Post

Hugging Face x AWS

Posted Updated
By Fodev JEO 13 min read

Deploy Llama 3 70B on AWS Inferentia2 with Hugging Face Optimum

Curiosity: How can we deploy large LLMs without GPU access? What makes AWS Inferentia2 a viable alternative for running Llama 3 70B?

Struggling with GPU access? Deploy Meta’s Llama 3 70B on AWS Inferentia2 using Hugging Face Optimum!

TL;DR

Retrieve: Quick summary.

FeatureDetailsBenefit
SetupHugging Face Optimum + SageMaker SDK⬆️ Easy deployment
Instanceinf2.48xlarge with Hugging Face TGI⬆️ Optimized
DemoInteractive Gradio with streaming⬆️ User experience
ConfigPre-compiled from Hugging Face Hub⬆️ Fast startup
Performance~132.8 tokens/s, 23.46 ms/token⬆️ Efficient

Deployment Architecture

Innovate: System overview.

graph TB
    A[AWS Account] --> B[SageMaker]
    B --> C[Inferentia2 Instance]
    C --> D[Hugging Face TGI]
    D --> E[Llama 3 70B]
    E --> F[Gradio Demo]
    
    G[Hugging Face Hub] --> H[Pre-compiled Config]
    H --> D
    
    style A fill:#e1f5ff
    style C fill:#fff3cd
    style E fill:#d4edda
    style F fill:#f8d7da

Key Features

Retrieve: Deployment highlights.

1. Easy Setup:

  • ✅ Hugging Face Optimum
  • ✅ SageMaker SDK
  • ✅ Simple configuration

2. Optimized Deployment:

  • ✅ inf2.48xlarge instance
  • ✅ Hugging Face TGI
  • ✅ Pre-compiled configurations

3. Interactive Demo:

  • ✅ Gradio interface
  • ✅ Streaming responses
  • ✅ User-friendly

4. Performance:

  • ✅ ~132.8 tokens/second
  • ✅ 23.46 ms/token latency
  • ✅ Efficient inference

AWS Inferentia2 Benefits

Retrieve: Why Inferentia2.

Advantages:

  • ✅ Cost-effective alternative to GPUs
  • ✅ Optimized for inference
  • ✅ High throughput
  • ✅ Low latency

Resources

Retrieve: Available guides.

Resources:

Note: This is just the beginning! Performance improvements and more supported modes are coming. 🤗

Key Takeaways

Retrieve: Deploy Llama 3 70B on AWS Inferentia2 using Hugging Face Optimum provides an easy, cost-effective alternative to GPUs, with impressive performance (~132.8 tokens/s) and pre-compiled configurations.

Innovate: By leveraging AWS Inferentia2 and Hugging Face Optimum, you can deploy large LLMs without GPU access, achieving efficient inference with optimized instances and pre-compiled configurations.

Curiosity → Retrieve → Innovation: Start with curiosity about GPU alternatives, retrieve insights from AWS Inferentia2 deployment, and innovate by deploying large models efficiently on cost-effective hardware.

Next Steps:

  • Read the blog post
  • Follow the code notebook
  • Deploy your model
  • Benchmark performance
Translate to Korean

Hugging Face Optimum을 사용하여 AWS Inferentia2에 Llama 3 70B 배포

GPU 액세스 또는 가용성에 어려움을 겪고 있으며 Amazon Web Services (AWS) 환경에서 Meta Llama 3 70B를 사용하고 싶습니까? 🤔 Hugging Face Optimum을 사용하여 AWS Inferentia2에서 Meta의 Llama 3 70B를 공유하게 되어 기쁩니다!

TL입니다. 박사: 📌

  • 🤗 Hugging Face Optimum 및 SageMaker SDK를 사용한 간편한 설정
  • 🔥 Hugging Face TGI를 사용하여 inf2.48xlarge에 Llama 3 70B를 배포합니다.
  • ⚡스트리밍 응답이 포함된 대화형 Gradio 데모 만들기
  • 🔓 Hugging Face Hub에서 Llama 3 70B에 대해 사전 컴파일된 구성 활용
  • ⏰ ~132.8 토큰/초 및 23.46ms/토큰의 대기 시간으로 llmperf를 사용한 벤치마크

