Requisitos previos Ajustes y configuración Configure el almacenamiento en caché KV y el enrutamiento inteligente para mejorar el rendimiento Implemente su modelo desde Amazon S3, Amazon FSx o Hugging Face Hub Verificación del estado de la implementación Administración de la implementación

Implemente modelos de Amazon S3, Amazon FSx o Hugging Face Hub mediante kubectl

Los siguientes pasos muestran cómo implementar modelos almacenados en Amazon S3, Amazon FSx o Hugging Face Hub en un clúster de SageMaker HyperPod Amazon mediante kubectl.

Las siguientes instrucciones contienen celdas de código y comandos diseñados para ejecutarse en una terminal. Asegúrese de haber configurado su entorno con AWS credenciales antes de ejecutar estos comandos.

Requisitos previos

Antes de comenzar, compruebe que:

Configure capacidades de inferencia en sus SageMaker HyperPod clústeres de Amazon. Para obtener más información, consulte Configuración de los HyperPod clústeres para la implementación de modelos.
Ha instalado la utilidad kubectl y configurado jq en su terminal.

Ajustes y configuración

Reemplace todos los valores marcadores de posición por los identificadores de recursos reales.

Seleccione su región en su entorno.
```
export REGION=<region>
```
Inicialice el nombre de su clúster. Esto identifica el HyperPod clúster en el que se implementará el modelo.

nota
Consulte con el administrador del clúster para asegurarse de que se concedan los permisos a ese rol o usuario. Puede ejecutar !aws sts get-caller-identity --query "Arn" para comprobar qué rol o usuario se está utilizando en la terminal.
```
# Specify your hyperpod cluster name here
HYPERPOD_CLUSTER_NAME="<Hyperpod_cluster_name>"

# NOTE: For sample deployment, we use g5.8xlarge for deepseek-r1 1.5b model which has sufficient memory and GPU
instance_type="ml.g5.8xlarge"
```
Inicialice el espacio de nombres de su clúster. El administrador del clúster ya debería haber creado una cuenta de servicio de inferencia de hiperpods en su espacio de nombres.
```
cluster_namespace="<namespace>"
```

Cree una CRD con una de las siguientes opciones:

Using Amazon FSx as the model source

Configure un nombre de SageMaker punto final.


export SAGEMAKER_ENDPOINT_NAME="deepseek15b-fsx"

Configure el ID del sistema de archivos de Amazon FSx que se va a utilizar.
```
export FSX_FILE_SYSTEM_ID="fs-1234abcd"
```

A continuación, se muestra un ejemplo de archivo yaml para crear un punto final con Amazon FSx y DeepSeek un modelo.

nota

Para los clústeres con la partición de GPU habilitada, sustitúyala por nvidia.com/gpu el nombre de recurso MIG correspondiente, como. nvidia.com/mig-1g.10gb Para obtener más información, consulte Envío de tareas con MIG.

cat <<EOF> deploy_fsx_cluster_inference.yaml
---
apiVersion: inference.sagemaker.aws.amazon.com/v1
kind: InferenceEndpointConfig
metadata:
  name: lmcache-test
  namespace: inf-update
spec:
  modelName: Llama-3.1-8B-Instruct
  instanceType: ml.g5.24xlarge
  invocationEndpoint: v1/chat/completions
  replicas: 2
  modelSourceConfig:
    fsxStorage:
      fileSystemId: $FSX_FILE_SYSTEM_ID
    modelLocation: deepseek-1-5b
    modelSourceType: fsx
  worker:
    environmentVariables:
    - name: HF_MODEL_ID
      value: /opt/ml/model
    - name: SAGEMAKER_PROGRAM
      value: inference.py
    - name: SAGEMAKER_SUBMIT_DIRECTORY
      value: /opt/ml/model/code
    - name: MODEL_CACHE_ROOT
      value: /opt/ml/model
    - name: SAGEMAKER_ENV
      value: '1'
    image: 763104351884.dkr.ecr.us-east-2.amazonaws.com/huggingface-pytorch-tgi-inference:2.4.0-tgi2.3.1-gpu-py311-cu124-ubuntu22.04-v2.0
    modelInvocationPort:
      containerPort: 8080
      name: http
    modelVolumeMount:
      mountPath: /opt/ml/model
      name: model-weights
    resources:
      limits:
        nvidia.com/gpu: 1
        # For MIG-enabled instances, use: nvidia.com/mig-1g.10gb: 1
      requests:
        cpu: 30000m
        memory: 100Gi
        nvidia.com/gpu: 1
        # For MIG-enabled instances, use: nvidia.com/mig-1g.10gb: 1
EOF

