm
      annotations:
        gke-gcsfuse/volumes: "true"
    spec:
      serviceAccountName: airflow-mlops-sa
      tolerations:
      - key: "nvidia.com/gpu"
        operator: "Exists"
        effect: "NoSchedule"
      - key: "on-demand"
        value: "true"
        operator: "Equal"
        effect: "NoSchedule"
      containers:
      - name: inference-server
        image: vllm/vllm-openai:latest
        ports:
        - containerPort: 8000
        resources:
          requests:
            nvidia.com/gpu: "2"
          limits:
            nvidia.com/gpu: "2"
        command: ["/bin/sh", "-c"]
        args:
        - |
          python3 -m vllm.entrypoints.api_server --model=/modeldata/fine_tuned_model --tokenizer=/modeldata/fine_tuned_model --tensor-parallel-size=2
        volumeMounts:
        - mountPath: /dev/shm
          name: dshm
        - name: gcs-fuse-csi-ephemeral
          mountPath: /modeldata
          readOnly: true
      volumes:
      - name: dshm
        emptyDir:
          medium: Memory
      - name: gcs-fuse-csi-ephemeral
        csi:
          driver: gcsfuse.csi.storage.gke.io
          volumeAttributes:
            bucketName: BUCKET_DATA_NAME
            mountOptions: "implicit-dirs,file-cache:enable-parallel-downloads:true,file-cache:max-parallel-downloads:-1"
            fileCacheCapacity: "20Gi"
            fileCacheForRangeRead: "true"
            metadataStatCacheCapacity: "-1"
            metadataTypeCacheCapacity: "-1"
            metadataCacheTTLSeconds: "-1"
      nodeSelector:
        cloud.google.com/gke-accelerator: nvidia-l4

inference-service.yaml

apiVersion: v1
kind: Service
metadata:
  name: llm-service
  namespace: airflow
spec:
  selector:
    app: gemma-server
  type: LoadBalancer
  ports:
  - protocol: TCP
    port: 8000
    targetPort: 8000

तीन Google Cloud Storage (GCS) बकेट बनाएं

gcloud storage buckets create gs://${BUCKET_LOGS_NAME} --location=${REGION}
gcloud storage buckets create gs://${BUCKET_DAGS_NAME} --location=${REGION}
gcloud storage buckets create gs://${BUCKET_DATA_NAME} --location=${REGION}

# Create the namespace in GKE
kubectl apply -f namespace.yaml

# Create the PV and PVC in GKE for Airflow DAGs storage
sed -i "s/BUCKET_DAGS_NAME/${BUCKET_DAGS_NAME}/g" pv-dags.yaml
sed -i "s/BUCKET_LOGS_NAME/${BUCKET_LOGS_NAME}/g" pv-logs.yaml
sed -i "s/BUCKET_DATA_NAME/${BUCKET_DATA_NAME}/g" inference.yaml
kubectl apply -f pv-dags.yaml
kubectl apply -f pv-logs.yaml
kubectl apply -f pvc-dags.yaml
kubectl apply -f pvc-logs.yaml
kubectl apply -f mlops-sa.yaml
kubectl apply -f sa-role.yaml
kubectl apply -f sa-rolebinding.yaml

Add the necessary IAM roles to access buckets from Airflow using Workload Identity Federation

gcloud projects add-iam-policy-binding ${DEVSHELL_PROJECT_ID} --member "principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${DEVSHELL_PROJECT_ID}.svc.id.goog/subject/ns/airflow/sa/airflow-scheduler" --role "roles/storage.objectUser"
gcloud projects add-iam-policy-binding ${DEVSHELL_PROJECT_ID} --member "principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${DEVSHELL_PROJECT_ID}.svc.id.goog/subject/ns/airflow/sa/airflow-triggerer" --role "roles/storage.objectUser"
gcloud projects add-iam-policy-binding ${DEVSHELL_PROJECT_ID} --member "principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${DEVSHELL_PROJECT_ID}.svc.id.goog/subject/ns/airflow/sa/airflow-worker" --role "roles/storage.objectUser"
gcloud projects add-iam-policy-binding ${DEVSHELL_PROJECT_ID} --member "principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${DEVSHELL_PROJECT_ID}.svc.id.goog/subject/ns/airflow/sa/airflow-worker" --role "roles/container.developer"
gcloud projects add-iam-policy-binding ${DEVSHELL_PROJECT_ID} --member "principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${DEVSHELL_PROJECT_ID}.svc.id.goog/subject/ns/airflow/sa/airflow-mlops-sa" --role "roles/artifactregistry.reader"
gcloud projects add-iam-policy-binding ${DEVSHELL_PROJECT_ID} --member "principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${DEVSHELL_PROJECT_ID}.svc.id.goog/subject/ns/airflow/sa/airflow-webserver" --role "roles/storage.objectUser"
gcloud projects add-iam-policy-binding ${DEVSHELL_PROJECT_ID} --member "principal://iam.googleapis.com/projects/${PROJECT_NUMBER}/locations/global/workloadIdentityPools/${DEVSHELL_PROJECT_ID}.svc.id.goog/subject/ns/airflow/sa/airflow-mlops-sa" --role "roles/storage.objectUser"

7. चौथा चरण - हेल्म चार्ट की मदद से, GKE पर Airflow इंस्टॉल करना

अब हम Helm का इस्तेमाल करके, Airflow 2 को डिप्लॉय करते हैं. Apache Airflow, डेटा इंजीनियरिंग पाइपलाइन के लिए ओपन-सोर्स वर्कफ़्लो मैनेजमेंट प्लैटफ़ॉर्म है. हम Airflow 2 के फ़ीचर सेट के बारे में बाद में बताएंगे.

Airflow हेल्म चार्ट के लिए values.yaml

config:
  webserver:
    expose_config: true
webserver:
  service:
    type: LoadBalancer
  podAnnotations:
    gke-gcsfuse/volumes: "true"
executor: KubernetesExecutor
extraEnv: |-
  - name: AIRFLOW__SCHEDULER__DAG_DIR_LIST_INTERVAL
    value: "30"
logs:
  persistence:
    enabled: true
    existingClaim: "airflow-logs"
dags:
  persistence:
    enabled: true
    existingClaim: "airflow-dags"
scheduler:
  podAnnotations:
    gke-gcsfuse/volumes: "true"
triggerer:
  podAnnotations:
    gke-gcsfuse/volumes: "true"
workers:
  podAnnotations:
    gke-gcsfuse/volumes: "true"

Airflow 2 डिप्लॉय करना

helm repo add apache-airflow https://airflow.apache.org
helm repo update

helm upgrade --install airflow apache-airflow/airflow --namespace airflow -f values.yaml

8. पांचवां चरण - कनेक्शन और वैरिएबल की मदद से Airflow को शुरू करना

Airflow 2 को डिप्लॉय करने के बाद, हम उसे कॉन्फ़िगर करना शुरू कर सकते हैं. हम कुछ वैरिएबल तय करते हैं, जिन्हें हमारी Python स्क्रिप्ट पढ़ती हैं.

