Guia de desempenho do Cloud TPU
A primeira etapa ao solucionar problemas de desempenho da TPU é criar o perfil do modelo. Para mais informações sobre como capturar um perfil de desempenho, consulte Como criar o perfil do modelo no Cloud TPU.
Desempenho do modelo de TPU
Esta seção descreve problemas gerais que podem reduzir o desempenho do modelo e como você pode resolvê-los.
O modelo é limitado pela entrada
As TPUs realizam cálculos muito rapidamente. Para garantir que a TPU não fique ociosa, é importante garantir que haja um fluxo constante de dados que estão sendo carregados ou TPU. A maneira como isso é feito depende de como você carrega e pré-processa o conjunto de dados. Por exemplo, é possível ler arquivos de dados em paralelo usando tf.data.TFRecordset() e o parâmetro
num_parallel_reads
.O tamanho do lote é muito pequeno devido à fragmentação (dividir lotes entre núcleos)
O ambiente de execução da TPU divide um lote em todos os 8 núcleos de um dispositivo TPU (por exemplo v2-8 ou v3-8). Se você especificar um tamanho de lote global de 128, cada núcleo receberá um tamanho de lote de 16 (128 / 8).
Para otimizar o uso de memória, use o maior tamanho de lote que cabe na memória da TPU. Cada núcleo de TPU usa registros de vetores bidimensionais 8 X 128 para processar multiplicações de matrizes. Em geral, o tamanho do lote deve ser igualmente divisível por 8 ou 128.
Otimizações do compilador XLA
O XLA é um compilador para machine learning que pode produzir binários para TPUs, CPUs, GPUs e outras plataformas. Embora o XLA faça parte da base de código padrão do TensorFlow, ele também pode ser usado em Modelos PyTorch e JAX. Modelos para o Cloud TPU são convertidos em um gráfico XLA, que o XLA compila para uma TPU. executável. Para saber mais sobre o XLA, consulte XLA: como otimizar o compilador para machine learning.
Preenchimento
Para usar a memória de TPU de forma eficiente, estruture seus dados de modo que eles possam ser agrupados em 128 x 8 blocos. Quando os dados para o cálculo de uma matriz não preenchem um 128 x 8, o compilador XLA preenche os tensores. O preenchimento apresenta duas desvantagens:
- Os tensores preenchidos subutilizam o núcleo da TPU.
- O padding aumenta a quantidade de armazenamento de memória on-chip necessária para um tensor e pode levar a um erro de falta de memória.
Embora o preenchimento seja realizado automaticamente pelo compilador XLA quando necessário, pode determinar a quantidade de padding realizada usando a ferramenta de visualização de memória. Você pode evite o preenchimento escolhendo dimensões de tensores adequadas para a TPU.
Dimensões do tensor
O compilador XLA arredonda os tamanhos dos tensores armazenados na memória HBM da TPU para realizar cálculos com mais eficiência. Esse padding acontece de forma transparente no no nível de hardware e não afeta os resultados. No entanto, em alguns casos, o preenchimento aumenta bastante o uso de memória e o tempo de execução.
O ambiente de execução da TPU apresenta os tensores na memória para maximizar a eficiência computacional e minimize o padding. Para minimizar a sobrecarga de memória e maximizar o desempenho eficiência, uma das seguintes condições precisa ser verdadeira:
O tamanho total do lote deve ser um múltiplo de 64 (8 por núcleo de TPU) e ter a os tamanhos das dimensões devem ser múltiplos de 128.
o tamanho total do lote deve ser um múltiplo de 1024 (128 por núcleo de TPU) e os tamanhos das dimensões de recursos devem ser múltiplos de 8.
Usando um tamanho de lote de 1024 e dimensões de recurso que sejam um múltiplo de 128. resulta na melhor eficiência, embora isso possa não ser possível para todos os modelos.
Fusão
A Fusion é uma técnica geral que o compilador XLA usa para otimizar programas. Um A operação fundida é a combinação de várias operações constituintes sejam executados em combinação.
Por exemplo, imagine a seguinte série de operações:
tmp = tf.add(x, y)
result = tf.multiply(tmp, z)
Esse código é aproximadamente equivalente ao seguinte código falso:
for (i = 0; i < element_count; i++) {
tmp[i] = x[i] + y[i];
}
for (i = 0; i < element_count; i++) {
result = tmp[i] * z[i];
}
Com a fusão, os acessos à matriz acontecem ao mesmo tempo:
for (i = 0; i < element_count; i++) {
result = (x[i] + y[i]) * z[i];
}
Nesse exemplo, o número de idas e voltas à memória é reduzido e o XLA não preciso alocar espaço para 'tmp'.
A fusão é um tipo de otimização essencial e traz diversos benefícios para o Cloud TPU:
- Reduz as transferências de memória ao eliminar a necessidade de armazenar resultados intermediários na memória principal, que é um processo lento.
- Proporciona maior utilização das unidades de hardware que, caso contrário, ficariam ociosas.
- Pode reduzir a quantidade de memória usada pelo modelo porque menos buffers precisam estar ativos ao mesmo tempo.
Transmissão
A transmissão ocorre implicitamente quando dois tensores com formas diferentes, mas compatíveis, são combinados.
Por exemplo, tf.add(vector, matrix)
requer que o vetor seja transmitido para a forma da
matriz. O resultado da operação tem a mesma forma que a matriz. Para saber mais, consulte o guia de transmissão de matrizes.
Muitas vezes, é possível mesclar transmissões com os consumidores, pode resultar em baixo desempenho e aumento no uso de memória.
No exemplo a seguir, na adição de um vetor a uma matriz há uma transmissão implícita que não pode ser fundida com "argmax" e resulta em uma transmissão materializada:
`tf.argmax(tf.add(vector, zero_matrix), axis=0)`