1. Introdução
Visão geral
O Cloud Run adicionou recentemente suporte a GPU. Ele está disponível como uma prévia pública em lista de espera. Se você quiser testar o recurso, preencha este formulário para entrar na lista de espera. O Cloud Run é uma plataforma de contêineres no Google Cloud que facilita a execução do código em um contêiner, sem a necessidade de gerenciar um cluster.
Atualmente, as GPUs disponíveis são as Nvidia L4 com 24 GB de vRAM. Há uma GPU por instância do Cloud Run, e o escalonamento automático do Cloud Run ainda é aplicado. Isso inclui o escalonamento horizontal de até cinco instâncias (com aumento de cota disponível) e o escalonamento vertical para zero instâncias quando não há solicitações.
Um caso de uso para GPUs é executar seus próprios modelos de linguagem grandes (LLMs) abertos. Neste tutorial, você aprende a implantar um serviço que executa um LLM.
Neste codelab, você vai implantar um serviço de vários contêineres que usa o Open WebUI como um contêiner de entrada de front-end e o Ollama em um arquivo secundário para disponibilizar um modelo Gemma 2 2B armazenado em um bucket do Google Cloud Storage.
O que você vai aprender
- Como criar um serviço de vários contêineres no Cloud Run
- Como implantar o Ollama como um sidecar que serve um modelo Gemma 2 2B
- Como implantar o Open WebUI como um contêiner de entrada de front-end
2. Definir variáveis de ambiente e ativar APIs
Fazer upgrade da CLI gcloud
Primeiro, você precisa ter uma versão recente da gcloud CLI instalada. Atualize a CLI executando o seguinte comando:
gcloud components update
Configurar as variáveis de ambiente.
Você pode definir variáveis de ambiente que serão usadas neste codelab.
PROJECT_ID=<YOUR_PROJECT_ID> REGION=us-central1 gcloud config set project $PROJECT_ID
Ativar APIs
Antes de começar a usar este codelab, você precisa ativar várias APIs. Este codelab exige o uso das seguintes APIs. Para ativar essas APIs, execute o seguinte comando:
gcloud services enable run.googleapis.com \ cloudbuild.googleapis.com \ storage.googleapis.com \ artifactregistry.googleapis.com
Crie um diretório para este codelab.
mkdir ollama-sidecar-codelab cd ollama-sidecar-codelab
3. Crie um bucket do GCS para armazenar o modelo Gemma 2 2B
Primeiro, você vai instalar o Ollama para fazer o download do modelo. O modelo será salvo em /home/$USER/.ollama/models
curl -fsSL https://ollama.com/install.sh | sh
Agora execute o Ollama, executando
ollama serve
O Ollama começa a ouvir na porta 11434.
Abra uma segunda janela do terminal para puxar o modelo Gemma 2 2B para
ollama pull gemma2:2b
(Opcional) Você pode interagir com o Gemma na linha de comando executando
ollama run gemma2:2b
Quando terminar de conversar com o Gemma, você pode sair digitando
/bye
4. Crie um bucket de armazenamento
Agora que o modelo foi baixado, você pode movê-lo para o bucket do GCS.
Primeiro, crie o bucket.
gcloud storage buckets create gs://$PROJECT_ID-gemma2-2b-codelab
Agora, mova a pasta de modelos para o GCS.
gsutil cp -r /home/$USER/.ollama/models gs://$PROJECT_ID-gemma2-2b-codelab
5. Criar a imagem do Ollama
Crie um dockerfile com o seguinte conteúdo
FROM ollama/ollama # Listen on all interfaces, port 11434 ENV OLLAMA_HOST 0.0.0.0:11434 # Store model weight files in /models ENV OLLAMA_MODELS /models # Reduce logging verbosity ENV OLLAMA_DEBUG false # Never unload model weights from the GPU ENV OLLAMA_KEEP_ALIVE -1 # Store the model weights in the container image ENV MODEL gemma2:2b RUN ollama serve & sleep 5 && ollama pull $MODEL # Start Ollama ENTRYPOINT ["ollama", "serve"]
Crie um repositório do Artifact Registry para armazenar as imagens de serviço.
gcloud artifacts repositories create ollama-sidecar-codelab-repo --repository-format=docker \
--location=us-central1 --description="Ollama + OpenWebUI website demo" \
--project=$PROJECT_ID
Criar a imagem do sidecar ollama
gcloud builds submit \
--tag us-central1-docker.pkg.dev/$PROJECT_ID/ollama-sidecar-codelab-repo/ollama-gemma-2b \
--machine-type e2-highcpu-32
6. Criar a imagem de front-end da Open WebUI
Nesta seção, você vai criar o contêiner de entrada do front-end usando o Open WebUI.
