Cloud Run जॉब का इस्तेमाल करके, एलएलएम को बेहतर बनाने का तरीका

1. परिचय

खास जानकारी

इस कोडलैब में, Gemma मॉडल को बेहतर बनाने के लिए, Cloud Run जॉब का इस्तेमाल किया जाएगा. इसके बाद, vLLM का इस्तेमाल करके, Cloud Run पर नतीजा दिखाया जाएगा.

इस कोडलैब के लिए, आपको टेक्स्ट-टू-SQL डेटासेट का इस्तेमाल करना होगा. इसका मकसद, एलएलएम को आम भाषा में पूछे गए सवाल का जवाब SQL क्वेरी के ज़रिए देने के लिए तैयार करना है.

आपको क्या सीखने को मिलेगा

  • Cloud Run Jobs के GPU का इस्तेमाल करके, फ़ाइन ट्यूनिंग करने का तरीका
  • vLLM के साथ Cloud Run का इस्तेमाल करके मॉडल को दिखाने का तरीका
  • मॉडल को तेज़ी से अपलोड और दिखाने के लिए, GPU जॉब के लिए डायरेक्ट VPC कॉन्फ़िगरेशन का इस्तेमाल करने का तरीका

2. शुरू करने से पहले

एपीआई चालू करें

इस कोडलैब का इस्तेमाल शुरू करने से पहले, इन एपीआई को चालू करें:

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

जीपीयू कोटा

इस सुविधा के साथ काम करने वाले किसी इलाके के लिए, कोटा बढ़ाने का अनुरोध करें. Cloud Run Admin API में कोटा nvidia_l4_gpu_allocation_no_zonal_redundancy है.

ध्यान दें: अगर किसी नए प्रोजेक्ट का इस्तेमाल किया जा रहा है, तो एपीआई को चालू करने और इस पेज पर कोटा दिखने में कुछ मिनट लग सकते हैं.

गले लगाता चेहरा

इस कोडलैब में, Hugging Face पर होस्ट किए गए मॉडल का इस्तेमाल किया जाता है. यह मॉडल पाने के लिए, "रीड" अनुमति के साथ Hugging Face उपयोगकर्ता ऐक्सेस टोकन का अनुरोध करें. बाद में, इसका रेफ़रंस YOUR_HF_TOKEN के तौर पर दिया जाएगा.

मॉडल का इस्तेमाल करने के लिए, आपको इस्तेमाल की शर्तों से भी सहमत होना होगा: https://huggingface.co/google/gemma-2b

3. सेटअप और ज़रूरी शर्तें

इन संसाधनों को सेट अप करें:

  • आईएएम सेवा खाता और उससे जुड़ी आईएएम अनुमतियां,
  • Hugging Face टोकन सेव करने के लिए, Secret Manager का सीक्रेट,
  • बेहतर बनाया गया मॉडल सेव करने के लिए Cloud Storage बकेट, और
  • आर्टफ़ैक्ट रजिस्ट्री रिपॉज़िटरी, जिसमें वह इमेज सेव की जाती है जिसे मॉडल को बेहतर बनाने के लिए बनाया जाता है.
  1. इस कोडलैब के लिए एनवायरमेंट वैरिएबल सेट करें. हमने आपके लिए कई वैरिएबल पहले से भर दिए हैं. अपना प्रोजेक्ट आईडी, क्षेत्र, और Hugging Face टोकन बताएं.
    export PROJECT_ID=<YOUR_PROJECT_ID>
export REGION=<YOUR_REGION>
export HF_TOKEN=<YOUR_HF_TOKEN>

export AR_REPO=codelab-finetuning-jobs
export IMAGE_NAME=finetune-to-gcs
export JOB_NAME=finetuning-to-gcs-job
export BUCKET_NAME=$PROJECT_ID-codelab-finetuning-jobs
export SECRET_ID=HF_TOKEN
export SERVICE_ACCOUNT="finetune-job-sa"
export SERVICE_ACCOUNT_ADDRESS=$SERVICE_ACCOUNT@$PROJECT_ID.iam.gserviceaccount.com
  2. यह कमांड चलाकर सेवा खाता बनाएं:
    gcloud iam service-accounts create $SERVICE_ACCOUNT \
  --display-name="Service account for fine-tuning codelab"
  3. Hugging Face का ऐक्सेस टोकन सेव करने के लिए, सीक्रेट मैनेजर का इस्तेमाल करें:
    gcloud secrets create $SECRET_ID \
      --replication-policy="automatic"

