Treinamento do Cloud TPU v5p

O Cloud TPU v5p é o Cloud TPU de quinta geração do Google Cloud e a sucessor da TPU v4. A v5p é otimizada para treinamento em grande escala e de ser uma plataforma líder no desenvolvimento de conceitos LLMs, modelos de difusão e IA generativa. Em um alto nível, v5p oferece um desempenho duas vezes maior que o da v4, com o dobro de desempenho mais TPUs em um pod (maior fração de 6 mil contra 3 mil no v4), resultando em até 4x mais desempenho no nível do pod. Ele também é executado em do relógio de alta frequência (1,75 Ghz vs. 1,05 Ghz), acrescenta o SparseCore para embeddings de grande escala e triplica a capacidade de memória de alta largura de banda (HBM).

Conceitos do Cloud TPU v5p

Se você ainda não conhece as Cloud TPUs, confira o página inicial da documentação da TPU.

Conceitos do Cloud TPU (por exemplo, frações, hosts, e TensorCores) e a arquitetura do sistema do Cloud TPU estão descritas nas Arquitetura do sistema do Cloud TPU página.

Cada versão do Cloud TPU requer tipos específicos de aceleradores para treinamento ou inferência. Esses tipos de aceleradores são descritos em Configurações v5p.

Gerenciar recursos da TPU

Todos os comandos que podem ser usados para gerenciar suas VMs de TPU estão descritos em Como gerenciar TPUs ou Guia do usuário sobre recursos em fila para gerenciamento na fila.

Configuração do framework

Nesta seção, descrevemos o processo geral de configuração de modelos treinamento usando JAX ou PyTorch com TPU v5p.

Configuração para JAX

Se você tiver formas de fatia com mais de quatro ícones, terá várias VMs em uma fração. Nesse caso, é necessário usar a flag --worker=all. para executar a instalação em todas as VMs de TPU usando um único comando:

gcloud compute tpus tpu-vm ssh ${TPU_NAME}  --project ${PROJECT_ID} \
--zone ${ZONE} \
--worker=all \
--command='pip install "jax[tpu]==0.4.20" -f https://storage.googleapis.com/jax-releases/libtpu_releases.html'

Execute o seguinte comando para verificar o número de dispositivos (o as saídas mostradas aqui foram produzidas com uma fração v5p-32). Este código testa se tudo está instalado corretamente, verificando se o JAX vê os TensorCores do Cloud TPU e pode executar operações básicas:

gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--project ${PROJECT_ID} \
--zone ${ZONE} \
--worker=all \
--command='python3 -c "import jax; print(jax.device_count()); print(jax.local_device_count())"'

A saída será semelhante a esta:

SSH: Attempting to connect to worker 0...
SSH: Attempting to connect to worker 1...
SSH: Attempting to connect to worker 2...
SSH: Attempting to connect to worker 3...
16
4
16
4
16
4
16
4

jax.device_count() mostra o número total de ícones em da fração em questão. jax.local_device_count() indica de ícones acessíveis por uma única VM nesta fração.

# Check the number of chips in the given slice by summing the count of chips
# from all VMs through the
# jax.local_device_count() API call.
gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--project ${PROJECT_ID} \
--zone ${ZONE} \
--worker=all \
--command='python3 -c "import jax; xs=jax.numpy.ones(jax.local_device_count()); print(jax.pmap(lambda x: jax.lax.psum(x, \"i\"), axis_name=\"i\")(xs))"'

A saída será semelhante a esta:

SSH: Attempting to connect to worker 0...
SSH: Attempting to connect to worker 1...
SSH: Attempting to connect to worker 2...
SSH: Attempting to connect to worker 3...
[16. 16. 16. 16.]
[16. 16. 16. 16.]
[16. 16. 16. 16.]
[16. 16. 16. 16.]

Use --node=all para executar o comando em todos os workers multislice.

gcloud compute tpus queued-resources ssh ${QUEUED_RESOURCE_ID} \
--project ${PROJECT_ID} --zone ${ZONE} --node=all --worker=all \
--command='python3 -c "import jax; print(jax.device_count()); print(jax.local_device_count())"'

Veja os tutoriais do JAX neste documento para começamos com o treinamento v5p usando JAX.

