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.

  1. 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.

  2. 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:

  1. Os tensores preenchidos subutilizam o núcleo da TPU.
  2. 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:

  1. 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.

  2. 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)`