Как запустить пакетный вывод в заданиях Cloud Run

1. Введение

Обзор

В этой кодовой лаборатории вы будете использовать задания Cloud Run для запуска пакетного вывода с использованием Meta's Llama 3.2-1b LLM и vLLM на базе Cloud Run Jobs GPU. Вы будете записывать результаты непосредственно в Cloud Storage с помощью монтирования томов Cloud Run .

Чему вы научитесь

  • Как выполнить пакетный вывод с использованием Cloud Run Jobs GPU
  • Как записывать в облачное хранилище с помощью монтирования томов Cloud Run

2. Прежде чем начать

Включить API

Прежде чем начать использовать эту лабораторную работу, включите следующие API, выполнив:

gcloud services enable run.googleapis.com \
    cloudbuild.googleapis.com \
    secretmanager.googleapis.com \
    artifactregistry.googleapis.com

Квота графического процессора

Запросить увеличение квоты для поддерживаемого региона . Квота — nvidia_l4_gpu_allocation_no_zonal_redundancy , в Cloud Run Admin API.

Примечание: если вы используете новый проект, между включением API и появлением квот на этой странице может пройти несколько минут.

Обнимающее лицо

Эта кодовая лаборатория использует модель, размещенную на Hugging Face . Чтобы получить эту модель, запросите токен доступа пользователя Hugging Face с разрешением «Чтение». Позже вы будете ссылаться на него как YOUR_HF_TOKEN .

Вам также необходимо согласиться с условиями использования модели: https://huggingface.co/meta-llama/Llama-3.2-1B

3. Настройка и требования

В этом разделе содержатся инструкции по настройке следующих ресурсов:

  • Учетная запись службы IAM и связанные с ней разрешения IAM.
  • Секретный менеджер для хранения вашего токена Hugging Face.
  • Облачное хранилище для хранения результатов вашего вывода.

Чтобы настроить необходимые ресурсы, выполните следующие действия:

  1. Установите переменные среды для этой кодовой лаборатории: 
    export PROJECT_ID=<your_project_id>
export REGION=<your_region>
export HF_TOKEN=<YOUR_HF_TOKEN>

export SERVICE_ACCOUNT=inference-service-account
export SERVICE_ACCOUNT_EMAIL=${SERVICE_ACCOUNT}@${PROJECT_ID}.iam.gserviceaccount.com
export SECRET_ID=hugging-face-token
export BUCKET_NAME=inference-codelab-${PROJECT_ID}
  2. Создайте учетную запись службы, выполнив: 
    gcloud iam service-accounts create ${SERVICE_ACCOUNT} \
  --display-name="Service account for batch inference codelab"
  3. Используйте Secret Manager для хранения токена доступа Hugging Face: 
    gcloud secrets create $SECRET_ID \
      --replication-policy="automatic"

printf $HF_TOKEN | gcloud secrets versions add $SECRET_ID --data-file=-
  4. Предоставьте своей учетной записи службы роль Secret Manager Secret Accessor: 
    gcloud secrets add-iam-policy-binding $SECRET_ID \
  --member serviceAccount:$SERVICE_ACCOUNT_EMAIL \
  --role='roles/secretmanager.secretAccessor'
  5. Создайте контейнер для размещения вашей доработанной модели: 
    gcloud storage buckets create -l us-central1 gs://${BUCKET_NAME}
  6. Предоставьте своей учетной записи службы доступ к контейнеру: 
    gcloud storage buckets add-iam-policy-binding gs://$BUCKET_NAME \
  --member=serviceAccount:$SERVICE_ACCOUNT_EMAIL \
  --role=roles/storage.objectAdmin
  7. Создайте репозиторий реестра артефактов для хранения образа контейнера. Если вы уже использовали исходные развертывания Cloud Run в своем проекте, пропустите этот шаг. 
    gcloud artifacts repositories create cloud-run-source-deploy \
    --repository-format=docker \
    --location=$REGION \
    --project=$PROJECT_ID

4. Создайте задание Cloud Run

В этом разделе вы создадите код, который выполняет следующие действия:

  • Импортирует модель Llama из Hugging Face
  • Выполняет пакетный вывод на модели. Задание использует один L4 GPU в этом процессе.
  • Записывает результаты на локальный диск. Это записывается в Cloud Storage через монтирование томов.