Configuração do PyTorch

O ambiente de execução PJRT é o único ambiente de execução compatível com a v5p, e o PyTorch 2.1 ou superior usa PJRT como o ambiente de execução padrão para todas as versões de TPU. Esta seção descreve como começar a usar PJRT em pods v5p com PyTorch/XLA 2.2.0 para todos os workers.

Instalar dependências

gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
--project ${PROJECT_ID} \
--zone ${ZONE} \
--worker=all \
--command='
sudo apt-get update
sudo apt-get install libopenblas-dev -y
pip3 install numpy
pip install torch~=2.2.0 torch_xla[tpu]~=2.2.0 -f https://storage.googleapis.com/libtpu-releases/index.html
'

Usar um script Python com PJRT para validar a instalação para mostrar os dispositivos TPU disponíveis (as saídas mostradas aqui foram produzidas com uma fração v5p-32).

gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--project ${PROJECT_ID} --zone ${ZONE} --worker=all \
--command='
PJRT_DEVICE=TPU python3 -c "import torch_xla.core.xla_model as xm; print(xm.get_xla_supported_devices(\"TPU\"))"
'

SSH: Attempting to connect to worker 0...
SSH: Attempting to connect to worker 1...
SSH: Attempting to connect to worker 2...
SSH: Attempting to connect to worker 3...
['xla:0', 'xla:1', 'xla:2', 'xla:3']
['xla:0', 'xla:1', 'xla:2', 'xla:3']
['xla:0', 'xla:1', 'xla:2', 'xla:3']
['xla:0', 'xla:1', 'xla:2', 'xla:3']

Use --node=all para executar o comando em todos os workers multislice.

gcloud compute tpus queued-resources ssh ${QUEUED_RESOURCE_ID} \
--project ${PROJECT_ID} --zone ${ZONE} --node=all --worker=all \
--command='
PJRT_DEVICE=TPU python3 -c "import torch_xla.core.xla_model as xm; print(xm.get_xla_supported_devices(\"TPU\"))"
'

Veja os tutoriais do PyTorch neste documento para ter começou com o treinamento v5p usando o PyTorch.

Monitorar e criar perfil

O Cloud TPU v5p oferece suporte para monitoramento e criação de perfil usando o os mesmos métodos das gerações anteriores do Cloud TPU. Você pode Leia Criar perfil de modelo com as ferramentas do Cloud TPU. para saber mais sobre criação de perfil e monitoramento de VMs da Cloud TPU para saber mais sobre monitoramento.

Tutoriais de treinamento

Esta seção se concentra em tutoriais de treinamento para uma única fração. Adaptar esses tutoriais ao treinamento multislice pode ser é possível adicionar a sinalização --node=all aos comandos SSH. Para mais detalhes e práticas recomendadas, consulte a Introdução ao multislice.

• Diffusion 2.1 (link em inglês)
• MaxText
• ResNet em um único host v5p
• ResNet em um v5p de vários hosts

Tutoriais do JAX

Train Diffusion 2.1 (link em inglês)

Neste tutorial, mostramos como treinar o modelo de difusão estável HuggingFace usando o Pokémon no Cloud TPU v5p.

O modelo de difusão estável é um modelo latente de texto para imagem que gera imagens fotorrealistas a partir de qualquer entrada de texto. Para saber mais, acesse os recursos a seguir (links em inglês):

• Visão geral da Difusão estável
• Fonte do código de difusão estável

.

Configurar

1. Crie as variáveis de ambiente:

   export PROJECT_ID=your_project_ID
   export ACCELERATOR_TYPE=v5p-32
   export ZONE=us-east5-a
   export RUNTIME_VERSION=v2-alpha-tpuv5
   export SERVICE_ACCOUNT=your_service_account
   export TPU_NAME=your_tpu_name
   export QUEUED_RESOURCE_ID=queued_resource_id
   export QUOTA_TYPE=quota_type
   export VALID_UNTIL_DURATION=1d
   