1. अपने ब्राउज़र से पोर्ट 8080 पर Airflow यूज़र इंटरफ़ेस (यूआई) को ऐक्सेस करना

एक्सटर्नल आईपी पाना

kubectl -n airflow get svc/airflow-webserver --output jsonpath='{.status.loadBalancer.ingress[0].ip}'

कोई वेब ब्राउज़र खोलें और http://<EXTERNAL-IP>:8080 पर जाएं . लॉगिन आईडी admin / admin है

2. Airflow के यूज़र इंटरफ़ेस (यूआई) में, डिफ़ॉल्ट GCP कनेक्शन बनाएं. इसके लिए, एडमिन → कनेक्शन → + नया रिकॉर्ड जोड़ें पर जाएं

• कनेक्शन आईडी: google_cloud_default
• कनेक्शन का टाइप: Google Cloud

'सेव करें' पर क्लिक करें.

3. ज़रूरी वैरिएबल बनाएं. इसके लिए, एडमिन पेज पर जाएं → वैरिएबल → + नया रिकॉर्ड जोड़ें

• कुंजी: BUCKET_DATA_NAME - वैल्यू: echo $BUCKET_DATA_NAME से कॉपी करें
• कुंजी: GCP_PROJECT_ID - वैल्यू: echo $DEVSHELL_PROJECT_ID से कॉपी करें
• कुंजी: HF_TOKEN - वैल्यू: अपना HF टोकन डालें
• कुंजी: KAGGLE_USERNAME - वैल्यू: अपना kaggle उपयोगकर्ता नाम डालें
• कुंजी: KAGGLE_KEY - वैल्यू: इसे kaggle.json से कॉपी करें

हर की-वैल्यू पेयर के बाद, 'सेव करें' पर क्लिक करें.

आपका यूज़र इंटरफ़ेस (यूआई) ऐसा दिखना चाहिए:

9. ऐप्लिकेशन कोड कंटेनर #1 - डेटा डाउनलोड करना

इस Python स्क्रिप्ट में, हम अपनी GCS बकेट में डेटासेट डाउनलोड करने के लिए, Kaggle से पुष्टि करते हैं.

स्क्रिप्ट को कंटेनर में रखा जाता है, क्योंकि यह डीएजी यूनिट #1 बन जाती है. हमें उम्मीद है कि डेटासेट को बार-बार अपडेट किया जाएगा. इसलिए, हम इसे ऑटोमेट करना चाहते हैं.

डायरेक्ट्री बनाएं और यहां हमारी स्क्रिप्ट कॉपी करें

cd .. ; mkdir 1-dataset-download
cd 1-dataset-download

dataset-download.py

import os
import kagglehub
from google.cloud import storage

KAGGLE_USERNAME = os.getenv("KAGGLE_USERNAME")
KAGGLE_KEY = os.getenv("KAGGLE_KEY")
BUCKET_DATA_NAME = os.getenv("BUCKET_DATA_NAME")

def upload_blob(bucket_name, source_file_name, destination_blob_name):
    """Uploads a file to the bucket."""
    storage_client = storage.Client()
    bucket = storage_client.bucket(bucket_name)
    blob = bucket.blob(destination_blob_name)
    blob.upload_from_filename(source_file_name)
    print(f"File {source_file_name} uploaded to {destination_blob_name}.")

# Download latest version
path = kagglehub.dataset_download("priyamchoksi/rotten-tomato-movie-reviews-1-44m-rows")

print("Path to dataset files:", path)
destination_blob_name = "rotten_tomatoes_movie_reviews.csv"
source_file_name = f"{path}/{destination_blob_name}"

upload_blob(BUCKET_DATA_NAME, source_file_name, destination_blob_name)

Dockerfile

FROM python:3.13.0-slim-bookworm
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir --upgrade pip && pip install --no-cache-dir -r requirements.txt
COPY dataset-download.py .
CMD ["python", "dataset-download.py"]

requirements.txt

google-cloud-storage==2.19.0
kagglehub==0.3.4

अब हम डेटासेट-डाउनलोड के लिए एक कंटेनर इमेज बनाते हैं और उसे आर्टफ़ैक्ट रजिस्ट्री में पुश करते हैं

gcloud builds submit --tag ${REGION}-docker.pkg.dev/${DEVSHELL_PROJECT_ID}/${REPO_NAME}/dataset-download:latest

10. ऐप्लिकेशन कोड कंटेनर #2 - डेटा तैयार करना

डेटा तैयार करने के दौरान, हमें ये चीज़ें मिलती हैं:

1. बताएं कि हमें अपने बेस मॉडल को बेहतर बनाने के लिए, डेटासेट का कितना हिस्सा इस्तेमाल करना है
2. डेटासेट लोड करता है.इसका मतलब है कि CSV फ़ाइल को Pandas डेटाफ़्रेम में पढ़ता है. यह पंक्तियों और कॉलम के लिए, दो-डाइमेंशन वाला डेटा स्ट्रक्चर होता है
3. डेटा ट्रांसफ़ॉर्मेशन / प्रीप्रोसेसिंग - यह तय करना कि डेटासेट के कौनसे हिस्से काम के नहीं हैं. इसके लिए, यह तय करें कि हमें कौनसा डेटा रखना है. इससे बाकी डेटा हट जाता है
4. DataFrame की हर पंक्ति पर transform फ़ंक्शन लागू करता है
5. तैयार किए गए डेटा को GCS बकेट में वापस सेव करना

डायरेक्ट्री बनाएं और यहां हमारी स्क्रिप्ट कॉपी करें

cd .. ; mkdir 2-data-preparation
cd 2-data-preparation

data-preparation.py

import os
import pandas as pd
import gcsfs
import json
from datasets import Dataset

# Environment variables
GCP_PROJECT_ID = os.getenv("GCP_PROJECT_ID")
BUCKET_DATA_NAME = os.getenv("BUCKET_DATA_NAME")

DATASET_NAME = os.getenv("DATASET_NAME", "rotten_tomatoes_movie_reviews.csv")
PREPARED_DATASET_NAME = os.getenv("PREPARED_DATA_URL", "prepared_data.jsonl")
DATASET_LIMIT = int(os.getenv("DATASET_LIMIT", "100"))  # Process a limited number of rows, used 100 during testing phase but can be increased

DATASET_URL = f"gs://{BUCKET_DATA_NAME}/{DATASET_NAME}"
PREPARED_DATASET_URL = f"gs://{BUCKET_DATA_NAME}/{PREPARED_DATASET_NAME}"

# Load the dataset
print(f"Loading dataset from {DATASET_URL}...")

def transform(data):
    """
    Transforms a row of the DataFrame into the desired format for fine-tuning.

