Ejecuta un cálculo en una VM de Cloud TPU con JAX

Este documento ofrece una breve introducción al trabajo con JAX y Cloud TPU.

Antes de seguir esta guía de inicio rápido, debes crear una Google Cloud Platform instala Google Cloud CLI y configura el comando gcloud. Para obtener más información, consulta Configura una cuenta y un proyecto de Cloud TPU.

Instala Google Cloud CLI

Google Cloud CLI contiene herramientas y bibliotecas para interactuar con para productos y servicios de Google Cloud. Para obtener más información, consulta Instala Google Cloud CLI.

Configura el comando gcloud

Ejecuta los siguientes comandos para configurar gcloud y usar tu cuenta de Google Cloud el proyecto y instalar los componentes necesarios para la vista previa de la VM de TPU.

  $ gcloud config set account your-email-account
  $ gcloud config set project your-project-id

Habilita la API de Cloud TPU

  1. Habilita la API de Cloud TPU con el siguiente comando gcloud en Cloud Shell (También puedes habilitarlo desde Consola de Google Cloud).

    $ gcloud services enable tpu.googleapis.com

  2. Ejecuta el siguiente comando para crear una identidad de servicio.

    $ gcloud beta services identity create --service tpu.googleapis.com

Crea una VM de Cloud TPU con gcloud

Con las VMs de Cloud TPU, tu modelo y código se ejecutan directamente en el host de TPU máquina. Establece una conexión SSH directamente en el host de TPU. Puedes ejecutar un código arbitrario, instalar paquetes, ver registros y depurar código directamente en el host de TPU.

  1. Crea la VM de TPU con la ejecución del siguiente comando desde Cloud Shell o en la terminal de tu computadora, en la que el recurso de Google Cloud CLI esté instalado. 

    (vm)$ gcloud compute tpus tpu-vm create tpu-name \
--zone=us-central2-b \
--accelerator-type=v4-8 \
--version=tpu-ubuntu2204-base

    Campos obligatorios

    zone
    Es la zona en la que deseas crear la Cloud TPU.
    accelerator-type
    El tipo de acelerador especifica la versión y el tamaño de la Cloud TPU que deseas crear. Para obtener más información sobre los tipos de aceleradores compatibles con cada versión de TPU, consulta Versiones de TPU.
    version
    La versión del software de Cloud TPU. Para todos los tipos de TPU, usa tpu-ubuntu2204-base

Conéctate a tu VM de Cloud TPU

Establece una conexión SSH a la VM de TPU con el siguiente comando: 

$ gcloud compute tpus tpu-vm ssh tpu-name --zone=us-central2-b

Campos obligatorios

tpu_name
Es el nombre de la VM de TPU a la que te conectas.
zone
La zona en la que creaste tu Cloud TPU.

Instala JAX en tu VM de Cloud TPU

(vm)$ pip install jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html

Verificación del sistema

Verifica que JAX pueda acceder a la TPU y pueda ejecutar operaciones básicas:

Inicia el intérprete de Python 3:

(vm)$ python3

>>> import jax

Muestra la cantidad de núcleos de TPU disponibles:

>>> jax.device_count()

Se muestra la cantidad de núcleos de TPU. Si estás usando una TPU v4, debería ser 4 Si usas una TPU v2 o v3, debería ser 8.

Realiza un cálculo simple:

>>> jax.numpy.add(1, 1)

Se muestra el resultado de NumPy:

Resultado del comando: 

Array(2, dtype=int32, weak_type=true)

Sal del intérprete de Python:

>>> exit()

Ejecuta el código JAX en una VM de TPU

Ahora puedes ejecutar cualquier código JAX que desees. Los ejemplos de flax son un excelente punto de partida para comenzar a ejecutar modelos de AA estándar en JAX. Por ejemplo: para entrenar una red convolucional básica de MNIST:

  1. Instala las dependencias de ejemplo de Flax

    (vm)$ pip install --upgrade clu
(vm)$ pip install tensorflow
(vm)$ pip install tensorflow_datasets