그게 한계가 아닙니다! 이제 막 시작했으며 이미 성능을 개선하고 더 많은 지원 모드를 작업하고 있습니다. 🤗

Lillys AI 요약 : https://lilys.ai/digest/681590

Deploy Llama 3 70B on AWS Inferentia2 with Hugging Face Optimum

1.메타의 최신 오픈 LLM 모델, Llama 3에 대한 내용

  • 2024년 4월 발표된 Meta의 최신 오픈 LLM인 Llama 3은 15조 토큰에 대해 훈련되었으며 8천 개 토큰까지 지원하는 컨텍스트 길이 창을 가진 우수한 오픈 LLM 중 하나이다.
  • Meta는 인간 피드백에 대한 강화 학습으로 대화형 모델을 미세 조정했으며 1천만 개 이상의 인간 주석에 대해 적용했다.
  • 해당 블로그에서는 AWS Inferentia2에 Hugging Face Optimum을 통해 Meta-Llama-3-70B-Instruct 모델을 배포하는 방법을 소개한다.
  • Hugging Face LLM Inf2 Container를 사용하여 AWS Inferentia2에 LLM을 쉽게 배포하는 방법, Text Generation Inference 및 Optimum Neuron에 의해 구동되는 새로운 목적지원 추론 컨테이너를 사용한다.
  • 블로그에서는 개발 환경 설정, 새로운 Hugging Face LLM Inf2 DLC 검색, Inferentia2에 Llama 3 70B 배포, 모델로 추론 및 채팅, llmperf를 통한 Inferentia2에서 llama 3 70B 벤치마킹, 청소까지 다룬다. 🚀

2.️AWS Inferentia 2 소개

  • AWS Inferentia (Inf2)은 딥러닝 추론 작업을 위한 목적으로 설계된 EC2입니다.
  • Inferentia 2는 AWS Inferentia의 후속 제품으로, 최대 4배 더 높은 처리량 및 최대 10배 낮은 지연 시간을 제공합니다.
  • | 인스턴스 사이즈 | 가속기 | Neuron 코어 | 가속기 메모리 | vCPU | CPU 메모리 | 온디맨드 가격 ($/시간) | | — | — | — | — | — | — | — | | inf2.xlarge | 1 | 2 | 32 | 4 | 16 | 0.76 | | inf2.8xlarge | 1 | 2 | 32 | 32 | 128 | 1.97 | | inf2.24xlarge | 6 | 12 | 192 | 96 | 384 | 6.49 | | inf2.48xlarge | 12 | 24 | 384 | 192 | 768 | 12.98 | 추가로, Inferentia 2는 C++에서 사용자 지정 연산자 및 
    1

    FP8
    (cFP8)과 같은 새로운 데이터 유형을 지원할 것입니다.

3.개발 환경 설정 및 SageMaker 세팅

  • Amazon SageMaker에 Mixtral을 배포하기 위해 
    1

    sagemaker
    Python SDK를 사용할 것이다.
  • AWS 계정을 구성하고 
    1

    sagemaker
    Python SDK가 설치되어 있어야 한다.
  • 로컬 환경에서 SageMaker를 사용할 경우 필요한 권한이 부여된 IAM Role에 액세스해야 한다.
  • 권한에 관한 자세한 내용은 여기를 확인할 수 있다.

4.️새로운 허깅페이스 LLM Inf2 DLC 검색

  • 새로운 허깅페이스 TGI Neuronx DLC를 사용하여 AWS Inferentia2에서 추론을 실행할 수 있습니다.
  • 1

    sagemaker
    SDK의 
    1

    get_huggingface_llm_image_uri
    메서드를 사용하여 원하는 
    1

    backend
    , 
    1

    session
    , 
    1

    region
    , 
    1

    version
    에 기반하여 적절한 허깅페이스 TGI Neuronx DLC URI를 검색할 수 있습니다.
  • 모든 사용 가능한 버전은 여기에서 확인할 수 있습니다.
1
2
3
4
5
6
7
8
9
10

# TODO: 발매 시 활성화
from sagemaker.huggingface import get_huggingface_llm_image_uri
 
# llm 이미지 uri 검색
llm_image = get_huggingface_llm_image_uri(
  "huggingface-neuronx",
  version="0.0.22"
)
 
print(f"llm 이미지 uri: {llm_image}")