    Args:
      data: A pandas Series representing a row of the DataFrame.

    Returns:
      A dictionary containing the formatted text.
    """ 
    question = f"Review analysis for movie '{data['id']}'"
    context = data['reviewText']
    answer = data['scoreSentiment']
    template = "Question: {question}\nContext: {context}\nAnswer: {answer}"
    return {'text': template.format(question=question, context=context, answer=answer)}

try:
    df = pd.read_csv(DATASET_URL, nrows=DATASET_LIMIT)
    print(f"Dataset loaded successfully.")

    # Drop rows with NaN values in relevant columns
    df = df.dropna(subset=['id', 'reviewText', 'scoreSentiment'])

    # Apply transformation to the DataFrame
    transformed_data = df.apply(transform, axis=1).tolist()

    # Convert transformed data to a DataFrame and then to a Hugging Face Dataset
    transformed_df = pd.DataFrame(transformed_data)
    dataset = Dataset.from_pandas(transformed_df)

    # Save the prepared dataset to JSON lines format
    with gcsfs.GCSFileSystem(project=GCP_PROJECT_ID).open(PREPARED_DATASET_URL, 'w') as f:
        for item in dataset:
            f.write(json.dumps(item) + "\n")

    print(f"Prepared dataset saved to {PREPARED_DATASET_URL}")
    
except Exception as e:
    print(f"Error during data loading or preprocessing: {e}")
    import traceback
    print(traceback.format_exc())

Dockerfile

FROM python:3.13.0-slim-bookworm
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir --upgrade pip && pip install --no-cache-dir -r requirements.txt
COPY data-preparation.py .
CMD ["python", "data-preparation.py"]

requirements.txt

datasets==3.1.0
gcsfs==2024.9.0
pandas==2.2.3

# Now we create a container images for data-preparation and push it to the Artifact Registry

gcloud builds submit --tag ${REGION}-docker.pkg.dev/${DEVSHELL_PROJECT_ID}/${REPO_NAME}/data-preparation:latest

11. ऐप्लिकेशन कोड कंटेनर #3 - बेहतर बनाना

यहां हम Gemma-2-9b-it का इस्तेमाल बेस मॉडल के तौर पर करते हैं. इसके बाद, अपने नए डेटासेट के साथ इसे बेहतर बनाते हैं.

ये सिलसिलेवार तरीके से होने वाले चरण हैं, जो बेहतर बनाने के चरण के दौरान होते हैं.

1. सेटअप: लाइब्रेरी इंपोर्ट करें, मॉडल, डेटा, और ट्रेनिंग के लिए पैरामीटर तय करें, और Google Cloud Storage से डेटासेट लोड करें.

2. मॉडल लोड करें: बेहतर परफ़ॉर्मेंस के लिए, पहले से ट्रेन किया गया लैंग्वेज मॉडल और उससे जुड़ा टॉकेटर लोड करें.

3. LoRA कॉन्फ़िगर करना: मॉडल को बेहतर तरीके से फ़ाइन-ट्यून करने के लिए, कम ट्रेनिंग वाली मैट्रिक जोड़कर, लो-रैंक अडैप्टेशन (LoRA) सेट अप करें.

4. ट्रेन: ट्रेनिंग पैरामीटर तय करें और FP16 क्वांटिज़ेशन टाइप का इस्तेमाल करके, लोड किए गए डेटासेट पर मॉडल को बेहतर बनाने के लिए SFTTrainer का इस्तेमाल करें.

5. सेव और अपलोड करें: बेहतर किए गए मॉडल और टूल को स्थानीय तौर पर सेव करें. इसके बाद, उन्हें हमारी GCS बकेट में अपलोड करें.

इसके बाद, हम Cloud Build का इस्तेमाल करके कंटेनर इमेज बनाते हैं और उसे आर्टफ़ैक्ट रजिस्ट्री में सेव करते हैं.

डायरेक्ट्री बनाएं और यहां हमारी स्क्रिप्ट कॉपी करें

cd .. ; mkdir 3-fine-tuning
cd 3-fine-tuning

finetuning.py

import os
import torch
import bitsandbytes
from accelerate import Accelerator
from datasets import Dataset, load_dataset, load_from_disk
from peft import LoraConfig, PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer
from trl import DataCollatorForCompletionOnlyLM, SFTConfig, SFTTrainer
from google.cloud import storage

# Environment variables
BUCKET_DATA_NAME = os.environ["BUCKET_DATA_NAME"]
PREPARED_DATA_URL = os.getenv("PREPARED_DATA_URL", "prepared_data.jsonl")
# Finetuned model name
new_model = os.getenv("NEW_MODEL_NAME", "fine_tuned_model")
# Base model from the Hugging Face hub
model_name = os.getenv("MODEL_ID", "google/gemma-2-9b-it")
# Root path for saving the finetuned model
save_model_path = os.getenv("MODEL_PATH", "./output")

# Load tokenizer
print("Loading tokenizer...")
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "right" # Fix weird overflow issue with fp16 training
print("Tokenizer loaded successfully!")

# Load dataset
EOS_TOKEN = tokenizer.eos_token
dataset = load_dataset(
    "json", data_files=f"gs://{BUCKET_DATA_NAME}/{PREPARED_DATA_URL}", split="train")
print(dataset)

################################################################################
# LoRA parameters
################################################################################
# LoRA attention dimension
lora_r = int(os.getenv("LORA_R", "8"))
# Alpha parameter for LoRA scaling
lora_alpha = int(os.getenv("LORA_ALPHA", "16"))
# Dropout probability for LoRA layers
lora_dropout = float(os.getenv("LORA_DROPOUT", "0.1"))

################################################################################
# TrainingArguments parameters
################################################################################
# Number of training epochs
num_train_epochs = int(os.getenv("EPOCHS", 1))
# Set fp16/bf16 training (set bf16 to True with an A100)
fp16 = False
bf16 = False
# Batch size per GPU for training
per_device_train_batch_size = int(os.getenv("TRAIN_BATCH_SIZE", "1"))
# Batch size per GPU for evaluation
per_device_eval_batch_size = 1
# Number of update steps to accumulate the gradients for
gradient_accumulation_steps = int(os.getenv("GRADIENT_ACCUMULATION_STEPS", "1"))
# Enable gradient checkpointing
gradient_checkpointing = True
# Maximum gradient normal (gradient clipping)
max_grad_norm = 0.3
# Initial learning rate (AdamW optimizer)
learning_rate = 2e-4
# Weight decay to apply to all layers except bias/LayerNorm weights
weight_decay = 0.001
# Optimizer to use
optim = "paged_adamw_32bit"
# Learning rate schedule
lr_scheduler_type = "cosine"
# Number of training steps (overrides num_train_epochs)
max_steps = -1
# Ratio of steps for a linear warmup (from 0 to learning rate)
warmup_ratio = 0.03