   Descrições de sinalizações de comando

   Variável	Descrição
   PROJECT_ID	Nome do projeto do Google Cloud
   ACCELERATOR_TYPE	Confira as versões de TPU para a versão da TPU.
   ZONA	Consulte o documento de regiões e zonas da TPU para conhecer as zonas compatíveis.
   RUNTIME_VERSION	Para v5p, use v2-alpha-tpuv5 para RUNTIME_VERSION.
   SERVICE_ACCOUNT	Este é o endereço da sua conta de serviço, que você encontra no console do Google Cloud -> IAM -> Contas de serviço. Por exemplo: tpu-service-account@myprojectID.iam.gserviceaccount.com
   TPU_NAME	O ID de texto atribuído pelo usuário da TPU, criado ao a solicitação de recurso na fila é alocada.
   QUEUED_RESOURCE_ID	O ID de texto atribuído pelo usuário da solicitação de recurso na fila. Consulte o documento Recursos na fila para saber mais sobre recursos na fila.
   QUOTA_TYPE	Pode ser reserved ou best-effort. Se nenhum desses valores for especificado, o padrão é on-demand. Consulte cotas para informações sobre os diferentes tipos de cotas compatíveis com o Cloud TPU.
   VALID_UNTIL_DURATION	Por quanto tempo a solicitação é válida. Consulte Recursos na fila para informações sobre as diferentes durações válidas.

2. Crie um recurso de TPU:

   gcloud alpha compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
   --node-id ${TPU_NAME} \
   --project ${PROJECT_ID} \
   --zone ${ZONE} \
   --accelerator-type ${ACCELERATOR_TYPE} \
   --runtime-version ${RUNTIME_VERSION} \
   --valid-until-duration ${VALID_UNTIL_DURATION} \
   --service-account ${SERVICE_ACCOUNT} \
   --${QUOTA_TYPE}
   

   Você poderá se conectar via SSH à VM da TPU quando o recurso na fila estiver no estado ACTIVE. Verifique o estado do seu recurso na fila executando o seguinte comando:

   gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID}  \
   --project ${PROJECT_ID} --zone ${ZONE}
   

   Quando o recurso na fila está no estado ACTIVE, a saída será semelhante ao seguinte:

   state: ACTIVE
   

3. Instale o JAX e as dependências dele.

   # compatible with v5p: only jax version 0.4.19 and later \
   # jax 0.4.19 requires py 3.10 \
   
   gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
   --project=${PROJECT_ID} --zone=${ZONE} --worker=all \
   --command='pip install "jax[tpu]==0.4.20" -f https://storage.googleapis.com/jax-releases/libtpu_releases.html'
   

4. Faça o download do repositório HuggingFace e e requisitos de instalação.

   gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
   --project=${PROJECT_ID} \
   --zone=${ZONE} \
   --worker=all \
   --command='git clone https://github.com/huggingface/diffusers.git && cd diffusers && pip install . && pip install tensorflow clu && pip install -U -r examples/text_to_image/requirements_flax.txt'
   

5. Treine o modelo

   Treine o modelo com um buffer pré-mapeado de 4 GB.

   gcloud compute tpus tpu-vm ssh ${TPU_NAME} --project=${PROJECT_ID} \
   --zone=${ZONE} \
   --worker=all \
   --command='export PATH=$PATH:$HOME/.local/bin && cd diffusers/examples/text_to_image && JAX_PLATFORMS=tpu,cpu python3 train_text_to_image_flax.py --pretrained_model_name_or_path=stabilityai/stable-diffusion-2-1 --dataset_name=lambdalabs/pokemon-blip-captions --resolution=256 --center_crop --random_flip --train_batch_size=1 --mixed_precision=bf16 --max_train_steps=150 --learning_rate=1e-05 --max_grad_norm=1 --output_dir=sd-pokemon-model --from_pt'
   

Limpar

Exclua sua TPU e solicitação de recurso na fila ao final da sessão ou para remover solicitações de recursos na fila que estão no bloco "FAILED". state. Para excluir um recurso na fila, exclua as fatias e, em seguida, o recurso na fila em duas etapas:

   gcloud compute tpus tpu-vm delete ${TPU_NAME} --project=${PROJECT_ID}
   --zone=${ZONE} --quiet

   gcloud compute tpus queued-resources delete ${QUEUED_RESOURCE_ID}
   --project ${PROJECT_ID} --zone ${ZONE} --quiet

Ou use --force para excluir as fatias e a solicitação de recurso na fila em uma única etapa:

# With --force
gcloud compute tpus queued-resources delete ${QUEUED_RESOURCE_ID}
--project ${PROJECT_ID} --zone ${ZONE} --quiet --force

Resultados da comparação

O script de treinamento do Stable Diffusion foi executado nas versões v5p-8, v5p-32 e v5p-128. A tabela a seguir mostra a capacidade de processamento.

	v5p-8	v5p-32	v5p-128
Degrau de trem	150	150	150
Tamanho global do lote	32	64	64
Capacidade de processamento (exemplos/segundo)	12.10	18/08	19h10

MaxText

Neste tutorial, mostramos como treinar MaxText usando um modelo no Cloud TPU.

O MaxText é um aplicativo de software LLM bem testado, escrito em Python/JAX puro, voltado para Cloud TPUs. A MaxText capacita pesquisadores e desenvolvedores com uma e adaptável para o avanço das fronteiras da linguagem natural pesquisa e desenvolvimento de processamento (PLN).

Antes de executar este tutorial, você precisa configure o ambiente do Cloud TPU.

1. Configure as variáveis de ambiente

   export PROJECT_ID=your_project_ID
   export TPU_NAME=your_tpu_name # user defined TPU name
   export ACCELERATOR_TYPE=v5p-256
   export ZONE=us-east5-a
   export RUNTIME_VERSION=v2-alpha-tpuv5
   export RUN_NAME=your_experiment_run_name # user defined name for this run
   export GCS_BUCKET_NAME=your_bucket_name # Output cloud folder. Should start with gs://
   export MAXTEXT_OUTPUT_PATH=${GCS_BUCKET_NAME}/your_experiment_output_path
   export NUM_SLICES=1 # Update the value to a number >1 for Multislice.
   

   Descrições de sinalizações de comando

   Variável	Descrição
   PROJECT_ID	Nome do projeto do Google Cloud
   TPU_NAME	Um nome definido pelo usuário para sua TPU.
   ACCELERATOR_TYPE	Confira as versões de TPU para a versão da TPU.
   ZONA	Consulte o documento de regiões e zonas da TPU para conhecer as zonas compatíveis.
   RUNTIME_VERSION	Para v5p, use v2-alpha-tpuv5 para a versão do ambiente de execução.
   RUN_NAME	Nome de execução do experimento fornecido pelo usuário.

   Configuração opcional recomendada para o multislice:

   export NETWORK_NAME=your_network_name
   export FIREWALL_RULE_NAME=your_firewall_rule_name
   

   Se você estiver executando cargas de trabalho multislice e quiser o desempenho ideal da rede, considere criar uma com uma unidade máxima de transmissão (MTU) de 8.896 bytes e a configuração das regras de firewall apropriadas. Embora opcional, esta etapa pode melhorar significativamente o desempenho, especialmente ao aumentar o número de frações na rede de data center (DCN). Criação de notas uma rede requer a permissão compute.networks.create no projeto. Os exemplos a seguir mostram como criar uma rede dedicada e um firewall regra.

   Crie uma rede dedicada:

   gcloud compute networks create ${NETWORK_NAME} \
   --mtu=8896 \
   --project=${PROJECT_ID} \
   --subnet-mode=auto \
   --bgp-routing-mode=regional
   

   Criar uma regra de firewall

   gcloud compute firewall-rules create ${FIREWALL_RULE_NAME} \
   --network ${NETWORK_NAME} --allow tcp,icmp,udp --project=${PROJECT_ID}
   

2. Clonar o repositório MaxText

   git clone https://github.com/google/maxtext.git
   

3. Treine o modelo

   As seções a seguir descrevem duas opções para treinar o MaxText.

   Opção 1

   Se você quiser que um script gerencie todo o fluxo de trabalho, desde o provisionamento Cloud TPUs e instalação de dependências para executar o modelo e eliminar os recursos, use multihost_job.py.

   cd maxtext && python3 multihost_job.py --PROJECT=${PROJECT_ID} --ZONE=${ZONE} \
   --NUM_SLICES=${NUM_SLICES} --TPU_TYPE=${ACCELERATOR_TYPE} \
   --VERSION=${RUNTIME_VERSION} --RUN_NAME=${RUN_NAME} #user defined run name \
   --BUCKET_NAME=${GCS_BUCKET_NAME} \ #used to store logs and configs
   --COMMAND="bash setup.sh && bash MaxText/configs/experimental/64b.sh RUN_NAME=${RUN_NAME} OUTPUT_PATH=${MAXTEXT_OUTPUT_PATH} PLATFORM=gce"
   

   Depois de iniciar o script, você verá uma mensagem semelhante aos seguintes no registro. O local do registro é referenciado na mensagem de saída. Clique no primeiro link para acessar registros de todos os workers quando o provisionamento da TPU for concluído.