  2. Instalar FLAX

    (vm)$ git clone https://github.com/google/flax.git
(vm)$ pip install --user flax

  3. Ejecuta la secuencia de comandos de entrenamiento de FLAX MNIST

    (vm)$ cd flax/examples/mnist
(vm)$ python3 main.py --workdir=/tmp/mnist \
--config=configs/default.py \
--config.learning_rate=0.05 \
--config.num_epochs=5

La secuencia de comandos descarga el conjunto de datos y comienza el entrenamiento. El resultado de la secuencia de comandos debe verse así:

  0214 18:00:50.660087 140369022753856 train.py:146] epoch:  1, train_loss: 0.2421, train_accuracy: 92.97, test_loss: 0.0615, test_accuracy: 97.88
  I0214 18:00:52.015867 140369022753856 train.py:146] epoch:  2, train_loss: 0.0594, train_accuracy: 98.16, test_loss: 0.0412, test_accuracy: 98.72
  I0214 18:00:53.377511 140369022753856 train.py:146] epoch:  3, train_loss: 0.0418, train_accuracy: 98.72, test_loss: 0.0296, test_accuracy: 99.04
  I0214 18:00:54.727168 140369022753856 train.py:146] epoch:  4, train_loss: 0.0305, train_accuracy: 99.06, test_loss: 0.0257, test_accuracy: 99.15
  I0214 18:00:56.082807 140369022753856 train.py:146] epoch:  5, train_loss: 0.0252, train_accuracy: 99.20, test_loss: 0.0263, test_accuracy: 99.18

Limpia

Cuando termines de usar la VM de TPU, sigue estos pasos para limpiar los recursos.

  1. Desconéctate de la instancia de Compute Engine, si aún no lo hiciste:

    (vm)$ exit

  2. Borra tu Cloud TPU.

    $ gcloud compute tpus tpu-vm delete tpu-name \
  --zone=us-central2-b

  3. Ejecuta el siguiente comando para verificar que se hayan borrado los recursos. Marca de que tu TPU ya no aparezca en la lista. La eliminación puede tardar varios minutos.

    $ gcloud compute tpus tpu-vm list \
  --zone=us-central2-b

Notas de rendimiento

Aquí hay algunos detalles importantes que son particularmente relevantes para el uso de TPU en JAX

Relleno

Una de las causas más comunes del rendimiento lento de las TPU es la introducción Relleno involuntario:

  • Los arreglos en Cloud TPU están en mosaicos. Esto implica rellenar uno de los dimensiones a un múltiplo de 8 y una dimensión diferente a un múltiplo de 128.
  • La unidad de multiplicación de matrices funciona mejor con pares de matrices grandes que minimizan la necesidad de rellenar.

bfloat16 dtype

De forma predeterminada, la multiplicación de matrices en JAX en TPU usa bfloat16 con acumulación de float32. Esto se puede controlar con el argumento de precisión en llamadas a la función jax.numpy relevantes (matmul, dot, einsum, etcétera) En particular:

  • precision=jax.lax.Precision.DEFAULT: usa bfloat16 mixto precisión (más rápida)
  • precision=jax.lax.Precision.HIGH: usa varios pases de MXU para lograr una mayor precisión
  • precision=jax.lax.Precision.HIGHEST: Usa aún más pases de MXU. para lograr la precisión completa de float32

JAX también agrega el dtype bfloat16, que puedes usar para convertir de forma explícita los arrays en bfloat16, por ejemplo, jax.numpy.array(x, dtype=jax.numpy.bfloat16)

Ejecuta JAX en una Colab

Cuando ejecutas código JAX en un notebook de Colab, Colab crea automáticamente un Nodo TPU. Los nodos TPU tienen una arquitectura diferente. Para obtener más información, consulta Arquitectura del sistema.

¿Qué sigue?

Para obtener más información sobre Cloud TPU, consulta los siguientes vínculos: