Stellen Sie große Modelle für Inferenz bereit mit TorchServe

Dieses Tutorial zeigt, wie Sie große Modelle bereitstellen und Inferenzen in Amazon SageMaker mit TorchServe on GPUs bereitstellen. In diesem Beispiel wird das Modell OPT-30b für eine Instance bereitgestellt. ml.g5 Sie können dies so ändern, dass es mit anderen Modellen und Instance-Typen funktioniert. Ersetzen Sie die italicized placeholder text in den Beispielen durch Ihre eigenen Angaben.

TorchServe ist eine leistungsstarke offene Plattform für die Inferenz großer verteilter Modelle. Durch die Unterstützung beliebter Bibliotheken wie PyTorch Native P iPPy und HuggingFace Accelerate bietet sie einen einheitlichen HandlerAPIs, der für Inferenzszenarien mit verteilten großen Modellen und nicht verteilten Modellen konsistent bleibt. DeepSpeed Weitere Informationen finden Sie in TorchServeder umfangreichen Modellinferenzdokumentation.

Deep-Learning-Container mit TorchServe

Um ein großes Modell mit TorchServe on bereitzustellen SageMaker, können Sie einen der SageMaker Deep-Learning-Container (DLCs) verwenden. Standardmäßig TorchServe ist in allen installiert AWS PyTorchDLCs. TorchServe Kann beim Laden des Modells spezielle Bibliotheken installieren, die auf große Modelle zugeschnitten sind, wie PiPPy, Deepspeed und Accelerate.

In der folgenden Tabelle sind alle SageMaker DLCsmit TorchServe aufgeführt.

DLCKategorie	Framework	Hardware (Hardware)	Beispiel URL
SageMaker Framework-Container	PyTorch 2.0.0+	CPU, GPU	763104351884.dkr. ecr.us-east-1.amazonaws.com /pytorch-inference:2.0.1-gpu-py310-cu118-ubuntu20.04-sagemaker
SageMaker Framework-Graviton-Container	PyTorch 2.0.0+	CPU	763104351884.dkr. ecr.us-east-1.amazonaws.com /:2.0.1-cpu-py310-ubuntu20.04-sagemaker pytorch-inference-graviton
Stabilität/KI-Inferenzcontainer	PyTorch 2.0.0 und höher	GPU	763104351884.dkr. ecr.us-east-1.amazonaws.com /:2.0.1-sgm0.1.0-gpu-py310-cu118-ubuntu20.04-sagemaker stabilityai-pytorch-inference
Behälter für Neuronen	PyTorch 1.13,1	Neuronen	763104351884.dkr. ecr.us-west-2.amazonaws.com /:1.13.1-neuron-py310-sdk2.12.0-ubuntu20.04 pytorch-inference-neuron

Erste Schritte

Bevor Sie Ihr Modell bereitstellen, müssen Sie die Voraussetzungen erfüllen. Sie können auch die Modellparameter konfigurieren und den Handler Code anpassen.

Voraussetzungen

Um mit der Arbeit zu beginnen, müssen Sie die folgenden Voraussetzungen erfüllen:

1. Stellen Sie sicher, dass Sie Zugriff auf ein Konto haben. AWS Richten Sie Ihre Umgebung so ein, dass sie entweder über einen AWS IAM Benutzer oder eine IAM Rolle auf Ihr Konto zugreifen AWS CLI können. Wir empfehlen die Verwendung einer IAM Rolle. Zu Testzwecken in Ihrem persönlichen Konto können Sie der IAM Rolle die folgenden Richtlinien für verwaltete Berechtigungen hinzufügen:

   • Amazon EC2ContainerRegistryFullAccess

   • Amazon EC2FullAccess

   • AWSServiceRoleForAmazonEKSNodegroup

   • AmazonSageMakerFullAccess

   • Amazonen S3 FullAccess

   Weitere Informationen zum Anhängen von IAM Richtlinien an eine Rolle finden Sie unter Hinzufügen und Entfernen von IAM Identitätsberechtigungen im AWS IAM Benutzerhandbuch.