# Group sequences into batches with same length
# Saves memory and speeds up training considerably
group_by_length = True
# Save strategy: steps, epoch, no
save_strategy = os.getenv("CHECKPOINT_SAVE_STRATEGY", "steps")
# Save total limit of checkpoints
save_total_limit = int(os.getenv("CHECKPOINT_SAVE_TOTAL_LIMIT", "5"))
# Save checkpoint every X updates steps
save_steps = int(os.getenv("CHECKPOINT_SAVE_STEPS", "1000"))
# Log every X updates steps
logging_steps = 50

################################################################################
# SFT parameters
################################################################################
# Maximum sequence length to use
max_seq_length = int(os.getenv("MAX_SEQ_LENGTH", "512"))
# Pack multiple short examples in the same input sequence to increase efficiency
packing = False

# Load base model
print(f"Loading base model started")
model = AutoModelForCausalLM.from_pretrained(
    attn_implementation="eager",
    pretrained_model_name_or_path=model_name,
    torch_dtype=torch.float16,
)
model.config.use_cache = False
model.config.pretraining_tp = 1
print("Loading base model completed")

# Configure fine-tuning with LoRA
print(f"Configuring fine tuning started")
peft_config = LoraConfig(
    lora_alpha=lora_alpha,
    lora_dropout=lora_dropout,
    r=lora_r,
    bias="none",
    task_type="CAUSAL_LM",
    target_modules=[
        "q_proj",
        "k_proj",
        "v_proj",
        "o_proj",
        "gate_proj",
        "up_proj",
        "down_proj",
    ],
)

# Set training parameters
training_arguments = SFTConfig(
        bf16=bf16,
        dataset_kwargs={
            "add_special_tokens": False,  
            "append_concat_token": False, 
        },
        dataset_text_field="text",
        disable_tqdm=True,
        fp16=fp16,
        gradient_accumulation_steps=gradient_accumulation_steps,
        gradient_checkpointing=gradient_checkpointing,
        gradient_checkpointing_kwargs={"use_reentrant": False},
        group_by_length=group_by_length,
        log_on_each_node=False,
        logging_steps=logging_steps,
        learning_rate=learning_rate,
        lr_scheduler_type=lr_scheduler_type,
        max_grad_norm=max_grad_norm,
        max_seq_length=max_seq_length,
        max_steps=max_steps,
        num_train_epochs=num_train_epochs,
        optim=optim,
        output_dir=save_model_path,
        packing=packing,
        per_device_train_batch_size=per_device_train_batch_size,
        save_strategy=save_strategy,
        save_steps=save_steps,
        save_total_limit=save_total_limit,
        warmup_ratio=warmup_ratio,
        weight_decay=weight_decay,
    )

print(f"Configuring fine tuning completed")

# Initialize the SFTTrainer
print(f"Creating trainer started")
trainer = SFTTrainer(
    model=model,
    train_dataset=dataset,
    peft_config=peft_config,
    dataset_text_field="text",
    max_seq_length=max_seq_length,
    tokenizer=tokenizer,
    args=training_arguments,
    packing=packing,
)

print(f"Creating trainer completed")

# Finetune the model
print("Starting fine-tuning...")
trainer.train()
print("Fine-tuning completed.")

# Save the fine-tuned model
print("Saving new model started")
trainer.model.save_pretrained(new_model)
print("Saving new model completed")

# Merge LoRA weights with the base model
print(f"Merging the new model with base model started")
base_model = AutoModelForCausalLM.from_pretrained(
    low_cpu_mem_usage=True,
    pretrained_model_name_or_path=model_name,
    return_dict=True,
    torch_dtype=torch.float16,
)

model = PeftModel.from_pretrained(
    model=base_model,
    model_id=new_model,
)
model = model.merge_and_unload()

print(f"Merging the new model with base model completed")

accelerator = Accelerator()
print(f"Accelerate unwrap model started")
unwrapped_model = accelerator.unwrap_model(model)
print(f"Accelerate unwrap model completed")

print(f"Save unwrapped model started")
unwrapped_model.save_pretrained(
    is_main_process=accelerator.is_main_process,
    save_directory=save_model_path,
    save_function=accelerator.save,
)
print(f"Save unwrapped model completed")

print(f"Save new tokenizer started")
if accelerator.is_main_process:
    tokenizer.save_pretrained(save_model_path)
print(f"Save new tokenizer completed")

# Upload the model to GCS
def upload_to_gcs(bucket_name, model_dir):
    """Uploads a directory to GCS."""
    storage_client = storage.Client()
    bucket = storage_client.bucket(bucket_name)
    for root, _, files in os.walk(model_dir):
        for file in files:
            local_file_path = os.path.join(root, file)
            gcs_file_path = os.path.relpath(local_file_path, model_dir)
            blob = bucket.blob(os.path.join(new_model, gcs_file_path))  # Use new_model_name
            blob.upload_from_filename(local_file_path)

# Upload the fine-tuned model and tokenizer to GCS
upload_to_gcs(BUCKET_DATA_NAME, save_model_path)
print(f"Fine-tuned model {new_model} successfully uploaded to GCS.")

Dockerfile

# Using the NVIDIA CUDA base image
FROM nvidia/cuda:12.6.2-runtime-ubuntu22.04

# Install necessary system packages
RUN apt-get update && \
    apt-get -y --no-install-recommends install python3-dev gcc python3-pip git && \
    rm -rf /var/lib/apt/lists/*

# Copy requirements.txt into the container
COPY requirements.txt .

# Install Python packages from requirements.txt
RUN pip install --no-cache-dir --upgrade pip && pip install --no-cache-dir -r requirements.txt

# Copy your finetune script into the container
COPY finetuning.py .

# Set the environment variable to ensure output is flushed
ENV PYTHONUNBUFFERED 1
ENV MODEL_ID "google/gemma-2-9b-it"
ENV GCS_BUCKET "finetuning-data-bucket"
 
# Set the command to run the finetuning script with CUDA device
CMD ["python3", "finetuning.py"]

requirements.txt

accelerate==1.1.1
bitsandbytes==0.45.0
datasets==3.1.0
gcsfs==2024.9.0
peft==v0.13.2
torch==2.5.1
transformers==4.47.0
trl==v0.11.4

अब हम बेहतर बनाने के लिए कंटेनर इमेज बनाते हैं और उन्हें आर्टफ़ैक्ट रजिस्ट्री में डालते हैं

gcloud builds submit --tag ${REGION}-docker.pkg.dev/${DEVSHELL_PROJECT_ID}/${REPO_NAME}/finetuning:latest

12. Airflow 2 की खास जानकारी, जिसमें डीएजी के बारे में बताया गया है

Airflow, वर्कफ़्लो और डेटा पाइपलाइन को ऑर्केस्ट्रेट करने वाला प्लैटफ़ॉर्म है. यह Python कोड में इन वर्कफ़्लो को तय करने के लिए, डीएजी (निर्देशों वाले असाइकलिक ग्राफ़) का इस्तेमाल करता है. साथ ही, टास्क और उनकी डिपेंडेंसी को विज़ुअल तौर पर दिखाता है.

