Dávkové odvozování s Ray Data a vLLM

Important

Tato funkce je v beta verzi. Správci pracovního prostoru můžou řídit přístup k této funkci ze stránky Previews . Viz Manage Azure Databricks preview.

Tento příklad spouští offline dávkovou inferenci LLM s Ray Data a vLLM na 8 GPU H100 v rámci jednoho uzlu. Spouštěcí skript spustí na uzlu cluster Ray, ovladač použije rozhraní LLM API Ray Data (ray.data.llm) ke spuštění jedné repliky vLLM na GPU a streamování datové sady výzev prostřednictvím těchto uzlů a zápis vygenerovaného textu do svazku Katalogu Unity jako Parquet.

Používá veřejný model (Qwen2.5-7B-Instruct), takže běží as-is bez tokenu Hugging Face.

Úloha provádí následující akce:

  • Nahraje místní projekt pomocí code_source: snapshot.
  • Spustí hlavní uzel Ray se všemi 8 GPU a poté spustí ovladač pro dávkovou inferenci.
  • Používá ray.data.llm ke spuštění jedné repliky vLLM na každém GPU a k paralelnímu zpracování promptů.
  • Zapíše prompty a vygenerované výstupy do svazku v Unity Catalogu ve formátu Parquet.

Předpoklady

Rozložení projektu

Vytvořte adresář s následujícími soubory.

ray_batch_inference/
├── train.yaml            # air workload config (inline dependencies + Ray bootstrap)
└── batch_inference.py    # Ray Data + vLLM batch inference driver

Krok 1: Zápis YAML úlohy

train.yaml požaduje jeden GPU_8xH100 uzel. Závislosti se deklarují v části environment (s klientskou imagí version) a command spustí na uzlu cluster Ray a pak spustí ovladač, takže úloha nepotřebuje samostatný soubor závislostí nebo spouštěcí skript.

vLLM není v základní imagi, takže se instaluje přímo spolu se třemi fixovanými verzemi balíčků, které uzly GPU vyžadují: hf_transfer (základní image umožňuje rychlé stahování z Hugging Face a očekává tento balíček), novější fsspec (základní image obsahuje starou verzi, která způsobuje selhávání stahování) a fixovaná verze opencv-python-headless (vLLM si jako závislost přitahuje OpenCV, jehož výchozí wheel balíček způsobuje pád samokontroly OpenSSL FIPS na uzlech GPU).

Nastavte OUTPUT_PATH na svazek v katalogu Unity Catalog, do kterého máte oprávnění zapisovat.

experiment_name: air-ray-batch-inference

environment:
  version: '4'
  dependencies:
    - ray[data]>=2.44
    - vllm
    - datasets>=3.0
    - huggingface_hub>=0.34
    # The base image sets HF_HUB_ENABLE_HF_TRANSFER=1; install the package it expects
    # so model and dataset downloads don't error out.
    - hf_transfer
    # The base image ships fsspec 2023.5.0, which is too old for modern
    # huggingface_hub and breaks dataset/model downloads. Pin a newer fsspec.
    - fsspec>=2024.6.1
    # vLLM pulls in opencv; its default wheel crashes the OpenSSL FIPS self-test
    # on the GPU nodes. This pinned headless build avoids the crash.
    - opencv-python-headless==4.12.0.88

# 8 H100 on a single node. Ray Data runs one vLLM replica per GPU.
compute:
  num_accelerators: 8
  accelerator_type: GPU_8xH100

code_source:
  type: snapshot
  snapshot:
    root_path: .

command: |
  cd $CODE_SOURCE_PATH
  RAY_HEAD_PORT=6379
  GPUS_PER_NODE=${LOCAL_WORLD_SIZE:-8}
  if [ "${NODE_RANK:-0}" = "0" ]; then
    echo "NODE_RANK=0: starting Ray head with $GPUS_PER_NODE GPU(s)..."
    ray start --head --port=$RAY_HEAD_PORT --num-gpus="$GPUS_PER_NODE" --dashboard-host=0.0.0.0
    python batch_inference.py
    ray stop
  else
    echo "NODE_RANK=$NODE_RANK: connecting to Ray head at $MASTER_ADDR:$RAY_HEAD_PORT..."
    for i in $(seq 1 12); do
      if ray start --address="$MASTER_ADDR:$RAY_HEAD_PORT" --num-gpus="$GPUS_PER_NODE" --block 2>/dev/null; then
        break
      fi
      echo "Attempt $i failed, retrying in 5s..."
      sleep 5
    done
  fi

max_retries: 0
timeout_minutes: 60
env_variables:
  NCCL_SOCKET_IFNAME: eth0
  # Unity Catalog volume where results land as Parquet. Replace with your volume.
  OUTPUT_PATH: /Volumes/main/default/air_examples/ray_batch_inference

Vložený příkaz command spustí řídicí uzel Ray se všemi GPU na uzlu, spustí driver s python batch_inference.py a poté cluster zastaví. Obsahuje také větev workeru, která se připojuje k hlavnímu uzlu, takže stejný příkaz bude fungovat i tehdy, když úlohu škálujete na více uzlů.