2. Konfigurieren Sie die Abhängigkeiten lokal, wie in den folgenden Beispielen gezeigt.

   1. Installieren Sie Version 2 von: AWS CLI

      # Install the latest AWS CLI v2 if it is not installed
      !curl "https://awscli.amazonaws.com/awscli-exe-linux-x86_64.zip" -o "awscliv2.zip" !unzip awscliv2.zip
      #Follow the instructions to install v2 on the terminal
      !cat aws/README.md

   2. Installieren Sie SageMaker und den Boto3-Client:

      # If already installed, update your client
      #%pip install sagemaker pip --upgrade --quiet
      !pip install -U sagemaker
      !pip install -U boto
      !pip install -U botocore
      !pip install -U boto3

Modelleinstellungen und Parameter konfigurieren

TorchServe verwendet torchrun, um die verteilte Umgebung für die Modellparallelverarbeitung einzurichten. TorchServe ist in der Lage, mehrere Worker für ein großes Modell zu unterstützen. TorchServe Verwendet standardmäßig einen Round-Robin-Algorithmus für die Zuweisung GPUs an einen Worker auf einem Host. Bei großen Modellinferenzen wird die Anzahl der jedem Worker GPUs zugewiesenen Workers automatisch anhand der in der model_config.yaml Datei GPUs angegebenen Anzahl berechnet. Die UmgebungsvariableCUDA_VISIBLE_DEVICES, die angibt, welche GPU Geräte IDs zu einem bestimmten Zeitpunkt sichtbar sind, wird anhand dieser Zahl festgelegt.

Nehmen wir zum Beispiel an, es gibt 8 GPUs auf einem Knoten und ein Worker benötigt 4 GPUs auf einem Knoten (nproc_per_node=4). In diesem Fall werden dem ersten Worker (CUDA_VISIBLE_DEVICES="0,1,2,3") vier GPUs und dem zweiten Worker (CUDA_VISIBLE_DEVICES="4,5,6,7”) vier TorchServe zugewiesen. GPUs

Zusätzlich zu diesem Standardverhalten TorchServe bietet es Benutzern die Flexibilität, Daten GPUs für eine Arbeitskraft festzulegen. Wenn Sie beispielsweise die Variable deviceIds: [2,3,4,5] in der YAMLModellkonfigurationsdatei festlegen und festlegennproc_per_node=2, TorchServe weisen CUDA_VISIBLE_DEVICES=”2,3” Sie sie dann dem ersten Worker und dem zweiten Worker CUDA_VISIBLE_DEVICES="4,5” zu.

Im folgenden model_config.yaml Beispiel konfigurieren wir sowohl Front-End- als auch Back-End-Parameter für das OPT -30b-Modell. Die konfigurierten Front-End-Parameter sind parallelType, deviceType, deviceIds und torchrun. Ausführlichere Informationen zu den Front-End-Parametern, die Sie konfigurieren können, finden Sie in der Dokumentation. PyTorch GitHub Die Back-End-Konfiguration basiert auf einer YAML Map, die eine individuelle Anpassung ermöglicht. Für die Back-End-Parameter definieren wir die DeepSpeed Konfiguration und zusätzliche Parameter, die vom benutzerdefinierten Handlercode verwendet werden.

# TorchServe front-end parameters
minWorkers: 1
maxWorkers: 1
maxBatchDelay: 100
responseTimeout: 1200
parallelType: "tp"
deviceType: "gpu"
# example of user specified GPU deviceIds
deviceIds: [0,1,2,3] # sets CUDA_VISIBLE_DEVICES

torchrun:
    nproc-per-node: 4

# TorchServe back-end parameters
deepspeed:
    config: ds-config.json
    checkpoint: checkpoints.json

handler: # parameters for custom handler code
    model_name: "facebook/opt-30b"
    model_path: "model/models--facebook--opt-30b/snapshots/ceea0a90ac0f6fae7c2c34bcb40477438c152546"
    max_length: 50
    max_new_tokens: 10
    manual_seed: 40

Handler anpassen

TorchServe bietet Basis-Handler und Handler-Hilfsprogramme für umfangreiche Modellinferenzen, die mit gängigen Bibliotheken erstellt wurden. Das folgende Beispiel zeigt, wie die benutzerdefinierte Handler-Klasse die TransformersSeqClassifierHandlerBaseDeepSpeedHandlerHandler-Dienstprogramme erweitert und verwendet. Ein vollständiges Codebeispiel finden Sie im custom_handler.pyCode in der PyTorch GitHub Dokumentation.