Using Amazon S3 as the model source

Configure un nombre de punto SageMaker final.


export SAGEMAKER_ENDPOINT_NAME="deepseek15b-s3"

Configure la ubicación del bucket de Amazon S3 donde se encuentra el modelo.
```
export S3_MODEL_LOCATION="deepseek-qwen-1-5b"
```

El siguiente es un ejemplo de archivo yaml para crear un punto final con Amazon S3 y un DeepSeek modelo.

nota

Para los clústeres con la partición de GPU habilitada, nvidia.com/gpu sustitúyala por el nombre de recurso MIG correspondiente, como. nvidia.com/mig-1g.10gb Para obtener más información, consulte Envío de tareas con MIG.

cat <<EOF> deploy_s3_inference.yaml
---
apiVersion: inference.sagemaker.aws.amazon.com/v1alpha1
kind: InferenceEndpointConfig
metadata:
  name: $SAGEMAKER_ENDPOINT_NAME
  namespace: $CLUSTER_NAMESPACE
spec:
  modelName: deepseek15b
  endpointName: $SAGEMAKER_ENDPOINT_NAME
  instanceType: ml.g5.8xlarge
  invocationEndpoint: invocations
  modelSourceConfig:
    modelSourceType: s3
    s3Storage:
      bucketName: $S3_MODEL_LOCATION
      region: $REGION
    modelLocation: deepseek15b
    prefetchEnabled: true
  worker:
    resources:
      limits:
        nvidia.com/gpu: 1
        # For MIG-enabled instances, use: nvidia.com/mig-1g.10gb: 1
      requests:
        nvidia.com/gpu: 1
        # For MIG-enabled instances, use: nvidia.com/mig-1g.10gb: 1
        cpu: 25600m
        memory: 102Gi
    image: 763104351884.dkr.ecr.us-east-2.amazonaws.com/djl-inference:0.32.0-lmi14.0.0-cu124
    modelInvocationPort:
      containerPort: 8000
      name: http
    modelVolumeMount:
      name: model-weights
      mountPath: /opt/ml/model
    environmentVariables:
      - name: PYTHONHASHSEED
        value: "123"
      - name: OPTION_ROLLING_BATCH
        value: "vllm"
      - name: SERVING_CHUNKED_READ_TIMEOUT
        value: "480"
      - name: DJL_OFFLINE
        value: "true"
      - name: NUM_SHARD
        value: "1"
      - name: SAGEMAKER_PROGRAM
        value: "inference.py"
      - name: SAGEMAKER_SUBMIT_DIRECTORY
        value: "/opt/ml/model/code"
      - name: MODEL_CACHE_ROOT
        value: "/opt/ml/model"
      - name: SAGEMAKER_MODEL_SERVER_WORKERS
        value: "1"
      - name: SAGEMAKER_MODEL_SERVER_TIMEOUT
        value: "3600"
      - name: OPTION_TRUST_REMOTE_CODE
        value: "true"
      - name: OPTION_ENABLE_REASONING
        value: "true"
      - name: OPTION_REASONING_PARSER
        value: "deepseek_r1"
      - name: SAGEMAKER_CONTAINER_LOG_LEVEL
        value: "20"
      - name: SAGEMAKER_ENV
        value: "1"
      - name: MODEL_SERVER_TYPE
        value: "vllm"
      - name: SESSION_KEY
        value: "x-user-id"
EOF

Using Amazon S3 as the model source

Configure un nombre de punto SageMaker final.


export SAGEMAKER_ENDPOINT_NAME="deepseek15b-s3"

Configure la ubicación del bucket de Amazon S3 donde se encuentra el modelo.
```
export S3_MODEL_LOCATION="deepseek-qwen-1-5b"
```

El siguiente es un ejemplo de archivo yaml para crear un punto final con Amazon S3 y un DeepSeek modelo.

