# GPU 로컬 모델 인프라 (GPU Local Models)

로컬 LLM/ML 모델 서빙을 위한 GPU 인프라 가이드입니다.

## GPU 인벤토리

| GPU | VRAM | 수량 | 용도 |
|-----|------|------|------|
| NVIDIA V100 | 16GB | 8 | 중형 모델, 병렬 추론 |
| NVIDIA V100 | 32GB | 4 | 대형 모델, 파인튜닝 |
| NVIDIA RTX 3090 | 24GB | 2 | 개발/테스트, 중형 모델 |

**총 VRAM**: 16×8 + 32×4 + 24×2 = 128 + 128 + 48 = **304GB**

## VRAM별 모델 가이드

### 16GB (V100 16GB, 단일)
- Llama 3.1 8B (Q4 양자화)
- Mistral 7B
- Phi-3 Medium
- Gemma 2 9B

### 24GB (RTX 3090)
- Llama 3.1 8B (FP16)
- Qwen2.5 14B (Q4)
- CodeLlama 13B

### 32GB (V100 32GB, 단일)
- Llama 3.1 70B (Q4 양자화)
- Qwen2.5 32B
- DeepSeek Coder 33B

### 멀티 GPU (텐서 병렬)
- V100 32GB × 2 (64GB): Llama 3.1 70B (FP16)
- V100 32GB × 4 (128GB): Llama 3.1 70B + 여유 / 대형 모델
- V100 16GB × 8 (128GB): 대규모 배치 추론

## 모델 서빙 프레임워크

### vLLM (권장)
```bash
# Docker 실행
docker run --gpus all -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  vllm/vllm-openai:latest \
  --model meta-llama/Llama-3.1-8B-Instruct \
  --tensor-parallel-size 1
```

### Text Generation Inference (TGI)
```bash
docker run --gpus all -p 8080:80 \
  -v ~/.cache/huggingface:/data \
  ghcr.io/huggingface/text-generation-inference:latest \
  --model-id meta-llama/Llama-3.1-8B-Instruct
```

### Ollama (개발/테스트용)
```bash
# 설치
curl -fsSL https://ollama.com/install.sh | sh

# 모델 실행
ollama run llama3.1:8b
```

## Docker Compose GPU 패턴

### 단일 GPU 서비스
```yaml
services:
  llm-server:
    image: vllm/vllm-openai:latest
    container_name: {프로젝트}-llm
    restart: unless-stopped
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    environment:
      - HUGGING_FACE_HUB_TOKEN=${HF_TOKEN}
    volumes:
      - ~/.cache/huggingface:/root/.cache/huggingface
    ports:
      - "8000:8000"
    command: >
      --model meta-llama/Llama-3.1-8B-Instruct
      --max-model-len 8192
    networks:
      - {프로젝트}-network
```

### 멀티 GPU 텐서 병렬
```yaml
services:
  llm-large:
    image: vllm/vllm-openai:latest
    container_name: {프로젝트}-llm-large
    restart: unless-stopped
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 4
              capabilities: [gpu]
    environment:
      - HUGGING_FACE_HUB_TOKEN=${HF_TOKEN}
      - CUDA_VISIBLE_DEVICES=0,1,2,3
    volumes:
      - ~/.cache/huggingface:/root/.cache/huggingface
    ports:
      - "8001:8000"
    command: >
      --model meta-llama/Llama-3.1-70B-Instruct
      --tensor-parallel-size 4
      --max-model-len 4096
    networks:
      - {프로젝트}-network
```

### 특정 GPU 지정
```yaml
deploy:
  resources:
    reservations:
      devices:
        - driver: nvidia
          device_ids: ['0', '1']  # GPU 0, 1 지정
          capabilities: [gpu]
```

## API 통합 패턴

### OpenAI 호환 클라이언트 (vLLM)
```python
from openai import AsyncOpenAI

client = AsyncOpenAI(
    base_url="http://llm-server:8000/v1",
    api_key="not-needed"  # 로컬은 API 키 불필요
)

response = await client.chat.completions.create(
    model="meta-llama/Llama-3.1-8B-Instruct",
    messages=[{"role": "user", "content": prompt}],
    max_tokens=2048,
    temperature=0.7
)
```

### 로컬/원격 전환 패턴
```python
import os
from openai import AsyncOpenAI

def get_llm_client():
    """환경에 따라 로컬 또는 원격 LLM 클라이언트 반환"""
    if os.getenv("USE_LOCAL_LLM", "false").lower() == "true":
        return AsyncOpenAI(
            base_url=os.getenv("LOCAL_LLM_URL", "http://llm-server:8000/v1"),
            api_key="not-needed"
        )
    else:
        return AsyncOpenAI(api_key=os.getenv("OPENAI_API_KEY"))
```

## 환경 변수

```bash
# .env 추가 항목
HF_TOKEN=hf_...                          # Hugging Face 토큰
USE_LOCAL_LLM=true                       # 로컬 LLM 사용 여부
LOCAL_LLM_URL=http://llm-server:8000/v1  # 로컬 LLM 엔드포인트
LOCAL_MODEL_NAME=meta-llama/Llama-3.1-8B-Instruct
```

## GPU 모니터링

### nvidia-smi
```bash
# 실시간 모니터링
watch -n 1 nvidia-smi

# 특정 정보만
nvidia-smi --query-gpu=index,name,memory.used,memory.total,utilization.gpu --format=csv
```

### Docker 내부에서
```bash
docker exec {컨테이너명} nvidia-smi
```

## 헬스체크

```yaml
healthcheck:
  test: ["CMD", "curl", "-f", "http://localhost:8000/health"]
  interval: 30s
  timeout: 30s
  retries: 3
  start_period: 120s  # 모델 로딩 시간 고려
```

## 주의사항

- 모델 첫 로딩 시 시간 소요 (수 분)
- VRAM 부족 시 OOM 에러 → 양자화 또는 GPU 추가
- Hugging Face 게이트 모델은 토큰 및 동의 필요
- 멀티 GPU 사용 시 NVLink 유무에 따라 성능 차이