   ------------------------------------
   
   multihost_job finished running, TPUs are starting up to run your job remotely.
   
   Logs for your job are displayed here:
   https://console.cloud.google.com/logs/query;query=resource.type%3D%22gce_instance%22%20AND%0Alog_id%2528%22_log%22%2529;?project=PROJECT_ID
   
   To see the output of a single host, you may edit the slice and worker
   number in the `log_file_path` property here:
   
   https://console.cloud.google.com/logs/query;query=resource.type%3D%22gce_instance%22%20AND%0Alog_id%2528%22RUN_NAME_log%22%2529%20AND%0Alabels.%22agent.googleapis.com%2Flog_file_path%22%3D%20%22%2FRUN_NAME%2Fmain_command_log_slice_0_worker_0%22;?project=PROJECT_ID
   
   When your job is finished, the main command log is in your Cloud Storage
   bucket:
   https://console.cloud.google.com/storage/browser/YOUR_BUCKET_NAME/RUN_NAME?project=PROJECT_ID
   
   View the status of the created TPUs using:
   gcloud compute tpus queued-resources list --filter=RUN_NAME
   --zone=ZONE --project=PROJECT_ID
   

Opção 2

Executar o script de treinamento várias vezes em um Cloud TPU, use o script multihost_runner.py para usar o recurso.

1. Configure variáveis para criar uma TPU.

   export SERVICE_ACCOUNT=your_service_account
   export TPU_NAME=your_tpu_name
   export QUEUED_RESOURCE_ID=your_queued_resource_id
   export VALID_DURATION=1d
   export QUOTA_TYPE=quota_type
   

   --node-count ${NODE_COUNT} \
   --node-prefix ${NODE_PREFIX} # optional, the default is QUEUED_RESOURCE_ID
   

2. Criar um recurso de TPU.

   gcloud alpha compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
   --node-id ${TPU_NAME} \
   --project ${PROJECT_ID} \
   --zone ${ZONE} \
   --accelerator-type ${ACCELERATOR_TYPE} \
   --runtime-version ${RUNTIME_VERSION} \
   --valid-until-duration ${VALID_DURATION} \
   --service-account ${SERVICE_ACCOUNT} \
   --${QUOTA_TYPE}
   

   Você poderá se conectar às suas VMs TPU usando SSH assim que seu QueuedResource está no estado ACTIVE:

   Use o comando describe para consultar o status do recurso na fila.

   gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID}
   --project ${PROJECT_ID} --zone ${ZONE}
   

   Quando o recurso na fila estiver no estado ACTIVE, a saída será semelhante a:

    state: ACTIVE
   

3. Conectar-se à TPU usando SSH

   gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
     --project ${PROJECT_ID} \
     --zone ${ZONE}
   

4. Instalar dependências

   export TPU_NAME=your_tpu_name
   export MAXTEXT_OUTPUT_PATH=output-path
   

   cd maxtext && python3 multihost_runner.py --TPU_PREFIX=${TPU_NAME} \
   --COMMAND='bash setup.sh'
   

5. Execute o modelo com várias scripts de configuração, como 32b.sh, 64b.sh. Se você estiver executando o script em uma VM da TPU, é preciso adicionar a flag --INTERNAL_IP=true.

   python3 multihost_runner.py --TPU_PREFIX=${TPU_NAME} \
   --COMMAND="bash MaxText/configs/experimental/64b.sh RUN_NAME=${RUN_NAME}
   OUTPUT_PATH=${MAXTEXT_OUTPUT_PATH} PLATFORM=gce"
   

Limpar

Exclua a TPU e os recursos na fila.