Krok 2: Definujte ovladač pro dávkovou inferenci

batch_inference.py sestaví datovou sadu Ray z promptů, nakonfiguruje procesor vLLM pomocí ray.data.llm a zapíše výsledky. concurrency je počet paralelně spuštěných replik vLLM Ray Data. Když ho nastavíte na počet GPU v clusteru, získáte jednu repliku na každé GPU, takže se prompty zpracovávají současně na všech GPU a ukázka se škáluje s přidáváním uzlů:

from ray.data.llm import build_llm_processor, vLLMEngineProcessorConfig

# Read the GPU count from the live Ray cluster so concurrency scales with the cluster.
total_gpus = int(ray.cluster_resources().get("GPU", 0))

config = vLLMEngineProcessorConfig(
    model_source="Qwen/Qwen2.5-7B-Instruct",
    engine_kwargs={"max_model_len": 4096, "tensor_parallel_size": 1},
    concurrency=total_gpus,   # one vLLM replica per GPU in the cluster
    batch_size=64,
)

processor = build_llm_processor(
    config,
    preprocess=lambda row: dict(
        messages=[{"role": "user", "content": row["instruction"]}],
        sampling_params=dict(max_tokens=256, temperature=0.7),
    ),
    postprocess=lambda row: dict(instruction=row["instruction"], output=row["generated_text"]),
)

out = processor(ds)       # ds is a Ray Dataset with an "instruction" column
out.write_parquet(OUTPUT_PATH)

preprocess změní každý vstupní řádek na žádost chatu a postprocess zachová sloupce tak, aby zůstaly zachovány. Ray Data přidá generated_text sloupec s výstupem modelu. Úplný skript je v úplném skriptu ovladače na konci této stránky.

U větších modelů nastavte tensor_parallel_size tak, aby se jedna replika rozdělila mezi několik GPU, a vydělte total_gpus touto hodnotou, aby repliky stále vyplnily cluster, například concurrency=total_gpus // 2 s tensor_parallel_size=2.

Krok 3: Odeslání spuštění

air run -f train.yaml --dry-run
air run -f train.yaml --watch

Krok 4: Kontrola spuštění

air get run <run-id>
air logs <run-id>

V protokolech se během běhu dávky zobrazuje propustnost zpracování promptů a generování enginu vLLM a poté se při zápisu výstupu objeví řádek Wrote <n> rows.

Kam se výsledky uloží

Ovladač zapíše jednu datovou sadu Parquet do svazku OUTPUT_PATH se sloupcem instruction a sloupcem output . Znovu je načtěte pomocí Apache Spark nebo knihovny pandas, například spark.read.parquet(OUTPUT_PATH).

Úplný skript ovladače

Kompletní batch_inference.py pro kopírování a vložení:

#!/usr/bin/env python3
"""Offline batch inference with Ray Data + vLLM on a single 8x H100 node.

The workload `command` starts a Ray head with 8 GPUs and runs this script. Ray Data's
LLM API (`ray.data.llm`) launches one vLLM replica per GPU and streams a dataset of
prompts through them, then writes the generated text to a Unity Catalog volume as
Parquet.

Uses a public model (no Hugging Face token required) so the example runs as-is.
"""

import os

import ray
from datasets import load_dataset
from ray.data.llm import build_llm_processor, vLLMEngineProcessorConfig

MODEL_SOURCE = "Qwen/Qwen2.5-7B-Instruct"
NUM_PROMPTS = 1000
# Unity Catalog volume path where results land as Parquet. Set this in train.yaml.
OUTPUT_PATH = os.environ.get("OUTPUT_PATH", "/Volumes/main/default/air_examples/ray_batch_inference")


def build_prompts():
    """Build a Ray Dataset of prompts from a public instruction dataset."""
    raw = load_dataset("tatsu-lab/alpaca", split=f"train[:{NUM_PROMPTS}]")
    items = []
    for row in raw:
        instruction = row["instruction"]
        if row.get("input"):
            instruction = f"{instruction}\n\n{row['input']}"
        items.append({"instruction": instruction})
    return ray.data.from_items(items)


def main():
    ray.init(address="auto")
    # Derive replicas from the live cluster so the example scales when nodes are added.
    total_gpus = int(ray.cluster_resources().get("GPU", 0))
    print(f"Ray cluster ready: {total_gpus} GPU(s)", flush=True)

    ds = build_prompts()

    # vLLM engine config. concurrency = number of replicas Ray Data runs in parallel;
    # one per GPU in the cluster here. engine_kwargs are passed through to the vLLM engine.
    config = vLLMEngineProcessorConfig(
        model_source=MODEL_SOURCE,
        engine_kwargs={
            "max_model_len": 4096,
            "tensor_parallel_size": 1,
            "enable_chunked_prefill": True,
        },
        concurrency=total_gpus,
        batch_size=64,
    )

    # preprocess maps each input row to a chat request; postprocess keeps the columns
    # we want to persist. ray.data.llm adds a `generated_text` column.
    processor = build_llm_processor(
        config,
        preprocess=lambda row: dict(
            messages=[
                {"role": "system", "content": "You are a helpful assistant."},
                {"role": "user", "content": row["instruction"]},
            ],
            sampling_params=dict(max_tokens=256, temperature=0.7),
        ),
        postprocess=lambda row: dict(
            instruction=row["instruction"],
            output=row["generated_text"],
        ),
    )

    # materialize once so the write and the sample print don't re-run inference.
    out = processor(ds).materialize()
    out.write_parquet(OUTPUT_PATH)
    print(f"Wrote {out.count()} rows to {OUTPUT_PATH}", flush=True)

    for row in out.take(2):
        print("INSTRUCTION:", row["instruction"][:120], flush=True)
        print("OUTPUT:", row["output"][:200], flush=True)

    ray.shutdown()


if __name__ == "__main__":
    main()

Další kroky

  • Last updated on