Airflow, अपने स्टैटिक डीएजी और Python पर आधारित परिभाषाओं के साथ, पहले से तय किए गए वर्कफ़्लो को शेड्यूल करने और मैनेज करने के लिए सबसे सही है. इसके आर्किटेक्चर में, इन वर्कफ़्लो को मॉनिटर और मैनेज करने के लिए, यूज़र-फ़्रेंडली यूज़र इंटरफ़ेस (यूआई) शामिल है.

Airflow की मदद से, Python का इस्तेमाल करके डेटा पाइपलाइन तय की जा सकती हैं, उन्हें शेड्यूल किया जा सकता है, और उन्हें मॉनिटर किया जा सकता है. इसकी वजह से, यह वर्कफ़्लो ऑर्केस्ट्रेट करने के लिए एक बेहतरीन और आसान टूल बन जाता है.

13. हमारे डीएजी के बारे में खास जानकारी

डीएजी का मतलब है डायरेक्टेड ऐसाइक्लिक ग्राफ़. Airflow में, डीएजी पूरे वर्कफ़्लो या पाइपलाइन को दिखाता है. इसमें टास्क, उनकी डिपेंडेंसी, और उन्हें पूरा करने का क्रम तय किया जाता है.

डीएजी में वर्कफ़्लो की इकाइयों को GKE क्लस्टर पर मौजूद पॉड से चलाया जाता है. इसे Airflow कॉन्फ़िगरेशन से शुरू किया जाता है.

सारांश:

Airflow: डेटा डाउनलोड करना - यह स्क्रिप्ट, Kaggle से मूवी की समीक्षा का डेटासेट पाने और उसे आपकी GCS बकेट में सेव करने की प्रोसेस को ऑटोमेट करती है. इससे, इसे आपके क्लाउड एनवायरमेंट में आगे की प्रोसेसिंग या विश्लेषण के लिए आसानी से उपलब्ध कराया जा सकता है.

Airflow: डेटा तैयार करना - यह कोड, मूवी की समीक्षा का रॉ डेटासेट लेता है. साथ ही, हमारे इस्तेमाल के उदाहरण के लिए ज़रूरी नहीं होने वाले डेटा कॉलम हटाता है और जिन डेटासेट में वैल्यू मौजूद नहीं होती उन्हें मिटा देता है. इसके बाद, यह डेटासेट को सवाल-जवाब वाले ऐसे फ़ॉर्मैट में बदल देता है जो मशीन लर्निंग के लिए सही होता है. साथ ही, इसे बाद में इस्तेमाल करने के लिए GCS में वापस सेव कर देता है.

Airflow: मॉडल को बेहतर बनाना - यह कोड, LoRA (कम रैंक वाला अडैप्टेशन) नाम की तकनीक का इस्तेमाल करके, लार्ज लैंग्वेज मॉडल (एलएलएम) को बेहतर बनाता है. इसके बाद, अपडेट किया गया मॉडल सेव करता है. यह पहले से ट्रेन किए गए एलएलएम और Google Cloud Storage से डेटासेट लोड करके शुरू होता है. इसके बाद, यह इस डेटासेट पर मॉडल को बेहतर बनाने के लिए, LoRA का इस्तेमाल करता है. आखिर में, यह बेहतर किए गए मॉडल को Google Cloud Storage में सेव करता है, ताकि बाद में टेक्स्ट जनरेट करने या सवालों के जवाब देने जैसे ऐप्लिकेशन में इसका इस्तेमाल किया जा सके.

Airflow: मॉडल को सर्व करना - अनुमान लगाने के लिए, GKE पर बेहतर किए गए मॉडल को vllm के साथ सर्व करना.

Airflow: फ़ीडबैक लूप - हर xx समय (हर घंटे, हर दिन, हर हफ़्ते) मॉडल को फिर से ट्रेनिंग देना.

इस डायग्राम में बताया गया है कि GKE पर चलाए जाने पर, Airflow 2 कैसे काम करता है.

14. मॉडल को फ़ाइन-ट्यून करना बनाम आरएजी का इस्तेमाल करना

इस कोडलैब में, रीट्रिवल ऑगमेंटेड जनरेशन (आरएजी) का इस्तेमाल करने के बजाय, एलएलएम को बेहतर बनाया जाता है.

आइए, इन दोनों तरीकों की तुलना करते हैं:

फ़ाइन-ट्यूनिंग: इससे खास मॉडल बनता है: फ़ाइन-ट्यूनिंग, एलएलएम को किसी खास टास्क या डेटासेट के हिसाब से अडजस्ट करती है. इससे, यह बाहरी डेटा सोर्स पर निर्भर हुए बिना, अपने-आप काम कर पाता है.

अनुमान लगाने की प्रोसेस को आसान बनाता है: इससे, डेटा वापस पाने के लिए अलग से सिस्टम और डेटाबेस बनाने की ज़रूरत नहीं होती. इससे, तेज़ी से और कम खर्च में जवाब मिलते हैं. खास तौर पर, बार-बार इस्तेमाल होने वाले उदाहरणों के लिए.

RAG: यह बाहरी जानकारी पर निर्भर करता है: RAG, हर अनुरोध के लिए नॉलेज बेस से काम की जानकारी हासिल करता है. इससे, अप-टू-डेट और खास डेटा का ऐक्सेस मिलता है.

जटिलता बढ़ जाती है: Kubernetes क्लस्टर जैसे प्रोडक्शन एनवायरमेंट में RAG लागू करने के लिए, डेटा प्रोसेस करने और उसे वापस पाने के लिए अक्सर कई माइक्रोसर्विस का इस्तेमाल किया जाता है. इससे, इंतज़ार का समय और कंप्यूटिंग की लागत बढ़ सकती है.

फ़ाइन-ट्यूनिंग को क्यों चुना गया:

इस कोडलैब में इस्तेमाल किए गए छोटे डेटासेट के लिए, आरएजी सही रहेगा. हालांकि, हमने Airflow के इस्तेमाल के एक सामान्य उदाहरण को दिखाने के लिए, फ़ाइन-ट्यूनिंग का विकल्प चुना है. इस विकल्प की मदद से, हम RAG के लिए अतिरिक्त इन्फ़्रास्ट्रक्चर और माइक्रोसर्विस सेट अप करने की बारीकियों के बजाय, वर्कफ़्लो ऑर्केस्ट्रेट करने के पहलुओं पर फ़ोकस कर सकते हैं.