class TransformersSeqClassifierHandler(BaseDeepSpeedHandler, ABC):
    """
    Transformers handler class for sequence, token classification and question answering.
    """

    def __init__(self):
        super(TransformersSeqClassifierHandler, self).__init__()
        self.max_length = None
        self.max_new_tokens = None
        self.tokenizer = None
        self.initialized = False

    def initialize(self, ctx: Context):
        """In this initialize function, the HF large model is loaded and
        partitioned using DeepSpeed.
        Args:
            ctx (context): It is a JSON Object containing information
            pertaining to the model artifacts parameters.
        """
        super().initialize(ctx)
        model_dir = ctx.system_properties.get("model_dir")
        self.max_length = int(ctx.model_yaml_config["handler"]["max_length"])
        self.max_new_tokens = int(ctx.model_yaml_config["handler"]["max_new_tokens"])
        model_name = ctx.model_yaml_config["handler"]["model_name"]
        model_path = ctx.model_yaml_config["handler"]["model_path"]
        seed = int(ctx.model_yaml_config["handler"]["manual_seed"])
        torch.manual_seed(seed)

        logger.info("Model %s loading tokenizer", ctx.model_name)

        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.tokenizer.pad_token = self.tokenizer.eos_token
        config = AutoConfig.from_pretrained(model_name)
        with torch.device("meta"):
            self.model = AutoModelForCausalLM.from_config(
                config, torch_dtype=torch.float16
            )
        self.model = self.model.eval()

        ds_engine = get_ds_engine(self.model, ctx)
        self.model = ds_engine.module
        logger.info("Model %s loaded successfully", ctx.model_name)
        self.initialized = True

    def preprocess(self, requests):
        """
        Basic text preprocessing, based on the user's choice of application mode.
        Args:
            requests (list): A list of dictionaries with a "data" or "body" field, each
                            containing the input text to be processed.
        Returns:
            tuple: A tuple with two tensors: the batch of input ids and the batch of
                attention masks.
        """

    def inference(self, input_batch):
        """
        Predicts the class (or classes) of the received text using the serialized transformers
        checkpoint.
        Args:
            input_batch (tuple): A tuple with two tensors: the batch of input ids and the batch
                                of attention masks, as returned by the preprocess function.
        Returns:
            list: A list of strings with the predicted values for each input text in the batch.
        """
        
    def postprocess(self, inference_output):
        """Post Process Function converts the predicted response into Torchserve readable format.
        Args:
            inference_output (list): It contains the predicted response of the input text.
        Returns:
            (list): Returns a list of the Predictions and Explanations.
        """

Vorbereiten Ihrer Modellartefakte

Bevor Sie Ihr Modell auf bereitstellen SageMaker, müssen Sie Ihre Modellartefakte verpacken. Für große Modelle empfehlen wir, das PyTorch torch-model-archiverTool mit dem Argument zu verwenden--archive-format no-archive, wodurch die Komprimierung von Modellartefakten übersprungen wird. Im folgenden Beispiel werden alle Modellartefakte in einem neuen Ordner mit dem Namen opt/ gespeichert.

torch-model-archiver --model-name opt --version 1.0 --handler custom_handler.py --extra-files ds-config.json -r requirements.txt --config-file opt/model-config.yaml --archive-format no-archive

Sobald der opt/ Ordner erstellt ist, laden Sie das Modell OPT -30b mithilfe des Tools Download_Model in den Ordner herunter. PyTorch

cd opt
python path_to/Download_model.py --model_path model --model_name facebook/opt-30b --revision main

Laden Sie abschließend die Modellartefakte zu einem Amazon S3 Bucket hoch.

aws s3 cp opt {your_s3_bucket}/opt --recursive

Sie sollten jetzt Modellartefakte in Amazon S3 gespeichert haben, die bereit sind, auf einem SageMaker Endpunkt bereitgestellt zu werden.

Stellen Sie das Modell mit SageMaker Python bereit SDK

Nachdem Sie Ihre Modellartefakte vorbereitet haben, können Sie Ihr Modell auf einem SageMaker Hosting-Endpunkt bereitstellen. In diesem Abschnitt wird beschrieben, wie Sie ein einzelnes großes Modell auf einem Endpunkt bereitstellen und Streaming-Antwortprognosen erstellen. Weitere Informationen zum Streamen von Antworten von Endpunkten finden Sie unter Echtzeit-Endpunkte aufrufen.