printf $HF_TOKEN | gcloud secrets versions add $SECRET_ID --data-file=-
  4. अपने सेवा खाते को Secret Manager Secret Accessor की भूमिका दें:
    gcloud secrets add-iam-policy-binding $SECRET_ID \
  --member serviceAccount:$SERVICE_ACCOUNT_ADDRESS \
  --role='roles/secretmanager.secretAccessor'
  5. एक बकेट बनाएं, जो आपके बेहतर किए गए मॉडल को होस्ट करेगी:
    gcloud storage buckets create -l $REGION gs://$BUCKET_NAME
  6. अपने सेवा खाते को बकेट का ऐक्सेस दें:
    gcloud storage buckets add-iam-policy-binding gs://$BUCKET_NAME \
  --member=serviceAccount:$SERVICE_ACCOUNT_ADDRESS \
  --role=roles/storage.objectAdmin
  7. कंटेनर इमेज को सेव करने के लिए, आर्टफ़ैक्ट रजिस्ट्री रिपॉज़िटरी बनाएं:
    gcloud artifacts repositories create $AR_REPO \
    --repository-format=docker \
    --location=$REGION \
    --description="codelab for finetuning using CR jobs" \
    --project=$PROJECT_ID

4. Cloud Run जॉब इमेज बनाना

अगले चरण में, आपको ऐसा कोड बनाना होगा जो ये काम करता हो:

  • Hugging Face से Gemma मॉडल इंपोर्ट करता है
  • Hugging Face के डेटासेट की मदद से, मॉडल को बेहतर बनाता है. यह जॉब, बेहतर बनाने के लिए सिंगल L4 GPU का इस्तेमाल करता है.
  • new_model नाम के बेहतर किए गए मॉडल को आपकी Cloud Storage बकेट में अपलोड करता है
  1. बेहतर बनाने के लिए, जॉब कोड की डायरेक्ट्री बनाएं.
    mkdir codelab-finetuning-job
cd codelab-finetuning-job
  2. finetune.py नाम की फ़ाइल बनाना
    # Copyright 2024 Google LLC
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#      http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

import os
import torch
from datasets import load_dataset
from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
    BitsAndBytesConfig,
    TrainingArguments,

)
from peft import LoraConfig, PeftModel

from trl import SFTTrainer

# Cloud Storage bucket to upload the model
bucket_name = os.getenv("BUCKET_NAME", "YOUR_BUCKET_NAME")

# The model that you want to train from the Hugging Face hub
model_name = os.getenv("MODEL_NAME", "google/gemma-2b")

# The instruction dataset to use
dataset_name = "b-mc2/sql-create-context"

# Fine-tuned model name
new_model = os.getenv("NEW_MODEL", "gemma-2b-sql")

################################################################################
# QLoRA parameters
################################################################################

# LoRA attention dimension
lora_r = int(os.getenv("LORA_R", "4"))

# Alpha parameter for LoRA scaling
lora_alpha = int(os.getenv("LORA_ALPHA", "8"))

# Dropout probability for LoRA layers
lora_dropout = 0.1

################################################################################
# bitsandbytes parameters
################################################################################

# Activate 4-bit precision base model loading
use_4bit = True

# Compute dtype for 4-bit base models
bnb_4bit_compute_dtype = "float16"

# Quantization type (fp4 or nf4)
bnb_4bit_quant_type = "nf4"

# Activate nested quantization for 4-bit base models (double quantization)
use_nested_quant = False

################################################################################
# TrainingArguments parameters
################################################################################

# Output directory where the model predictions and checkpoints will be stored
output_dir = "./results"

# Number of training epochs
num_train_epochs = 1

# Enable fp16/bf16 training (set bf16 to True with an A100)
fp16 = True
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 = int(os.getenv("EVAL_BATCH_SIZE", "2"))

# 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 checkpoint every X updates steps
save_steps = 0

# Log every X updates steps
logging_steps = int(os.getenv("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 the entire model on the GPU 0
device_map = {'':torch.cuda.current_device()}

# Set limit to a positive number
limit = int(os.getenv("DATASET_LIMIT", "5000"))

dataset = load_dataset(dataset_name, split="train")
if limit != -1:
    dataset = dataset.shuffle(seed=42).select(range(limit))


def transform(data):
    question = data['question']
    context = data['context']
    answer = data['answer']
    template = "Question: {question}\nContext: {context}\nAnswer: {answer}"
    return {'text': template.format(question=question, context=context, answer=answer)}


transformed = dataset.map(transform)