cat <<EOF> deploy_s3_inference.yaml
---
apiVersion: inference.sagemaker.aws.amazon.com/v1
kind: InferenceEndpointConfig
metadata:
  name: lmcache-test
  namespace: inf-update
spec:
  modelName: Llama-3.1-8B-Instruct
  instanceType: ml.g5.24xlarge
  invocationEndpoint: v1/chat/completions
  replicas: 2
  modelSourceConfig:
    modelSourceType: s3
    s3Storage:
      bucketName: bugbash-ada-resources
      region: us-west-2
    modelLocation: models/Llama-3.1-8B-Instruct
    prefetchEnabled: false
  kvCacheSpec:
    enableL1Cache: true
#    enableL2Cache: true
#    l2CacheSpec:
#      l2CacheBackend: redis/sagemaker
#      l2CacheLocalUrl: redis://redis.redis-system.svc.cluster.local:6379
  intelligentRoutingSpec:
    enabled: true
  tlsConfig:
    tlsCertificateOutputS3Uri: s3://sagemaker-lmcache-fceb9062-tls-6f6ee470
  metrics:
    enabled: true
    modelMetrics:
      port: 8000
  loadBalancer:
    healthCheckPath: /health
  worker:
    resources:
      limits:
        nvidia.com/gpu: "4"
      requests:
        cpu: "6"
        memory: 30Gi
        nvidia.com/gpu: "4"
    image: lmcache/vllm-openai:latest
    args:
      - "/opt/ml/model"
      - "--max-model-len"
      - "20000"
      - "--tensor-parallel-size"
      - "4"
    modelInvocationPort:
      containerPort: 8000
      name: http
    modelVolumeMount:
      name: model-weights
      mountPath: /opt/ml/model
    environmentVariables:
      - name: PYTHONHASHSEED
        value: "123"
      - name: OPTION_ROLLING_BATCH
        value: "vllm"
      - name: SERVING_CHUNKED_READ_TIMEOUT
        value: "480"
      - name: DJL_OFFLINE
        value: "true"
      - name: NUM_SHARD
        value: "1"
      - name: SAGEMAKER_PROGRAM
        value: "inference.py"
      - name: SAGEMAKER_SUBMIT_DIRECTORY
        value: "/opt/ml/model/code"
      - name: MODEL_CACHE_ROOT
        value: "/opt/ml/model"
      - name: SAGEMAKER_MODEL_SERVER_WORKERS
        value: "1"
      - name: SAGEMAKER_MODEL_SERVER_TIMEOUT
        value: "3600"
      - name: OPTION_TRUST_REMOTE_CODE
        value: "true"
      - name: OPTION_ENABLE_REASONING
        value: "true"
      - name: OPTION_REASONING_PARSER
        value: "deepseek_r1"
      - name: SAGEMAKER_CONTAINER_LOG_LEVEL
        value: "20"
      - name: SAGEMAKER_ENV
        value: "1"
      - name: MODEL_SERVER_TYPE
        value: "vllm"
      - name: SESSION_KEY
        value: "x-user-id"
EOF

Using Hugging Face Hub as the model source

Crea un secreto de Kubernetes que contenga tu token de API Hugging Face. Este token es obligatorio para los modelos cerrados y se recomienda para todas las descargas. Puedes generar un token en huggingface. co/settings/tokens.

importante
La implementación de modelos desde Hugging Face Hub requiere acceso saliente a Internet desde los nodos del clúster a los dominios de Hugging Face, incluidos y. *.huggingface.co *.hf.co Asegúrese de que la configuración de red de la VPC (puerta de enlace NAT, grupos de seguridad y ACL de red) permita la salida de HTTPS a estos dominios. Sin acceso a Internet, la descarga del modelo fallará.

nota
Para los entornos de producción, recomendamos utilizar Amazon S3 o Amazon FSx como fuente del modelo en lugar de Hugging Face Hub. Con Amazon S3 y Amazon FSx, los artefactos del modelo se almacenan en su AWS cuenta, lo que elimina la dependencia de la conectividad externa a Internet y proporciona tiempos de implementación más predecibles. Hugging Face Hub es ideal para el desarrollo, la experimentación y la creación rápida de prototipos, cuando es conveniente acceder directamente al repositorio de modelos Hugging Face.
```
kubectl create secret generic hf-token-secret \
  --from-literal=token=hf_YOUR_TOKEN_HERE \
  -n $CLUSTER_NAMESPACE
```
Configure un nombre de punto final SageMaker .
```
export SAGEMAKER_ENDPOINT_NAME="mistral7b-hf"
```

El siguiente es un ejemplo de un archivo YAML para implementar un modelo Mistral 7B de Hugging Face Hub utilizando vLLM como tiempo de ejecución de inferencia. ConprefetchEnabled: true, el operador utiliza un contenedor de inicio para descargar el modelo antes de que se inicie el contenedor de inferencias.

