一键开启 GPU 闲置模式，基于函数计算低成本部署Google Gemma 模型服务

背景信息

Google 在2024年02月21日正式推出了自家的首个开源模型族 Gemma ，并同时上架了四个大型语言模型，提供了 2B 和 7B 两种参数规模的版本，每种都包含了预训练版本（ base 模型）和指令微调版本（ chat 模型）。根据 Google 的技术报告，本次开源的 Gemma 在问题回答、合理性、数学、代码等方面的性能均超越同参数量级的其他开源模型。

数据来源：https://storage.googleapis.com/deepmind-media/gemma/gemma-report.pdf

函数计算作为阿里云上的 Serverless 计算服务，持续在 Serverless GPU 方面投入研发，为用户提供性价比极高的 GPU 实例。通过采用 Serverless GPU 的闲置计费模式（目前正处于公测阶段），用户得以迅速部署并上线自己的大型语言模型（ LLM ）服务。为了进一步提升用户体验，阿里云函数计算 GPU 平台摒弃了传统的运维需求，提供了多项用户友好的特性，包括但不限于实例冻结、自定义域名等，这些特性极大地简化了使用流程。它们使得用户部署的模型服务可以迅速进入就绪状态，避免了长时间的冷启动过程，确保了快速响应。这些优势有效地解决了 LLM 部署难、弹性差、资源浪费的痛点问题。

本文将介绍如何使用函数计算 GPU 实例和函数计算 GPU 首创的闲置模式低成本并快速部署 Gemma 模型服务。

前提条件

已开通函数计算服务，详情请参见开通函数计算服务。

GPU 闲置计费公测资格申请

Serverless GPU 闲置计费当前为邀测功能，如需体验，请提交公测申请或联系我们。

操作步骤

使用函数计算部署 LLM 应用过程将产生部分费用，包括 GPU 资源使用、vCPU 资源使用、内存资源使用、磁盘资源使用以及函数调用的费用。具体信息，请参见费用说明。

创建应用

1. 下载模型权重，您可以选择从 huggingface 或者 modelscope 中进行下载，本文选择 Gemma-2b-it 作为示例进行部署

   Gemma模型系列现已在ModelScope社区开源，包括：

   • Gemma-2b：https://modelscope.cn/models/AI-ModelScope/gemma-2b
   • Gemma-2b-it：https://modelscope.cn/models/AI-ModelScope/gemma-2b-it
   • Gemma-7b：https://modelscope.cn/models/AI-ModelScope/gemma-7b
   • Gemma-7b-it：https://modelscope.cn/models/AI-ModelScope/gemma-7b-it

2. 编写 Dockerfile 和模型服务代码，并推送镜像

FROM registry.cn-shanghai.aliyuncs.com/modelscope-repo/modelscope:fc-deploy-common-v17

WORKDIR /usr/src/app

COPY . .

RUN pip install -U transformers

CMD [ "python3", "-u", "/usr/src/app/app.py" ]

EXPOSE 9000

模型服务代码

from flask import Flask, request
from transformers import AutoTokenizer, AutoModelForCausalLM

model_dir = '/usr/src/app/gemma-2b-it'

app = Flask(__name__)

tokenizer = AutoTokenizer.from_pretrained(model_dir)
model = AutoModelForCausalLM.from_pretrained(model_dir, device_map="auto")

@app.route('/invoke', methods=['POST'])
def invoke():
    # See FC docs for all the HTTP headers: https://help.aliyun.com/document_detail/179368.html#section-fk2-z5x-am6
    request_id = request.headers.get("x-fc-request-id", "")
    print("FC Invoke Start RequestId: " + request_id)

    text = request.get_data().decode("utf-8")
    print(text)
    input_ids = tokenizer(text, return_tensors="pt").to("cuda")
    outputs = model.generate(**input_ids, max_new_tokens=1000)
    response = tokenizer.decode(outputs[0])
    print("FC Invoke End RequestId: " + request_id)
    return str(response) + "\n"

if __name__ == '__main__':
    app.run(debug=False, host='0.0.0.0', port=9000)