5.Llama 3 70B를 Inferentia2에 배포

  • 추론 시, AWS Inferentia2는 동적 모양을 지원하지 않기 때문에 시퀀스 길이와 배치 사이즈를 사전에 지정해야 함.
  • Inferentia2의 전원을 최대한 활용하기 위해, Llama 3 70B를 포함한 인기 있는 모델에 대한 미리 컴파일된 설정을 담은 neuron 모델 캐시를 만들었다.
  • 이렇게 하면 모델을 직접 컴파일할 필요가 없고 캐시로부터 미리 컴파일된 모델을 사용할 수 있다.
  • Llama 3 70B에 적합한 구성을 찾으려면 Hugging Face Hub에서 확인할 수 있으며, 없는 경우 Optimum CLI를 사용해 직접 컴파일하거나 캐시 저장소에 요청할 수 있다.
  • Llama 3 70B를 Inferentia2에 배포하기 전에 필요한 TGI Neuronx Endpoint 구성을 정의해야 하며, 
    1

    inf2.48xlarge
    인스턴스 유형을 사용할 것을 권장한다.

6.️모델 추론 및 채팅 실행

  • 배포된 엔드포인트에서 추론을 실행하는 방법은 세밀하다.
  • 메시지 API를 사용하면 모델과 대화식으로 상호 작용할 수 있다.
  • 1

    system
    ,
    1

    assistant
    ,
    1

    user
    가 메시지 역할로 정의된다.
  • 모델에서 받은 응답을 그라디오 애플리케이션에 스트리밍하여 사용자 경험을 향상시킬 수 있다.
  • 그라디오 앱 
    1

    share=True
    를 통해 72시간 동안 모델을 테스트하고 공유할 수 있다.

7.AWS Inferentia2로 Llama 3 70B의 성능 평가 및 벤치마킹

  • Amazon SageMaker에 Llama 3 70B를 성공적으로 배포하고 테스트했다.
  • 이제 모델을 벤치마킹하여 성능을 확인하려고 한다.
  • 1

    sagemaker
    를 지원하는 llmperf 포크를 사용할 것이다.
  • 1

    llmperf
    패키지를 설치하고 벤치마크 실행할 예정이다. 
    1

    5
    개의 동시 사용자와 최대 
    1

    50
    개 요청으로 벤치마크를 진행할 것이다.

8.중요: 
1

first-time-to-token
값의 정확한 측정을 위해서는 벤치마킹을 동일 호스트나 프로덕션 지역에서 실행해야 함.

  • 1

    first-time-to-token
    , 
    1

    latency (ms/token)
    , 
    1

    throughput (tokens/s)
    을 측정하는 벤치마크가 진행될 것임.
  • 1

    results
    폴더에서 상세 내용 확인 가능.
  • 이 벤치마크는 유럽에서 시작됐지만 엔드포인트는 us-east-1에서 실행되고 있어 
    1

    first-time-to-token
    값에 상당한 영향을 미침.
  • 네트워크 통신을 포함하기 때문에 
    1

    first-time-to-token
    값이 영향을 받음.

9.Python LLM 성능 테스트 실행 설정

  • 메시지 API를 사용하는 설정을 하고, ‘llmperf’에게 메시지 API를 사용 중이라고 알린다.
  • ‘token_benchmark_ray.py’ 스크립트를 실행할 때 설정은 모델 이름, ‘sagemaker’ LLM API, 최대 완료 요청 수 50번, 제한 시간 600초, 동시 요청 수 5개, 결과 저장 디렉토리 ‘results’로 지정한다.

10.결과값 파싱 후 깔끔하게 표시

  • 결과값을 구문 분석하고 잘 표시합니다.
  • summary.json 파일을 읽어 결과를 출력합니다.
  • Concurrent requests가 5일 때의 평균 입력 토큰 길이, 평균 출력 토큰 길이, 첫 번째 토큰 완성까지 소요 시간 평균, 평균 처리량, 평균 대기 시간을 출력합니다.

11. AWS Inferentia2에서 Llama 370B 벤치마킹 결과

  • 5개의 동시 요청으로 150 토큰 생성 결과
  • AWS Inferentia2에서 Llama 370B를 테스트하고 벤치마킹 성공
  • 벤치마크는 모델 성능의 전체 표현이 아니지만 첫 번째 좋은 지표를 제공
  • 운영중인 모델 사용 시 더 긴 벤치마크를 권장하며, 생산 벤치마크에 더 맞게 수정, 복제본 수를 변경하여 모델을 테스트할 것을 권장
LLM, Cookbook
Cookbook LLM
This post is licensed under CC BY 4.0 by the author.