Resultados da comparação

O script de treinamento MaxText foi executado de 32B para 1160B com precisão de bf16. Os resultados dessas execuções são mostrados na tabela a seguir.

No de parâmetros	Tipo de acelerador	TFLOP/chip/s	Utilização de flops de modelo (MFU)
32 bi	v5p-128	3,28E+02	71,47%
64 bi	v5p-128	3,23E+02	70,31%
128 bi	v5p-256	3,15E+02	68,68%
128 bi	v5p-512	3,15E+02	68,53%
256 bi	v5p-1024	3,16E+02	68,82%
512 bi	v5p-1024	2,94E+02	63,99%
1.024 bi	v5p-2048	2,49E+02	64,05%
1.024 bi	v5p-4096	2,97E+02	64,80%
1.160 bi	v5p-7680	2,95E+02	64,27%
1.160 bi	v5p-12288	3,04E+02	66,23%

O modelo de parâmetros 256B foi testado nas versões v5p-512 e v5p-1024 usando os pesos bf16 e int8. A tabela a seguir exibe os resultados desses testes.

	v5p-512	v5p-512	v5p-1024	v5p-1024
Tamanho global do lote (tokens)	5,24E+05	5,24E+05	1,05E+06	1,05E+06
Precisão	bf16	int8	bf16	int8
TFLOP/chip/s	307	408	308	414
Utilização de flops de modelo (MFU)	66,98%	88,85%	67,09%	90,23%

Tutoriais do TensorFlow

Treinar o ResNet em um único host v5p

Este tutorial descreve como treinar o ImageNet em uma TPU v5p-8 usando um conjunto de dados fictício. Se você quiser usar um conjunto de dados diferente, consulte Como preparar o conjunto de dados.

Configurar

1. Crie variáveis de ambiente:

   export PROJECT_ID=your-project-ID
   export ACCELERATOR_TYPE=v5p-8
   export ZONE=us-east1-c
   export RUNTIME_VERSION=tpu-vm-tf-2.17.0-pjrt
   export TPU_NAME=your-tpu-name
   export QUEUED_RESOURCE_ID=your-queued-resource-id
   export QUOTA_TYPE=quota-type
   

   Neste tutorial, use v5p-8 como ACCELERATOR_TYPE.

2. Crie um recurso de TPU:

   gcloud alpha compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
     --node-id ${TPU_NAME} \
     --project ${PROJECT_ID} \
     --zone ${ZONE} \
     --accelerator-type ${ACCELERATOR_TYPE} \
     --runtime-version ${RUNTIME_VERSION} \
     --${QUOTA_TYPE}
   

   Conecte-se à VM da TPU usando SSH quando seu o recurso na fila está em o estado ACTIVE. Para verificar o estado do recurso na fila, use este comando:

   gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID} \
     --project ${PROJECT_ID} \
     --zone ${ZONE}
   

3. Conectar-se à TPU usando SSH

   gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
     --project ${PROJECT_ID} \
     --zone ${ZONE}
   

4. Defina algumas variáveis de ambiente

   export MODELS_REPO=/usr/share/tpu/models
   export PYTHONPATH="${MODELS_REPO}:${PYTHONPATH}"
   export MODEL_DIR=gcp-directory-to-store-model
   export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
   export NEXT_PLUGGABLE_DEVICE_USE_C_API=true
   export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
   

5. Altere para o diretório do repositório de modelos e os requisitos de instalação.

   cd ${MODELS_REPO} && git checkout r2.15.0
   pip install -r official/requirements.txt
   

Treine o modelo

1. Execute o script de treinamento.

   python3 official/vision/train.py \
     --tpu=local \
     --experiment=resnet_imagenet \
     --mode=train_and_eval \
     --config_file=official/vision/configs/experiments/image_classification/imagenet_resnet50_tpu.yaml \
     --model_dir=${MODEL_DIR} \
     --params_override="runtime.distribution_strategy=tpu,task.train_data.input_path=${DATA_DIR}/train*,task.validation_data.input_path=${DATA_DIR}/validation*,task.train_data.global_batch_size=2048,task.validation_data.global_batch_size=2048,trainer.train_steps=100"
   

Limpar

Exclua a TPU e os recursos na fila.