निष्कर्ष:

फ़ाइन-ट्यूनिंग और आरएजी, दोनों ही अहम तकनीकें हैं. इनमें से हर तकनीक की अपनी खूबियां और कमियां हैं. सबसे सही विकल्प चुनने के लिए, अपने प्रोजेक्ट की ज़रूरतों को ध्यान में रखें. जैसे, डेटा का साइज़ और जटिलता, परफ़ॉर्मेंस की ज़रूरतें, और लागत से जुड़ी बातें.

15. डीएजी टास्क #1 - Airflow पर अपना पहला चरण बनाएं: डेटा डाउनलोड करना

इस डीएजी यूनिट की खास जानकारी के तौर पर, कंटेनर इमेज में होस्ट किया गया हमारा Python कोड, Kaggle से RottenTomatoes का नया डेटासेट डाउनलोड करता है.

इस कोड को GCS बकेट में कॉपी न करें. आखिरी चरण के तौर पर, हम mlops-dag.py को कॉपी करते हैं. इसमें एक Python स्क्रिप्ट में, DAG यूनिट के सभी चरण शामिल होते हैं.

mlops-dag.py

import yaml

from os import path
from datetime import datetime

from airflow import DAG
from airflow.models import Variable
from airflow.operators.python import PythonOperator
from airflow.providers.cncf.kubernetes.operators.pod import KubernetesPodOperator

from kubernetes import client, config
from kubernetes.client import models
from kubernetes.client.rest import ApiException

GCP_PROJECT_ID = Variable.get("GCP_PROJECT_ID")
BUCKET_DATA_NAME = Variable.get("BUCKET_DATA_NAME")
HF_TOKEN = Variable.get("HF_TOKEN")
KAGGLE_USERNAME = Variable.get("KAGGLE_USERNAME")
KAGGLE_KEY = Variable.get("KAGGLE_KEY")
JOB_NAMESPACE = Variable.get("JOB_NAMESPACE", default_var="airflow")

with DAG(dag_id="mlops-dag",
            start_date=datetime(2024,11,1),
            schedule_interval="@daily",
            catchup=False) as dag:

        # Step 1: Fetch raw data to GCS Bucket
        dataset_download = KubernetesPodOperator(
            task_id="dataset_download_task",
            namespace=JOB_NAMESPACE,
            image="us-central1-docker.pkg.dev/{{ var.value.GCP_PROJECT_ID }}/mlops-airflow-repo/dataset-download:latest",
            name="dataset-download",
            service_account_name="airflow-mlops-sa",
            env_vars={
                    "KAGGLE_USERNAME":KAGGLE_USERNAME,
                    "KAGGLE_KEY":KAGGLE_KEY,
                    "BUCKET_DATA_NAME":BUCKET_DATA_NAME
            }
        )

        dataset_download

16. डीएजी टास्क #2 - Airflow पर अपना दूसरा चरण बनाएं: डेटा तैयार करना

इस डीएजी यूनिट की खास जानकारी के तौर पर, हम GCS से CSV फ़ाइल (rotten_tomatoes_movie_reviews.csv) को Pandas DataFrame में लोड करते हैं.

इसके बाद, हम टेस्टिंग और संसाधनों के इस्तेमाल को बेहतर बनाने के लिए, DATASET_LIMIT का इस्तेमाल करके प्रोसेस की जाने वाली लाइनों की संख्या को सीमित कर देते हैं. आखिर में, बदले गए डेटा को Hugging Face डेटासेट में बदल देते हैं.

ध्यान से देखने पर, आपको पता चलेगा कि हम "DATASET_LIMIT": "1000" के साथ मॉडल में 1,000 लाइनों को ट्रेन कर रहे हैं. ऐसा इसलिए है, क्योंकि Nvidia L4 जीपीयू को ऐसा करने में 20 मिनट लगते हैं.

इस कोड को GCS बकेट में कॉपी न करें. हम आखिरी चरण में mlops-dag.py को कॉपी करते हैं. इसमें एक Python स्क्रिप्ट में सभी चरण शामिल होते हैं.

import yaml

from os import path
from datetime import datetime

from airflow import DAG
from airflow.models import Variable
from airflow.operators.python import PythonOperator
from airflow.providers.cncf.kubernetes.operators.pod import KubernetesPodOperator

from kubernetes import client, config
from kubernetes.client import models
from kubernetes.client.rest import ApiException

GCP_PROJECT_ID = Variable.get("GCP_PROJECT_ID")
BUCKET_DATA_NAME = Variable.get("BUCKET_DATA_NAME")
HF_TOKEN = Variable.get("HF_TOKEN")
KAGGLE_USERNAME = Variable.get("KAGGLE_USERNAME")
KAGGLE_KEY = Variable.get("KAGGLE_KEY")
JOB_NAMESPACE = Variable.get("JOB_NAMESPACE", default_var="airflow")

with DAG(dag_id="mlops-dag",
            start_date=datetime(2024,11,1),
            schedule_interval="@daily",
            catchup=False) as dag:

        # Step 1: Fetch raw data to GCS Bucket
        dataset_download = KubernetesPodOperator(
            task_id="dataset_download_task",
            namespace=JOB_NAMESPACE,
            image="us-central1-docker.pkg.dev/{{ var.value.GCP_PROJECT_ID }}/mlops-airflow-repo/dataset-download:latest",
            name="dataset-download",
            service_account_name="airflow-mlops-sa",
            env_vars={
                    "KAGGLE_USERNAME":KAGGLE_USERNAME,
                    "KAGGLE_KEY":KAGGLE_KEY,
                    "BUCKET_DATA_NAME":BUCKET_DATA_NAME
            }
        )

        # Step 2: Run GKEJob for data preparation
        data_preparation = KubernetesPodOperator(
            task_id="data_pipeline_task",
            namespace=JOB_NAMESPACE,
            image="us-central1-docker.pkg.dev/{{ var.value.GCP_PROJECT_ID }}/mlops-airflow-repo/data-preparation:latest",
            name="data-preparation",
            service_account_name="airflow-mlops-sa",
            env_vars={
                    "GCP_PROJECT_ID":GCP_PROJECT_ID,
                    "BUCKET_DATA_NAME":BUCKET_DATA_NAME,
                    "DATASET_LIMIT": "1000",
                    "HF_TOKEN":HF_TOKEN
            }
        )

        dataset_download >> data_preparation

17. डीएजी टास्क #3 - Airflow पर तीसरा चरण बनाएं: मॉडल को बेहतर बनाना

इस डीएजी यूनिट की खास जानकारी के तौर पर, हम अपने नए डेटासेट की मदद से Gemma मॉडल को बेहतर बनाने के लिए, finetune.py को यहां चलाते हैं.