目录结构如下所示

.
|-- app.py
|-- Dockerfile
`-- gemma-2b-it
    |-- config.json
    |-- generation_config.json
    |-- model-00001-of-00002.safetensors
    |-- model-00002-of-00002.safetensors
    |-- model.safetensors.index.json
    |-- README.md
    |-- special_tokens_map.json
    |-- tokenizer_config.json
    |-- tokenizer.json
    `-- tokenizer.model

1 directory, 12 files

构建镜像并进行推送

IMAGE_NAME=registry.cn-shanghai.aliyuncs.com/{NAMESPACE}/{REPO}:gemma-2b-it
docker build -f Dockerfile -t $IMAGE_NAME . && docker push $IMAGE_NAME

3. 创建函数

   a. 进入函数计算控制台，新建 GPU 函数，选择第二部所推送的镜像
   
   b. 在高级设置中启用 GPU，并选择T4卡型，配置16GB显存规格。完成创建
   

4. 为函数开启闲置预留模式：等待应用部署完成后，进入配置 - 预留实例 页面，为该函数打开闲置预留模式

   a. 进入函数弹性管理页 - 单击创建规则：版本选择 LATEST ，最小实例数选择1，并启用闲置模式，最后点击创建完成弹性规则配置
   
   b. 页面跳转回弹性管理页面，等待容器实例成功启动后，可以看到当前预留实例数为1，且可以看到已开启闲置模式的字样，则表示 GPU 闲置预留实例已成功启动
   

使用LLM应用

1. 在函数配置 - 触发器页面找到函数的 endpoint 并进行测试
   

curl -X POST -d "who are you" https://gemma-service-xxx.cn-shanghai.fcapp.run/invoke
<bos>who are you?

I am a large language model, trained by Google. I am a conversational AI that can understand and generate human language, and I am able to communicate and provide information in a comprehensive and informative way.

What can I do for you today?<eos>

2. 通过实例监控数据观察可见，在没有函数调用发生时，该实例的显存使用量会降至零。而当有新的函数调用请求到来时，函数计算平台会迅速恢复并分配所需的显存资源。从而帮助降本。
   
   
3. 函数计算平台会在您调用结束后，自动将 GPU 实例置位闲置模式，无需您进行手动操作，并且会在下次调用到来之前，将该实例唤醒，置位活跃模式进行服务。

删除资源

如您暂时不需要使用此函数，请及时删除对应资源。如您需要长期使用此应用，请忽略此步骤。

1. 返回函数计算控制台概览页面，在左侧导航栏，单击函数。
2. 单击目标函数右侧操作列的更多 - 删除，在弹出的删除应用对话框，勾选我已确定资源删除的风险，依旧要删除上面已选择的资源，然后单击删除函数。
   

费用说明

套餐领取

为了方便您体验本文提供的LLM应用场景，首次开通用户可以领取试用套餐并开通函数计算服务。该套餐不支持抵扣公网出流量和磁盘使用量的费用。如果您没有购买相关资源包，公网出流量和超出512 MB的磁盘使用量将按量付费。

资源消耗评估

函数计算资源配置如下：拥有2核CPU、16GB的内存、16GB的显存，以及512MB的磁盘空间。若保有1个闲置预留实例并在该小时内与 Gemma 进行多轮对话，累计有效函数运行时间达到20分钟、函数闲置时间即为40分钟。相关资源使用的计费标准可参照下表所示。

计费项	活跃时间（20分钟）计费	闲置时间（40分钟）计费
CPU资源	0.00009元/vCPU秒 (2核vCPU * 1200秒) = 0.216 元	0元
内存	0.000009元/GB秒 (16GB * 1200秒) = 0.1728 元	0.000009元/GB秒 (16GB * 2400秒) = 0.3456 元
GPU资源	0.00011元/GB秒 (16GB * 1200秒) = 2.112	0.000009元/GB秒1 (16GB * 2400秒) = 0.3456 元

注1：公测阶段闲置GPU单价为0.000009元/GB*秒
相关阅读

• ModelScope一键部署模型：新手村实操FAQ篇-阿里云开发者社区
• 基于ModelScope模型库和GPU实例闲置计费功能低成本快速搭建LLM应用_函数计算(FC)-阿里云帮助中心

更多内容关注 Serverless 微信公众号（ID：serverlessdevs），汇集 Serverless 技术最全内容，定期举办 Serverless 活动、直播，用户最佳实践。