nota

cat <<EOF> deploy_hf_inference.yaml
---
apiVersion: inference.sagemaker.aws.amazon.com/v1
kind: InferenceEndpointConfig
metadata:
  name: $SAGEMAKER_ENDPOINT_NAME
  namespace: $CLUSTER_NAMESPACE
spec:
  modelName: mistral-7b
  modelSourceConfig:
    modelSourceType: huggingface
    prefetchEnabled: true
    huggingFaceModel:
      modelId: "mistralai/Mistral-7B-Instruct-v0.3"
      tokenSecretRef:
        name: hf-token-secret
        key: token
  instanceType: "ml.g5.24xlarge"
  invocationEndpoint: v1/chat/completions
  worker:
    image: "vllm/vllm-openai:v0.10.1"
    modelInvocationPort:
      containerPort: 8000
      name: http
    modelVolumeMount:
      name: model-weights
      mountPath: /opt/ml/model
    resources:
      requests:
        nvidia.com/gpu: "4"
        memory: "96Gi"
        cpu: "16"
      limits:
        nvidia.com/gpu: "4"
        memory: "96Gi"
        cpu: "16"
    args:
      - "--model"
      - "/opt/ml/model"
      - "--port"
      - "8000"
      - "--tensor-parallel-size"
      - "4"
      - "--served-model-name"
      - "mistralai/Mistral-7B-Instruct-v0.3"
    environmentVariables:
      - name: VLLM_REQUEST_TIMEOUT
        value: "600"
EOF

Los campos clave de configuración de Hugging Face son:
- modelSourceType(obligatorio): se establece en. huggingface
- huggingFaceModel.modelId(obligatorio): el identificador del modelo Hugging Face Hub org/model en formato (por ejemplomistralai/Mistral-7B-Instruct-v0.3,).
- huggingFaceModel.commitSHA(opcional): un Git de 40 caracteres compromete a SHA a fijar una versión específica del modelo. Si se omite, el valor predeterminado es la rama. main
- huggingFaceModel.tokenSecretRef(opcional): referencia a un secreto de Kubernetes que contiene tu token de la API Hugging Face. Necesario para los modelos cerrados. El token solo se usa durante la descarga del modelo y no está expuesto al contenedor de inferencias.
- prefetchEnabled(opcional): cuando true un contenedor de inicio descarga el modelo antes de que se inicie el contenedor de inferencia. Cuandofalse, el tiempo de ejecución de la inferencia (vLLM, TGI, SGLang) descarga el modelo de forma nativa al iniciarse. El valor predeterminado es false.

Configure el almacenamiento en caché KV y el enrutamiento inteligente para mejorar el rendimiento

Habilite el almacenamiento en caché de KV configurando enableL1Cache y en enableL2Cache true .A continuación, configúrelo redis y actualícelo l2CacheLocalUrl con l2CacheSpec la URL del clúster de Redis.
```
  kvCacheSpec:
    enableL1Cache: true
    enableL2Cache: true
    l2CacheSpec:
      l2CacheBackend: <redis | tieredstorage>
      l2CacheLocalUrl: <redis cluster URL if l2CacheBackend is redis >
```
nota
Si el clúster de Redis no está dentro de la misma Amazon VPC que HyperPod el clúster, no se garantiza el cifrado de los datos en tránsito.

nota
No necesita l2 CacheLocalUrl si se selecciona el almacenamiento por niveles.
Habilite el enrutamiento inteligente configurándolo en underenabled. true intelligentRoutingSpec Puede especificar la estrategia de enrutamiento que desea utilizarroutingStrategy. Si no se especifica ninguna estrategia de enrutamiento, el valor predeterminado es. prefixaware
```
intelligentRoutingSpec:
    enabled: true
    routingStrategy: <routing strategy to use>
```
Habilite las métricas del router y las métricas de almacenamiento en caché enabled configurándolas en debajo. true metrics El port valor debe ser el mismo que el containerPort valor inferiormodelInvocationPort.
```
metrics:
    enabled: true
    modelMetrics:
      port: <port value>
    ...
    modelInvocationPort:
      containerPort: <port value>
```

Implemente su modelo desde Amazon S3, Amazon FSx o Hugging Face Hub

Obtenga el nombre del clúster de Amazon EKS del ARN del HyperPod clúster para la autenticación de kubectl.


export EKS_CLUSTER_NAME=$(aws --region $REGION sagemaker describe-cluster --cluster-name $HYPERPOD_CLUSTER_NAME \
  --query 'Orchestrator.Eks.ClusterArn' --output text | \
  cut -d'/' -f2)
aws eks update-kubeconfig --name $EKS_CLUSTER_NAME --region $REGION