# Load tokenizer and model with QLoRA configuration
compute_dtype = getattr(torch, bnb_4bit_compute_dtype)

bnb_config = BitsAndBytesConfig(
    load_in_4bit=use_4bit,
    bnb_4bit_quant_type=bnb_4bit_quant_type,
    bnb_4bit_compute_dtype=compute_dtype,
    bnb_4bit_use_double_quant=use_nested_quant,
)

# Check GPU compatibility with bfloat16
if compute_dtype == torch.float16 and use_4bit:
    major, _ = torch.cuda.get_device_capability()
    if major >= 8:
        print("=" * 80)
        print("Your GPU supports bfloat16")
        print("=" * 80)

# Load base model
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    quantization_config=bnb_config,
    device_map=device_map,
    torch_dtype=torch.float16,
)
model.config.use_cache = False
model.config.pretraining_tp = 1

# Load LLaMA tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "right"

# Load LoRA configuration
peft_config = LoraConfig(
    lora_alpha=lora_alpha,
    lora_dropout=lora_dropout,
    r=lora_r,
    bias="none",
    task_type="CAUSAL_LM",
    target_modules=["q_proj", "v_proj"]
)

# Set training parameters
training_arguments = TrainingArguments(
    output_dir=output_dir,
    num_train_epochs=num_train_epochs,
    per_device_train_batch_size=per_device_train_batch_size,
    gradient_accumulation_steps=gradient_accumulation_steps,
    optim=optim,
    save_steps=save_steps,
    logging_steps=logging_steps,
    learning_rate=learning_rate,
    weight_decay=weight_decay,
    fp16=fp16,
    bf16=bf16,
    max_grad_norm=max_grad_norm,
    max_steps=max_steps,
    warmup_ratio=warmup_ratio,
    group_by_length=group_by_length,
    lr_scheduler_type=lr_scheduler_type,
)

trainer = SFTTrainer(
    model=model,
    train_dataset=transformed,
    peft_config=peft_config,
    dataset_text_field="text",
    max_seq_length=max_seq_length,
    tokenizer=tokenizer,
    args=training_arguments,
    packing=packing,
)

trainer.train()

trainer.model.save_pretrained(new_model)

# Reload model in FP16 and merge it with LoRA weights
base_model = AutoModelForCausalLM.from_pretrained(
    model_name,
    low_cpu_mem_usage=True,
    return_dict=True,
    torch_dtype=torch.float16,
    device_map=device_map,
)
model = PeftModel.from_pretrained(base_model, new_model)
model = model.merge_and_unload()

# push to Cloud Storage

file_path_to_save_the_model = '/finetune/new_model'
model.save_pretrained(file_path_to_save_the_model)
tokenizer.save_pretrained(file_path_to_save_the_model)
  3. requirements.txt फ़ाइल बनाने के लिए:
    accelerate==0.34.2
bitsandbytes==0.45.5
datasets==2.19.1
transformers==4.51.3
peft==0.11.1
trl==0.8.6
torch==2.3.0
  4. Dockerfile बनाएं:
    FROM nvidia/cuda:12.6.2-runtime-ubuntu22.04

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 /requirements.txt

RUN pip3 install -r requirements.txt --no-cache-dir

COPY finetune.py /finetune.py

ENV PYTHONUNBUFFERED 1

CMD python3 /finetune.py --device cuda
  5. Artifact Registry के डेटा स्टोर करने की जगह में कंटेनर बनाएं:
    gcloud builds submit \
  --tag $REGION-docker.pkg.dev/$PROJECT_ID/$AR_REPO/$IMAGE_NAME \
  --region $REGION

5. जॉब को डिप्लॉय और लागू करना

इस चरण में, आपको Google Cloud Storage में तेज़ी से अपलोड करने के लिए, सीधे VPC एग्ज़िट के साथ अपने जॉब के लिए YAML कॉन्फ़िगरेशन बनाना होगा.

ध्यान दें कि इस फ़ाइल में ऐसे वैरिएबल हैं जिन्हें आपको अगले चरण में अपडेट करना होगा.