Чтобы создать задание Cloud Run и Dockerfile, выполните следующие действия:

  1. Создайте каталог для размещения кода задания тонкой настройки: 
    mkdir codelab-inference-job
cd codelab-inference-job
  2. Создайте файл с именем main.py 
    # SPDX-License-Identifier: Apache-2.0
from vllm import LLM, SamplingParams

# Sample prompts.
prompts = [
    "Cloud Run is",
    "The future of AI is",
    "The capital of Germany is",
    "python as a programming language is",
]
# Create a sampling params object.
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

# Create an LLM.
llm = LLM(model="meta-llama/Llama-3.2-1B")
# Generate texts from the prompts. The output is a list of RequestOutput objects
# that contain the prompt, generated text, and other information.
outputs = llm.generate(prompts, sampling_params)

# Save the outputs to disk
with open("/results/output.txt", "w") as f:
    for output in outputs:
        prompt = output.prompt
        generated_text = output.outputs[0].text
        f.write(f"Prompt: {prompt!r}, Generated text: {generated_text!r}\n")

print(f"Wrote {len(outputs)} to disk.")
  3. Создайте Dockerfile : 
    FROM python:3.12
ADD main.py .
RUN python -m pip install --upgrade pip setuptools
RUN pip install vllm
CMD ["python", "./main.py"]

5. Развертывание и выполнение задания

На этом шаге вы создадите задание Cloud Run с помощью развертывания источника Cloud Run, а затем выполните его. Этот шаг также включает флаги монтирования тома Cloud Run для сохранения результатов.

  1. Создайте задание Cloud Run:
    gcloud beta run jobs deploy inference-job \
  --region $REGION \
  --source . \
  --gpu=1 \
  --set-secrets HF_TOKEN=${SECRET_ID}:latest \
  --add-volume name=results,type=cloud-storage,bucket=${BUCKET_NAME} \
  --add-volume-mount volume=results,mount-path=/results \
  --service-account $SERVICE_ACCOUNT_EMAIL
    Эта команда создает образ из источника и развертывает задание. Это займет некоторое время.
  2. Выполнить задание:
    gcloud run jobs execute inference-job --region $REGION --async
    Выполнение задания займет несколько минут. Вы можете проверить статус, используя ссылку, указанную в выводе последней команды.

Подтверждение успеха

Чтобы убедиться в успешном выполнении задания, просмотрите журналы задания, как в выводе последней команды.

Проверьте результаты в контейнере облачного хранилища:

В консоли:

  1. Перейдите в облачное хранилище .
  2. Выберите контейнер, начинающийся с inference-codelab .
  3. Выберите output.txt .
  4. Нажмите «Аутентифицированный URL» , чтобы просмотреть содержимое в браузере.

Содержимое файла должно включать четыре подсказки и их результаты.

6. Поздравляю!

Поздравляем с завершением лабораторной работы!

Мы рекомендуем ознакомиться с документацией Cloud Run .

Что мы рассмотрели

  • Как выполнить пакетный вывод с использованием Cloud Run Jobs GPU
  • Как записывать в облачное хранилище с помощью монтирования томов Cloud Run

7. Уборка

Чтобы удалить задание Cloud Run, перейдите в Cloud Run Cloud Console по адресу https://console.cloud.google.com/run и удалите задание inference-job .

Чтобы удалить весь проект, перейдите в Управление ресурсами , выберите проект, созданный на шаге 2, и выберите Удалить. Если вы удалите проект, вам нужно будет изменить проекты в вашем Cloud SDK. Вы можете просмотреть список всех доступных проектов, запустив gcloud projects list .