Treinar o ResNet em um v5p de vários hosts

Este tutorial descreve como treinar o ImageNet em v5p-16 ou maior usando em um conjunto de dados fictício. Se você quiser usar um conjunto de dados diferente, consulte Como preparar o conjunto de dados.

1. Crie variáveis de ambiente:

   export PROJECT_ID=your_project_ID
   export TPU_NAME=your_tpu_name
   export ZONE=us-east1-c
   export ACCELERATOR_TYPE=v5p-16
   export RUNTIME_VERSION=tpu-vm-tf-2.17.0-pod-pjrt
   export QUEUED_RESOURCE_ID=your-queued-resource-id
   export QUOTA_TYPE=quota-type
   

   ACCELERATOR_TYPE pode ser v5p-16 ou maior.

2. Crie um recurso de TPU:

   gcloud alpha compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
     --node-id ${TPU_NAME} \
     --project ${PROJECT_ID} \
     --zone ${ZONE} \
     --accelerator-type ${ACCELERATOR_TYPE} \
     --runtime-version ${RUNTIME_VERSION} \
     --${QUOTA_TYPE}
   

   Conecte-se à VM da TPU usando SSH quando seu o recurso na fila está em o estado ACTIVE.

   Use o comando describe para consultar o status do recurso na fila:

   gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID} \
     --project ${PROJECT_ID} \
     --zone ${ZONE}
   

3. Conecte-se à TPU (worker zero) usando SSH.

   gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
     --project ${PROJECT_ID} \
     --zone ${ZONE}
   

4. Defina algumas variáveis de ambiente

   export TPU_NAME=your_tpu_name
   export MODELS_REPO=/usr/share/tpu/models
   export PYTHONPATH="${MODELS_REPO}:${PYTHONPATH}"
   export MODEL_DIR=gcp-directory-to-store-model
   export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
   export TPU_LOAD_LIBRARY=0
   

5. Altere para o diretório do repositório de modelos e os requisitos de instalação.

   cd $MODELS_REPO && git checkout r2.15.0
   pip install -r official/requirements.txt
   

Treine o modelo

1. Execute o script de treinamento.

   python3 official/vision/train.py \
     --tpu=${TPU_NAME} \
     --experiment=resnet_imagenet \
     --mode=train_and_eval \
     --config_file=official/vision/configs/experiments/image_classification/imagenet_resnet50_tpu.yaml \
     --model_dir=${MODEL_DIR} \
     --params_override="runtime.distribution_strategy=tpu,task.train_data.input_path=${DATA_DIR}/train*,task.validation_data.input_path=${DATA_DIR}/validation*,task.train_data.global_batch_size=2048,task.validation_data.global_batch_size=2048,trainer.train_steps=100"
   

Limpar

Exclua a TPU e os recursos na fila.

PyTorch/XLA

Llama 2

Neste tutorial, vamos mostrar como treinar o modelo Llama 2 7B na v5p usando uma bifurcação. do repositório HuggingFace em PyTorch/XLA com recursos Carregamento em paralelo para gráficos de computação de ML (GSPMD).

Configuração

1. Crie variáveis para ID do projeto, tipo de acelerador, zona, versão do ambiente de execução e o nome da TPU.

   export PROJECT_ID=your_project_ID
   export ACCELERATOR_TYPE=v5p-8
   export ZONE=us-east5-a
   export RUNTIME_VERSION=v2-alpha-tpuv5
   export SERVICE_ACCOUNT=your_service_account
   export TPU_NAME=your_tpu_name
   export QUEUED_RESOURCE_ID=your_queued_resource_id
   export QUOTA_TYPE=quota_type
   export VALID_DURATION=1d
   

2. Criar um recurso de TPU

   gcloud alpha compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
   --node-id ${TPU_NAME} \
   --project ${PROJECT_ID} \
   --zone ${ZONE} \
   --accelerator-type ${ACCELERATOR_TYPE} \
   --runtime-version ${RUNTIME_VERSION} \
   --valid-until-duration ${VALID_DURATION} \
   --service-account ${SERVICE_ACCOUNT} \
   --${QUOTA_TYPE}
   

   Conecte-se à VM da TPU usando SSH quando seu QueuedResource está no estado ACTIVE:

   Use o comando describe para consultar o status do recurso na fila.

   gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID} \
   --project ${PROJECT_ID} \
   --zone ${ZONE}
   

   Quando o recurso na fila está no estado ACTIVE, a saída será semelhante ao seguinte:

    state: ACTIVE
   

3. Instale o Pytorch/XLA e as dependências necessárias.

   gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
   --project ${PROJECT_ID} \
   --zone  ${ZONE} \
   --worker=all \
   --command='
   sudo apt-get update
   sudo apt-get install libopenblas-dev -y
   pip3 install numpy
   pip3 install typing-extensions
   pip install torch~=2.2.0 torch_xla[tpu]~=2.2.0 -f https://storage.googleapis.com/libtpu-releases/index.html
   '
   

4. Faça o download do repositório HuggingFace e os requisitos de instalação.

   gcloud compute tpus tpu-vm ssh ${TPU_NAME}
   --project=${PROJECT_ID} \
   --zone=${ZONE} \
   --worker=all \
   --command='
   git clone -b llama2-google-next-training https://github.com/pytorch-tpu/transformers.git
   cd transformers
   pip3 install git+file://$PWD
   pip3 install datasets accelerate evaluate scikit-learn'
   

5. Faça o download da configuração do modelo 7B.

   gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
   --project=${PROJECT_ID} \
   --zone=${ZONE} \
   --worker=all \
   --command="curl https://huggingface.co/TheBloke/Llama-2-7B-fp16/raw/main/config.json --output ~/config.json"
   

6. Treine o modelo

   gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
   --project=${PROJECT_ID} \
   --zone=${ZONE} \
   --worker=all \
   --command='
   export PJRT_DEVICE=TPU
   export XLA_USE_BF16=1
   export XLA_IR_DEBUG=1
   export XLA_HLO_DEBUG=1
   
   export LIBTPU_INIT_ARGS="--xla_enable_async_collective_permute=true
   --xla_tpu_enable_async_collective_fusion_multiple_steps=true
   --xla_tpu_enable_async_collective_fusion=true
   --xla_tpu_overlap_compute_collective_tc=true
   --xla_enable_async_all_gather=true
   --xla_jf_spmd_threshold_for_windowed_einsum_mib=0"
   
   export PROFILE_EPOCH=0
   export PROFILE_STEP=3
   export PROFILE_DURATION_MS=20000
   export PROFILE_LOGDIR=/tmp/home/
   
   cd transformers
   python examples/pytorch/language-modeling/run_clm.py \
    --tokenizer_name hf-internal-testing/llama-tokenizer \
    --dataset_name wikitext \
    --dataset_config_name wikitext-2-raw-v1 \
    --per_device_train_batch_size 96 \
    --per_device_eval_batch_size 8 \
    --num_train_epochs 1 \
    --do_train \
    --output_dir /tmp/output \
    --overwrite_output_dir \
    --config_name ~/config.json \
    --save_strategy no \
    --logging_strategy no \
    --remove_unused_columns no \
    --optim adafactor \
    --torch_dtype bfloat16 \
    --dataloader_drop_last yes \
    --block_size 2048 \
    --spmd_2d_sharding 1 \
    --spmd_grad_chkpt
   '
   

Se você estiver executando em um ambiente multislice, será necessário defina a flag --spmd_dcn_parallelism como o número de frações.

O SPMD_USER_GUIDE fornece um guia do usuário mais aprofundado que explica todas as diferentes variáveis e alternâncias do script HF. Vale lembrar que LIBTPU_INIT_ARGS será incorporado ao PyTorch/XLA e ativadas por padrão em versões futuras.

Limpar

Exclua a TPU e os recursos na fila.

Resultados da comparação

A capacidade de processamento dos três tamanhos do modelo Llama 2 está incluída tabela.

	v5p-8	v5p-128	v5p-128
Tamanho do modelo	7 bi	13 bi	70 bi
Tamanho global do lote	96	1024	128
Como fragmentar o formato da malha	(4 e 1)	(64 e 1)	(16 e 4)
Utilização de flops de modelo (MFU)	56,67%	55,80%	51,85%

Suporte e feedback

Seu feedback é muito bem-vindo! Para compartilhar feedback ou pedir suporte, faça o seguinte: Preencha o formulário de suporte ou feedback do Cloud TPU.