  1. finetune-job.yaml.tmpl नाम की फ़ाइल बनाएं:
    apiVersion: run.googleapis.com/v1
kind: Job
metadata:
  name: $JOB_NAME
  labels:
    cloud.googleapis.com/location: $REGION
  annotations:
    run.googleapis.com/launch-stage: ALPHA
spec:
  template:
    metadata:
      annotations:
        run.googleapis.com/execution-environment: gen2
        run.googleapis.com/network-interfaces: '[{"network":"default","subnetwork":"default"}]'
    spec:
      parallelism: 1
      taskCount: 1
      template:
        spec:
          serviceAccountName: $SERVICE_ACCOUNT_ADDRESS
          containers:
          - name: $IMAGE_NAME
            image: $REGION-docker.pkg.dev/$PROJECT_ID/$AR_REPO/$IMAGE_NAME
            env:
            - name: MODEL_NAME
              value: "google/gemma-2b"
            - name: NEW_MODEL
              value: "gemma-2b-sql-finetuned"
            - name: BUCKET_NAME
              value: "$BUCKET_NAME"
            - name: LORA_R
              value: "8"
            - name: LORA_ALPHA
              value: "16"
            - name: GRADIENT_ACCUMULATION_STEPS
              value: "2"
            - name: DATASET_LIMIT
              value: "1000"
            - name: LOGGING_STEPS
              value: "5"
            - name: HF_TOKEN
              valueFrom:
                secretKeyRef:
                  key: 'latest'
                  name: HF_TOKEN
            resources:
              limits:
                cpu: 8000m
                nvidia.com/gpu: '1'
                memory: 32Gi
            volumeMounts:
            - mountPath: /finetune/new_model
              name: finetuned_model
          volumes:
          - name: finetuned_model
            csi:
              driver: gcsfuse.run.googleapis.com
              readOnly: false
              volumeAttributes:
                bucketName: $BUCKET_NAME
          maxRetries: 3
          timeoutSeconds: '3600'
          nodeSelector:
            run.googleapis.com/accelerator: nvidia-l4
  2. नीचे दिया गया निर्देश चलाकर, YAML में मौजूद वैरिएबल को अपने एनवायरमेंट वैरिएबल से बदलें:
    envsubst < finetune-job.yaml.tmpl > finetune-job.yaml
  3. Cloud Run जॉब बनाएं:
    gcloud alpha run jobs replace finetune-job.yaml
  4. जॉब को लागू करें:
    gcloud alpha run jobs execute $JOB_NAME --region $REGION --async

इस प्रोसेस को पूरा होने में करीब 10 मिनट लगेंगे. आखिरी निर्देश के आउटपुट में दिए गए लिंक का इस्तेमाल करके, स्थिति देखी जा सकती है.

6. vLLM के साथ अपने बेहतर किए गए मॉडल को उपलब्ध कराने के लिए, Cloud Run सेवा का इस्तेमाल करना

इस चरण में, आपको Cloud Run सेवा को डिप्लॉय करना होगा. यह कॉन्फ़िगरेशन, तेज़ी से डाउनलोड करने के लिए, निजी नेटवर्क पर Cloud Storage बकेट को ऐक्सेस करने के लिए, सीधे VPC का इस्तेमाल करता है.

ध्यान दें कि इस फ़ाइल में ऐसे वैरिएबल हैं जिन्हें आपको अगले चरण में अपडेट करना होगा.

  1. service.yaml.tmpl फ़ाइल बनाने के लिए:
    apiVersion: serving.knative.dev/v1
kind: Service
metadata:
  name: serve-gemma-sql
  labels:
    cloud.googleapis.com/location: $REGION
  annotations:
    run.googleapis.com/launch-stage: BETA
    run.googleapis.com/ingress: all
    run.googleapis.com/ingress-status: all
spec:
  template:
    metadata:
      labels:
      annotations:
        autoscaling.knative.dev/maxScale: '1'
        run.googleapis.com/cpu-throttling: 'false'
        run.googleapis.com/gpu-zonal-redundancy-disabled: 'true'
        run.googleapis.com/network-interfaces: '[{"network":"default","subnetwork":"default"}]'
    spec:
      containers:
      - name: serve-finetuned
        image: us-docker.pkg.dev/vertex-ai/vertex-vision-model-garden-dockers/pytorch-vllm-serve:20250505_0916_RC00
        ports:
        - name: http1
          containerPort: 8000
        resources:
          limits:
            cpu: 8000m
            nvidia.com/gpu: '1'
            memory: 32Gi
        volumeMounts:
        - name: fuse
          mountPath: /finetune/new_model
        command: ["python3", "-m", "vllm.entrypoints.api_server"]
        args:
        - --model=/finetune/new_model
        - --tensor-parallel-size=1
        env:
        - name: MODEL_ID
          value: 'new_model'
        - name: HF_HUB_OFFLINE
          value: '1'
      volumes:
      - name: fuse
        csi:
          driver: gcsfuse.run.googleapis.com
          volumeAttributes:
            bucketName: $BUCKET_NAME
      nodeSelector:
        run.googleapis.com/accelerator: nvidia-l4
  2. service.yaml फ़ाइल को अपनी बकेट के नाम से अपडेट करें.
    envsubst < service.yaml.tmpl > service.yaml
  3. अपनी Cloud Run सेवा को डिप्लॉय करें:
    gcloud alpha run services replace service.yaml

