Atelier

Lección 8 — Comparer et déployer

Déployer Gemma sur Cloud Run avec GPU (explication)

5 min de lectura

Este contenido aún no está traducido. Se muestra la versión original.

Déployer Gemma sur Cloud Run avec GPU (explication)

Pourquoi Cloud Run ?

Cloud Run exécute un conteneur derrière une URL HTTPS, ajoute ou retire des instances selon le trafic et peut descendre à zéro instance quand personne ne l'utilise. Avec un GPU attaché, c'est un moyen simple de servir un modèle ouvert sans gérer de machines : vos données restent dans votre projet Google Cloud et dans la région choisie.

flowchart LR
  U["Poste d'un salarié"] -->|"gcloud run services proxy (authentifié)"| CR["Service Cloud Run + 1 GPU"]
  CR --> OL["Conteneur ollama/ollama"]
  OL -->|"au démarrage : ollama pull"| M["gemma4:e4b"]
  APP["client_llm.py (LLM_BASE_URL)"] -->|"/v1/chat/completions"| CR

La commande du tutoriel officiel

Reproduite telle quelle depuis la documentation Cloud Run (consultée le 2026-10-15), avec les valeurs à remplacer en majuscules :

terminal (non exécuté)
gcloud beta run deploy SERVICE-NAME \
    --image "ollama/ollama:latest" \
    --project PROJECT_ID \
    --region REGION \
    --no-allow-unauthenticated \
    --cpu 20 \
    --memory 80Gi \
    --gpu 1 \
    --gpu-type nvidia-rtx-pro-6000 \
    --no-gpu-zonal-redundancy \
    --max-instances 1 \
    --concurrency 16 \
    --timeout 600 \
    --set-env-vars=OLLAMA_NUM_PARALLEL=16 \
    --set-env-vars=OLLAMA_HOST=0.0.0.0:8080 \
    --set-env-vars=OLLAMA_DEBUG=false \
    --set-env-vars=OLLAMA_KEEP_ALIVE=-1 \
    --startup-probe tcpSocket.port=8080,initialDelaySeconds=240,failureThreshold=1,timeoutSeconds=240,periodSeconds=240 \
    --command "bash" \
    --args="-c,(sleep 15 && ollama pull MODEL_NAME) & ollama serve"
OptionRôle
--image "ollama/ollama:latest"image publique d'Ollama, pas de Dockerfile à écrire
--gpu 1 --gpu-type nvidia-rtx-pro-6000un GPU par instance ; le type doit être disponible dans la région (par exemple us-central1)
--max-instances 1ne pas dépasser le quota GPU du projet (3 000 milliGPU par défaut pour un nouveau projet, d'après le tutoriel)
--concurrency 16 + OLLAMA_NUM_PARALLEL=1616 requêtes simultanées par instance, réglées de la même façon des deux côtés
OLLAMA_HOST=0.0.0.0:8080Ollama écoute sur le port attendu par Cloud Run
OLLAMA_KEEP_ALIVE=-1le modèle reste chargé en mémoire GPU
--startup-probe … initialDelaySeconds=240laisse 4 minutes au téléchargement du modèle avant de considérer l'instance prête
--no-allow-unauthenticatedaucun accès anonyme : il faut une identité Google autorisée

Le tutoriel propose gemma4:e2b ou gemma4:e4b pour MODEL_NAME. Pour 26B et 31B, il renvoie vers une architecture plus avancée (vLLM, accès VPC direct et Run:ai Model Streamer pour charger les poids plus vite).

Pourquoi la sonde de démarrage attend-elle 240 secondes ?

Tester et brancher le banc d'essai

Le service exige une authentification. Le tutoriel utilise le proxy de gcloud, qui ajoute votre identité à chaque requête :

terminal (non exécuté)
gcloud run services proxy SERVICE-NAME --project PROJECT_ID --region REGION --port=9090
# dans un autre terminal : le banc d'essai, sans modifier une ligne
LLM_BASE_URL=http://localhost:9090/v1 python bench.py --modeles gemma4:e4b

C'est la mesure qui compte vraiment : Gemma sur votre infrastructure cible, comparé à Gemini sur Vertex AI dans la même région.

Quelles affirmations sont vraies pour ce déploiement ?

Nettoyer

Un service GPU oublié peut coûter cher. Le tutoriel termine par :

terminal
gcloud run services delete SERVICE-NAME --project PROJECT_ID --region REGION
gcloud run services list --project PROJECT_ID --region REGION   # vérifier qu'il a disparu

Exercice : préparer le déploiement pour l'Europe

Votre politique impose que les données restent dans l'Union européenne. Quelles vérifications faites-vous avant de lancer la commande ?

Voir la solution
  1. Choisir une région européenne où le type de GPU voulu est proposé pour Cloud Run (la liste officielle des régions GPU est liée depuis le tutoriel) ; adapter --gpu-type si besoin.
  2. Vérifier le quota GPU du projet dans cette région et garder --max-instances en dessous.
  3. Garder --no-allow-unauthenticated et donner le rôle d'invocateur Cloud Run aux seuls groupes concernés.
  4. Vérifier qu'aucun autre service de la chaîne (journalisation, stockage des poids) n'est configuré hors UE.
  5. Estimer le coût mensuel avec le simulateur, et prévoir la commande de suppression.

Résultat obtenu

Rien n'a été déployé sur Google Cloud pour cette formation (pas de GPU autorisé dans le budget de test) : il n'y a aucune ressource à nettoyer. La partie « sur GCP » a été testée réellement avec Gemini sur Vertex AI, par le point d'accès compatible OpenAI, le 2026-10-15 :

$ GOOGLE_CLOUD_PROJECT=… GOOGLE_CLOUD_LOCATION=europe-west1 python bench.py --fournisseur vertex --modeles google/gemini-2.5-flash
  google/gemini-2.5-flash q01 OK   0.62 s  'Na'
  …
| google/gemini-2.5-flash | 15/15 | 0.8 s | 1.86 s |

Je sais faire

  • Expliquer chaque option du déploiement Ollama sur Cloud Run GPU
  • Appeler un service Cloud Run authentifié via gcloud run services proxy
  • Brancher le banc d'essai sur un service déployé
  • Nettoyer et vérifier la suppression d'un service
Siguiente