Implemente su InferenceEndpointConfig modelo con una de las siguientes opciones:
Deploy with Amazon FSx as a source
```
kubectl apply -f deploy_fsx_luster_inference.yaml
```
Deploy with Amazon S3 as a source
```
kubectl apply -f deploy_s3_inference.yaml
```
Deploy with Hugging Face Hub as a source
```
kubectl apply -f deploy_hf_inference.yaml
```
Si la implementación falla, compruebe los InferenceEndpointConfig eventos para obtener información de diagnóstico. Para obtener información sobre problemas comunes, como errores de token, conectividad de red o falta de modelo, consulteFallos en la implementación del modelo Hugging Face Hub.

Verificación del estado de la implementación

Compruebe si el modelo se ha implementado correctamente.


kubectl describe InferenceEndpointConfig $SAGEMAKER_ENDPOINT_NAME -n $CLUSTER_NAMESPACE

Compruebe que el punto de conexión se haya creado correctamente.


kubectl describe SageMakerEndpointRegistration $SAGEMAKER_ENDPOINT_NAME -n $CLUSTER_NAMESPACE

Pruebe el punto de conexión implementado para comprobar que funciona correctamente. Este paso confirma que el modelo se ha implementado correctamente y que puede procesar las solicitudes de inferencia.


aws sagemaker-runtime invoke-endpoint \
  --endpoint-name $SAGEMAKER_ENDPOINT_NAME \
  --content-type "application/json" \
  --body '{"inputs": "What is AWS SageMaker?"}' \
  --region $REGION \
  --cli-binary-format raw-in-base64-out \
  /dev/stdout

Administración de la implementación

Cuando termine de probar la implementación, utilice los siguientes comandos para limpiar los recursos.

nota

Verifique que ya no necesita el modelo implementado ni los datos almacenados antes de continuar.

Eliminación de sus recursos

Elimine la implementación de la inferencia y los recursos de Kubernetes asociados. Esto detiene los contenedores del modelo en ejecución y elimina el SageMaker punto final.
```
kubectl delete inferenceendpointconfig $SAGEMAKER_ENDPOINT_NAME -n $CLUSTER_NAMESPACE
```

Compruebe que la limpieza se ha realizado correctamente.


# # Check that Kubernetes resources are removed
kubectl get pods,svc,deployment,InferenceEndpointConfig,sagemakerendpointregistration -n $CLUSTER_NAMESPACE


# Verify SageMaker endpoint is deleted (should return error or empty)
aws sagemaker describe-endpoint --endpoint-name $SAGEMAKER_ENDPOINT_NAME --region $REGION

Resolución de problemas

Use estos comandos de depuración si la implementación no funciona según lo previsto.

Compruebe el estado de la implementación de Kubernetes.


kubectl describe deployment $SAGEMAKER_ENDPOINT_NAME -n $CLUSTER_NAMESPACE

Compruebe el InferenceEndpointConfig estado para ver el estado de la implementación de alto nivel y cualquier problema de configuración.
```
kubectl describe InferenceEndpointConfig $SAGEMAKER_ENDPOINT_NAME -n $CLUSTER_NAMESPACE
```
Compruebe el estado de todos los objetos de Kubernetes. Obtendrá una visión completa de todos los recursos de Kubernetes relacionados en su espacio de nombres. Esto le proporciona una visión general rápida de lo que se está ejecutando y lo que podría faltar.
```
kubectl get pods,svc,deployment,InferenceEndpointConfig,sagemakerendpointregistration -n $CLUSTER_NAMESPACE
```

Aviso JavaScript está desactivado o no está disponible en su navegador.

Para utilizar la documentación de AWS, debe estar habilitado JavaScript. Para obtener más información, consulte las páginas de ayuda de su navegador.

Convenciones del documento

Implemente modelos mediante kubectl JumpStart

Implemente modelos desde el almacenamiento NVMe local mediante kubectl

Implemente modelos de Amazon S3, Amazon FSx o Hugging Face Hub mediante kubectl

Requisitos previos

Ajustes y configuración

nota

nota

nota

importante

nota

nota

Configure el almacenamiento en caché KV y el enrutamiento inteligente para mejorar el rendimiento

nota

nota

Implemente su modelo desde Amazon S3, Amazon FSx o Hugging Face Hub

Verificación del estado de la implementación

Administración de la implementación

nota

Eliminación de sus recursos

Resolución de problemas