7. बेहतर बनाए गए मॉडल की जांच करना

इस चरण में, आपको अपने मॉडल को फ़ाइन टिंट करने की सुविधा को टेस्ट करने के लिए कहना होगा.

  1. अपनी Cloud Run सेवा का यूआरएल पाएं:
    SERVICE_URL=$(gcloud run services describe serve-gemma-sql --platform managed --region $REGION --format 'value(status.url)')
  2. अपने मॉडल के लिए प्रॉम्प्ट बनाएं.
    USER_PROMPT="Question: What are the first name and last name of all candidates? Context: CREATE TABLE candidates (candidate_id VARCHAR); CREATE TABLE people (first_name VARCHAR, last_name VARCHAR, person_id VARCHAR)"
  3. अपने मॉडल को प्रॉम्प्ट करने के लिए, CURL का इस्तेमाल करके अपनी सेवा को कॉल करें:
    curl -X POST $SERVICE_URL/generate \
  -H "Content-Type: application/json" \
  -H "Authorization: bearer $(gcloud auth print-identity-token)" \
  -d @- <<EOF
{
    "prompt": "${USER_PROMPT}"
}
EOF

आपको कुछ ऐसा जवाब दिखेगा:

{"predictions":["Prompt:\nQuestion: What are the first name and last name of all candidates? Context: CREATE TABLE candidates (candidate_id VARCHAR); CREATE TABLE people (first_name VARCHAR, last_name VARCHAR, person_id VARCHAR)\nOutput:\n CREATE TABLE people_to_candidates (candidate_id VARCHAR, person_id VARCHAR) CREATE TABLE people_to_people (person_id VARCHAR, person_id VARCHAR) CREATE TABLE people_to_people_to_candidates (person_id VARCHAR, candidate_id"]}

8. बधाई हो!

कोडलैब पूरा करने के लिए बधाई!

हमारा सुझाव है कि आप Cloud Run के दस्तावेज़ देखें.

हमने क्या-क्या कवर किया है

  • Cloud Run Jobs के GPU का इस्तेमाल करके, फ़ाइन ट्यूनिंग करने का तरीका
  • vLLM के साथ Cloud Run का इस्तेमाल करके मॉडल को दिखाने का तरीका
  • मॉडल को तेज़ी से अपलोड और दिखाने के लिए, GPU जॉब के लिए डायरेक्ट VPC कॉन्फ़िगरेशन का इस्तेमाल करने का तरीका

9. व्यवस्थित करें

अनजाने में लगने वाले शुल्कों से बचने के लिए, छठे चरण में बनाई गई Cloud Run सेवा को मिटाया जा सकता है. उदाहरण के लिए, अगर Cloud Run सेवाओं को मुफ़्त टीयर में, हर महीने Cloud Run को इस्तेमाल करने के लिए तय किए गए कोटे से ज़्यादा बार इस्तेमाल किया जाता है, तो ऐसा किया जा सकता है.

Cloud Run सेवा मिटाने के लिए, https://console.cloud.google.com/run पर Cloud Run Cloud Console पर जाएं और serve-gemma-sql सेवा मिटाएं.

पूरे प्रोजेक्ट को मिटाने के लिए, संसाधन मैनेज करें पर जाएं. इसके बाद, दूसरे चरण में बनाया गया प्रोजेक्ट चुनें और 'मिटाएं' को चुनें. प्रोजेक्ट मिटाने पर, आपको अपने Cloud SDK में प्रोजेक्ट बदलने होंगे. gcloud projects list चलाकर, सभी उपलब्ध प्रोजेक्ट की सूची देखी जा सकती है.