Use o Docker para extrair a imagem Open WebUI.
docker pull ghcr.io/open-webui/open-webui:main
Em seguida, configure o Docker para usar suas credenciais do Google Cloud e fazer a autenticação com o Artifact Registry. Isso permite que você use o Docker para enviar uma imagem a um repositório do Artifact Registry.
gcloud auth configure-docker us-central1-docker.pkg.dev
Marque sua imagem e envie para o Artifact Registry.
docker tag ghcr.io/open-webui/open-webui:main us-central1-docker.pkg.dev/$PROJECT_ID/ollama-sidecar-codelab-repo/openwebui docker push us-central1-docker.pkg.dev/$PROJECT_ID/ollama-sidecar-codelab-repo/openwebui
7. Implantar o serviço de vários contêineres no Cloud Run
Use um arquivo YAML para implantar o serviço de vários contêineres
Crie um service.yaml
com os conteúdos a seguir.
apiVersion: serving.knative.dev/v1 kind: Service metadata: name: ollama-sidecar-codelab labels: cloud.googleapis.com/location: us-central1 spec: template: metadata: annotations: autoscaling.knative.dev/maxScale: '5' run.googleapis.com/cpu-throttling: 'false' run.googleapis.com/startup-cpu-boost: 'true' run.googleapis.com/container-dependencies: '{"openwebui":["ollama-sidecar"]}' spec: containerConcurrency: 80 timeoutSeconds: 300 containers: - name: openwebui image: us-central1-docker.pkg.dev/YOUR_PROJECT_ID/ollama-sidecar-codelab/openwebui ports: - name: http1 containerPort: 8080 env: - name: OLLAMA_BASE_URL value: http://localhost:11434 - name: WEBUI_AUTH value: 'false' resources: limits: memory: 1Gi cpu: 2000m volumeMounts: - name: in-memory-1 mountPath: /app/backend/data startupProbe: timeoutSeconds: 240 periodSeconds: 240 failureThreshold: 1 tcpSocket: port: 8080 - name: ollama-sidecar image: us-central1-docker.pkg.dev/YOUR_PROJECT_ID/ollama-sidecar-codelab/ollama-gemma-2b resources: limits: cpu: '6' nvidia.com/gpu: '1' memory: 16Gi volumeMounts: - name: gcs-1 mountPath: /root/.ollama startupProbe: timeoutSeconds: 1 periodSeconds: 10 failureThreshold: 3 tcpSocket: port: 11434 volumes: - name: gcs-1 csi: driver: gcsfuse.run.googleapis.com volumeAttributes: bucketName: YOUR_PROJECT_ID-gemma2-2b-codelab - name: in-memory-1 emptyDir: medium: Memory sizeLimit: 10Gi nodeSelector: run.googleapis.com/accelerator: nvidia-l4
Atualize service.yaml para substituir PROJECT_ID pelo ID do seu projeto:
sed -i "s/YOUR_PROJECT_ID/${PROJECT_ID}/g" service.yaml
Implante no Cloud Run usando o comando a seguir.
gcloud beta run services replace service.yaml
testar o serviço do Cloud Run
Agora abra o URL do serviço no navegador da Web.
Depois que a IU terminar de carregar, em Selecionar um modelo, escolha Gemma 2 2B.
Agora faça uma pergunta para Gemma. Por exemplo: "Por que o céu é azul?"
8. Parabéns!
Parabéns por concluir o codelab.
Recomendamos a leitura da documentação sobre as funções do Cloud Run.
O que vimos
- Como criar um serviço de vários contêineres no Cloud Run
- Como implantar o Ollama como um sidecar que serve um modelo Gemma 2 2B
- Como implantar o Open WebUI como um contêiner de entrada de front-end
9. Limpar
Para evitar cobranças acidentais (por exemplo, se os serviços do Cloud Run forem invocados por engano mais vezes do que sua alocação mensal de invocação do Cloud Run no nível sem custo financeiro), exclua o Cloud Run ou o projeto criado na etapa 2.
Para excluir a função do Cloud Run, acesse o console do Cloud Run do Cloud em https://console.cloud.google.com/run e exclua o serviço ollama-sidecar-codelab
.
Se você optar por excluir o projeto inteiro, acesse https://console.cloud.google.com/cloud-resource-manager, selecione o projeto criado na etapa 2 e escolha "Excluir". Se você excluir o projeto, precisará alterar os projetos no SDK Cloud. Para conferir a lista de todos os projetos disponíveis, execute gcloud projects list
.