Führen Sie die folgenden Schritte aus, um Ihr Modell bereitzustellen:

1. Erstellen Sie eine SageMaker Sitzung, wie im folgenden Beispiel gezeigt.

   import boto3
   import sagemaker
   from sagemaker import Model, image_uris, serializers, deserializers
   
   boto3_session=boto3.session.Session(region_name="us-west-2")
   smr = boto3.client('sagemaker-runtime-demo')
   sm = boto3.client('sagemaker')
   role = sagemaker.get_execution_role()  # execution role for the endpoint
   sess= sagemaker.session.Session(boto3_session, sagemaker_client=sm, sagemaker_runtime_client=smr)  # SageMaker session for interacting with different AWS APIs
   region = sess._region_name  # region name of the current SageMaker Studio Classic environment
   account = sess.account_id()  # account_id of the current SageMaker Studio Classic environment
   
   # Configuration:
   bucket_name = sess.default_bucket()
   prefix = "torchserve"
   output_path = f"s3://{bucket_name}/{prefix}"
   print(f'account={account}, region={region}, role={role}, output_path={output_path}')

2. Erstellen Sie ein unkomprimiertes Modell in SageMaker, wie im folgenden Beispiel gezeigt.

   from datetime import datetime
   
   instance_type = "ml.g5.24xlarge"
   endpoint_name = sagemaker.utils.name_from_base("ts-opt-30b")
   s3_uri = {your_s3_bucket}/opt
   
   model = Model(
       name="torchserve-opt-30b" + datetime.now().strftime("%Y-%m-%d-%H-%M-%S"),
       # Enable SageMaker uncompressed model artifacts
       model_data={
           "S3DataSource": {
                   "S3Uri": s3_uri,
                   "S3DataType": "S3Prefix",
                   "CompressionType": "None",
           }
       },
       image_uri=container,
       role=role,
       sagemaker_session=sess,
       env={"TS_INSTALL_PY_DEP_PER_MODEL": "true"},
   )
   print(model)

3. Stellen Sie das Modell auf einer EC2 Amazon-Instance bereit, wie im folgenden Beispiel gezeigt.

   model.deploy(
       initial_instance_count=1,
       instance_type=instance_type,
       endpoint_name=endpoint_name,
       volume_size=512, # increase the size to store large model
       model_data_download_timeout=3600, # increase the timeout to download large model
       container_startup_health_check_timeout=600, # increase the timeout to load large model
   )

4. Initialisieren Sie eine Klasse, wie im folgenden Beispiel gezeigt, um die Streaming-Antwort zu verarbeiten.

   import io
   
   class Parser:
       """
       A helper class for parsing the byte stream input. 
       
       The output of the model will be in the following format:
       ```
       b'{"outputs": [" a"]}\n'
       b'{"outputs": [" challenging"]}\n'
       b'{"outputs": [" problem"]}\n'
       ...
       ```
       
       While usually each PayloadPart event from the event stream will contain a byte array 
       with a full json, this is not guaranteed and some of the json objects may be split across
       PayloadPart events. For example:
       ```
       {'PayloadPart': {'Bytes': b'{"outputs": '}}
       {'PayloadPart': {'Bytes': b'[" problem"]}\n'}}
       ```
       
       This class accounts for this by concatenating bytes written via the 'write' function
       and then exposing a method which will return lines (ending with a '\n' character) within
       the buffer via the 'scan_lines' function. It maintains the position of the last read 
       position to ensure that previous bytes are not exposed again. 
       """
       
       def __init__(self):
           self.buff = io.BytesIO()
           self.read_pos = 0
           
       def write(self, content):
           self.buff.seek(0, io.SEEK_END)
           self.buff.write(content)
           data = self.buff.getvalue()
           
       def scan_lines(self):
           self.buff.seek(self.read_pos)
           for line in self.buff.readlines():
               if line[-1] != b'\n':
                   self.read_pos += len(line)
                   yield line[:-1]
                   
       def reset(self):
           self.read_pos = 0

5. Testen Sie eine Streaming-Antwortvorhersage, wie im folgenden Beispiel gezeigt.

   import json
   
   body = "Today the weather is really nice and I am planning on".encode('utf-8')
   resp = smr.invoke_endpoint_with_response_stream(EndpointName=endpoint_name, Body=body, ContentType="application/json")
   event_stream = resp['Body']
   parser = Parser()
   for event in event_stream:
       parser.write(event['PayloadPart']['Bytes'])
       for line in parser.scan_lines():
           print(line.decode("utf-8"), end=' ')

Sie haben Ihr Modell jetzt auf einem SageMaker Endpunkt bereitgestellt und sollten es für Antworten aufrufen können. Weitere Informationen zu SageMaker Echtzeit-Endpunkten finden Sie unter. Endgeräte mit einem einzigen Modell