इस कोड को GCS बकेट में कॉपी न करें. हम आखिरी चरण में mlops-dag.py को कॉपी करते हैं. इसमें एक Python स्क्रिप्ट में सभी चरण शामिल होते हैं.

mlops-dag.py

import yaml

from os import path
from datetime import datetime

from airflow import DAG
from airflow.models import Variable
from airflow.operators.python import PythonOperator
from airflow.providers.cncf.kubernetes.operators.pod import KubernetesPodOperator

from kubernetes import client, config
from kubernetes.client import models
from kubernetes.client.rest import ApiException

GCP_PROJECT_ID = Variable.get("GCP_PROJECT_ID")
BUCKET_DATA_NAME = Variable.get("BUCKET_DATA_NAME")
HF_TOKEN = Variable.get("HF_TOKEN")
KAGGLE_USERNAME = Variable.get("KAGGLE_USERNAME")
KAGGLE_KEY = Variable.get("KAGGLE_KEY")
JOB_NAMESPACE = Variable.get("JOB_NAMESPACE", default_var="airflow")

with DAG(dag_id="mlops-dag",
            start_date=datetime(2024,11,1),
            schedule_interval="@daily",
            catchup=False) as dag:

        # DAG Task 1: Fetch raw data to GCS Bucket
        dataset_download = KubernetesPodOperator(
            task_id="dataset_download_task",
            namespace=JOB_NAMESPACE,
            image="us-central1-docker.pkg.dev/{{ var.value.GCP_PROJECT_ID }}/mlops-airflow-repo/dataset-download:latest",
            name="dataset-download",
            service_account_name="airflow-mlops-sa",
            env_vars={
                    "KAGGLE_USERNAME":KAGGLE_USERNAME,
                    "KAGGLE_KEY":KAGGLE_KEY,
                    "BUCKET_DATA_NAME":BUCKET_DATA_NAME
            }
        )

        # DAG Task 2: Run GKEJob for data preparation
        data_preparation = KubernetesPodOperator(
            task_id="data_pipeline_task",
            namespace=JOB_NAMESPACE,
            image="us-central1-docker.pkg.dev/{{ var.value.GCP_PROJECT_ID }}/mlops-airflow-repo/data-preparation:latest",
            name="data-preparation",
            service_account_name="airflow-mlops-sa",
            env_vars={
                    "GCP_PROJECT_ID":GCP_PROJECT_ID,
                    "BUCKET_DATA_NAME":BUCKET_DATA_NAME,
                    "DATASET_LIMIT": "1000",
                    "HF_TOKEN":HF_TOKEN
            }
        )

        # DAG Task 3: Run GKEJob for fine tuning
        fine_tuning = KubernetesPodOperator(
            task_id="fine_tuning_task",
            namespace=JOB_NAMESPACE,
            image="us-central1-docker.pkg.dev/{{ var.value.GCP_PROJECT_ID }}/mlops-airflow-repo/finetuning:latest",
            name="fine-tuning",
            service_account_name="airflow-mlops-sa",
            startup_timeout_seconds=600,
            container_resources=models.V1ResourceRequirements(
                    requests={"nvidia.com/gpu": "1"},
                    limits={"nvidia.com/gpu": "1"}
            ),
            env_vars={
                    "BUCKET_DATA_NAME":BUCKET_DATA_NAME,
                    "HF_TOKEN":HF_TOKEN
            }
        )

        dataset_download >> data_preparation >> fine_tuning

18. डीएजी टास्क #4 - Airflow पर आखिरी चरण बनाएं: अनुमान लगाना / मॉडल को दिखाना

vLLM एक बेहतरीन ओपन-सोर्स लाइब्रेरी है. इसे खास तौर पर, एलएलएम की बेहतर परफ़ॉर्मेंस के लिए डिज़ाइन किया गया है. Google Kubernetes Engine (GKE) पर डिप्लॉय होने पर, यह एलएलएम को असरदार तरीके से उपलब्ध कराने के लिए, Kubernetes के स्केले करने और बेहतर बनाने की सुविधा का फ़ायदा लेता है.

चरणों की खास जानकारी:

• GCS बकेट में डीएजी "mlops-dag.py" अपलोड करें.
• अनुमान लगाने की सुविधा सेट अप करने के लिए, दो Kubernetes YAML कॉन्फ़िगरेशन फ़ाइलों को GCS बकेट में कॉपी करें.

mlops-dag.py

import yaml

from os import path
from datetime import datetime

from airflow import DAG
from airflow.models import Variable
from airflow.operators.python import PythonOperator
from airflow.providers.cncf.kubernetes.operators.pod import KubernetesPodOperator

from kubernetes import client, config
from kubernetes.client import models
from kubernetes.client.rest import ApiException

GCP_PROJECT_ID = Variable.get("GCP_PROJECT_ID")
BUCKET_DATA_NAME = Variable.get("BUCKET_DATA_NAME")
HF_TOKEN = Variable.get("HF_TOKEN")
KAGGLE_USERNAME = Variable.get("KAGGLE_USERNAME")
KAGGLE_KEY = Variable.get("KAGGLE_KEY")
JOB_NAMESPACE = Variable.get("JOB_NAMESPACE", default_var="airflow")

def model_serving():
    config.load_incluster_config()
    k8s_apps_v1 = client.AppsV1Api()
    k8s_core_v1 = client.CoreV1Api()

    while True:
        try:
            k8s_apps_v1.delete_namespaced_deployment(
                    namespace="airflow",
                    name="inference-deployment",
                    body=client.V1DeleteOptions(
                    propagation_policy="Foreground", grace_period_seconds=5
                    )
            )
        except ApiException:
            break
    print("Deployment inference-deployment deleted")
    
    with open(path.join(path.dirname(__file__), "inference.yaml")) as f:
        dep = yaml.safe_load(f)
        resp = k8s_apps_v1.create_namespaced_deployment(
            body=dep, namespace="airflow")
        print(f"Deployment created. Status='{resp.metadata.name}'")
    
    while True:
        try:
            k8s_core_v1.delete_namespaced_service(
                    namespace="airflow",
                    name="llm-service",
                    body=client.V1DeleteOptions(
                    propagation_policy="Foreground", grace_period_seconds=5
                    )
            )
        except ApiException:
            break
    print("Service llm-service deleted")

    with open(path.join(path.dirname(__file__), "inference-service.yaml")) as f:
        dep = yaml.safe_load(f)
        resp = k8s_core_v1.create_namespaced_service(
            body=dep, namespace="airflow")
        print(f"Service created. Status='{resp.metadata.name}'")

with DAG(dag_id="mlops-dag",
            start_date=datetime(2024,11,1),
            schedule_interval="@daily",
            catchup=False) as dag:

        # DAG Step 1: Fetch raw data to GCS Bucket
        dataset_download = KubernetesPodOperator(
            task_id="dataset_download_task",
            namespace=JOB_NAMESPACE,
            image="us-central1-docker.pkg.dev/{{ var.value.GCP_PROJECT_ID }}/mlops-airflow-repo/dataset-download:latest",
            name="dataset-download",
            service_account_name="airflow-mlops-sa",
            env_vars={
                    "KAGGLE_USERNAME":KAGGLE_USERNAME,
                    "KAGGLE_KEY":KAGGLE_KEY,
                    "BUCKET_DATA_NAME":BUCKET_DATA_NAME
            }
        )

        # DAG Step 2: Run GKEJob for data preparation
        data_preparation = KubernetesPodOperator(
            task_id="data_pipeline_task",
            namespace=JOB_NAMESPACE,
            image="us-central1-docker.pkg.dev/{{ var.value.GCP_PROJECT_ID }}/mlops-airflow-repo/data-preparation:latest",
            name="data-preparation",
            service_account_name="airflow-mlops-sa",
            env_vars={
                    "GCP_PROJECT_ID":GCP_PROJECT_ID,
                    "BUCKET_DATA_NAME":BUCKET_DATA_NAME,
                    "DATASET_LIMIT": "1000",
                    "HF_TOKEN":HF_TOKEN
            }
        )

        # DAG Step 3: Run GKEJob for fine tuning
        fine_tuning = KubernetesPodOperator(
            task_id="fine_tuning_task",
            namespace=JOB_NAMESPACE,
            image="us-central1-docker.pkg.dev/{{ var.value.GCP_PROJECT_ID }}/mlops-airflow-repo/finetuning:latest",
            name="fine-tuning",
            service_account_name="airflow-mlops-sa",
            startup_timeout_seconds=600,
            container_resources=models.V1ResourceRequirements(
                    requests={"nvidia.com/gpu": "1"},
                    limits={"nvidia.com/gpu": "1"}
            ),
            env_vars={
                    "BUCKET_DATA_NAME":BUCKET_DATA_NAME,
                    "HF_TOKEN":HF_TOKEN
            }
        )

        # DAG Step 4: Run GKE Deployment for model serving
        model_serving = PythonOperator(
            task_id="model_serving",
            python_callable=model_serving
        )

        dataset_download >> data_preparation >> fine_tuning >> model_serving

अपनी Python स्क्रिप्ट (डीएजी फ़ाइल) के साथ-साथ, Kubernetes मेनिफ़ेस्ट को DAGS GCS बकेट में अपलोड करें.

gcloud storage cp mlops-dag.py gs://${BUCKET_DAGS_NAME}
gcloud storage cp manifests/inference.yaml gs://${BUCKET_DAGS_NAME}
gcloud storage cp manifests/inference-service.yaml gs://${BUCKET_DAGS_NAME}

आपको Airflow के यूज़र इंटरफ़ेस (यूआई) में, mlops-dag दिखेगा.

1. 'रोकें' को चुनें.
2. मैन्युअल तौर पर MLOps साइकल चलाने के लिए, ट्रिगर डीएजी चुनें.

डीएजी पूरा होने के बाद, आपको Airflow के यूज़र इंटरफ़ेस (यूआई) में ऐसा आउटपुट दिखेगा.

आखिरी चरण के बाद, मॉडल एंडपॉइंट को ऐक्सेस किया जा सकता है. साथ ही, मॉडल की जांच करने के लिए प्रॉम्प्ट भेजा जा सकता है.

curl कमांड जारी करने से पहले, करीब पांच मिनट इंतज़ार करें, ताकि मॉडल का अनुमान लगाने की प्रोसेस शुरू हो सके और लोड बैलेंसर, बाहरी आईपी पता असाइन कर सके.

export MODEL_ENDPOINT=$(kubectl -n airflow get svc/llm-service --output jsonpath='{.status.loadBalancer.ingress[0].ip}')

curl -X POST http://${MODEL_ENDPOINT}:8000/generate -H "Content-Type: application/json" -d @- <<EOF
{
    "prompt": "Question: Review analysis for movie 'dangerous_men_2015'",
    "temperature": 0.1,
    "top_p": 1.0,
    "max_tokens": 128
}
EOF

आउटपुट:

{"text":["Question: Review analysis for movie ‘dangerous_men_2015'\nContext: The film is a mess, but it's a mess that's occasionally entertaining.\nAnswer: POSITIVE\nReason: While the film is a mess, it's a mess that's occasionally entertaining.\n}

19. बधाई हो!

आपने GKE पर Airflow 2 के साथ डीएजी पाइपलाइन का इस्तेमाल करके, अपना पहला एआई वर्कफ़्लो बनाया है.

डिप्लॉय किए गए संसाधनों को अन-प्रोविज़न करना न भूलें.

20. प्रोडक्शन में ऐसा करना

CodeLab में, GKE पर Airflow 2 को सेट अप करने का तरीका बताया गया है. हालांकि, असल में इसे प्रोडक्शन में सेट अप करते समय, आपको इनमें से कुछ विषयों पर ध्यान देना होगा.

Gradio या मिलते-जुलते टूल का इस्तेमाल करके, वेब फ़्रंटएंड लागू करें.

GKE यहां जाकर, वर्कलोड के लिए ऐप्लिकेशन की ऑटोमैटिक मॉनिटरिंग को कॉन्फ़िगर करें या Airflow यहां जाकर मेट्रिक एक्सपोर्ट करें.

मॉडल को तेज़ी से फ़ाइन ट्यून करने के लिए, आपको बड़े जीपीयू की ज़रूरत पड़ सकती है. खास तौर पर, अगर आपके पास बड़े डेटासेट हैं. हालांकि, अगर हमें मॉडल को कई जीपीयू पर ट्रेन करना है, तो हमें डेटासेट को अलग-अलग हिस्सों में बांटना होगा और ट्रेनिंग को अलग-अलग हिस्सों में बांटना होगा. यहां PyTorch के साथ एफ़एसडीपी के बारे में बताया गया है. यह पूरी तरह से शर्ड किया गया डेटा पैरलल है. इस लक्ष्य को हासिल करने के लिए, जीपीयू शेयरिंग का इस्तेमाल किया जाता है. इस बारे में ज़्यादा जानने के लिए, Meta की इस ब्लॉग पोस्ट और Pytorch का इस्तेमाल करके एफ़एसडीपी के बारे में बताने वाले इस ट्यूटोरियल को पढ़ें.

Google Cloud Composer, Airflow की मैनेज की जाने वाली सेवा है. इसलिए, आपको Airflow को खुद मैनेज करने की ज़रूरत नहीं है. बस अपना DAG डिप्लॉय करें और काम शुरू करें.

ज़्यादा जानें

• Airflow से जुड़े दस्तावेज़: https://airflow.apache.org/

लाइसेंस

इस काम के लिए, Creative Commons Attribution 2.0 जनरल लाइसेंस के तहत लाइसेंस मिला है.