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 ser uma plataforma líder no desenvolvimento de conceitos LLMs, modelos de difusão e IA generativa. De modo geral, o v5p oferece até o dobro do desempenho do v4, além de agrupar o dobro de TPUs em um pod (6 mil fatias maiores em comparação com 3 mil no v4), resultando em até quatro vezes mais desempenho no nível do pod. Ele também é executado 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 não tem experiência com Cloud TPUs, confira a página inicial da documentação da TPU.

Os conceitos do Cloud TPU (por exemplo, fatias, hosts e TensorCores) e a arquitetura do sistema do Cloud TPU para todas as versões do Cloud TPU são descritos na página Arquitetura do sistema do Cloud TPU.

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

Gerenciar recursos de TPU

Todos os comandos que podem ser usados para gerenciar VMs de TPU são descritos em Gerenciamento de TPUs ou Guia do usuário de recursos em fila para gerenciar recursos em fila.

Configuração do framework

Esta seção descreve o processo de configuração geral para treinamento de modelos usando JAX ou PyTorch com TPU v5p.

Configuração para JAX

Se você tiver formas de fatia maiores que 4 chips, terá várias VMs em uma fatia. Nesse caso, você precisa usar a flag --worker=all para executar a instalação em todas as VMs de TPU com um único comando:

gcloud compute tpus tpu-vm ssh ${TPU_NAME}  --project ${PROJECT_ID} \
--zone ${ZONE} \
--worker=all \
--command='pip install -U "jax[tpu]" -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 fatia v5p-32). Esse código testa se tudo está instalado corretamente verificando se o JAX encontra 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 a contagem de chips acessíveis por uma única VM nesta fatia.

# 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 de 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 para 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 o PJRT em pods v5p com o 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 de 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 do Cloud TPU para saber mais sobre monitoramento.

Tutoriais de treinamento

Esta seção se concentra em tutoriais de treinamento para uma única fatia. Para adaptar esses tutoriais ao treinamento de várias fatias, adicione a flag --node=all aos comandos SSH. Para detalhes e práticas recomendadas, consulte a Introdução às fatias múltiplas.

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):

Configurar

  1. Configure um bucket de armazenamento para a saída do seu modelo.

    gcloud storage buckets create gs://your_bucket \
 --project=your_project \
 --location=us-east5-a

  2. Crie variáveis de ambiente:

    export GCS_BUCKET_NAME=your-bucket
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=your-qr-name
export QUOTA_TYPE=spot
export VALID_UNTIL_DURATION=1d

    Descrições de sinalizações de comando

    Variável Descrição
    PROJECT_ID Nome do projeto do Google Cloud
    ACCELERATOR_TYPE Consulte a página Versões de TPU para sua versão de TPU.
    ZONA Consulte o documento sobre 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, que é criado quando a solicitação de recurso em fila é alocada.
    QUEUED_RESOURCE_ID O ID de texto atribuído pelo usuário da solicitação de recurso em fila. Consulte o documento Recursos na fila para saber mais sobre recursos na fila.
    QUOTA_TYPE Pode ser reserved ou spot. Se nenhum deles for especificado, o padrão de QUOTA_TYPE será on-demand. Consulte cotas para informações sobre os diferentes tipos de cotas compatíveis com o Cloud TPU.
    VALID_UNTIL_DURATION O período em que a solicitação é válida. Consulte Recursos em fila para informações sobre as diferentes durações válidas.

  3. Crie um recurso de TPU:

    gcloud 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

  4. Treine o modelo

    gcloud compute tpus tpu-vm ssh $TPU_NAME --zone=$ZONE --project $PROJECT_ID --worker=all --command="
git clone https://github.com/google/maxdiffusion
cd maxdiffusion
git reset --hard 57629bcf4fa32fe5a57096b60b09f41f2fa5c35d # This identifies the GitHub commit to use.
pip3 install jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html # Install the latest version of JAX
pip3 install -r requirements.txt
pip3 install .
export LIBTPU_INIT_ARGS=""
python -m src.maxdiffusion.models.train src/maxdiffusion/configs/base_2_base.yml run_name=my_run base_output_directory=gs://$GCS_BUCKET_NAME enable_profiler=False"

Limpar

Exclua sua TPU e solicitação de recurso na fila ao final da sessão ou para remover solicitações de recursos na fila que estão na categoria "FAILED". estado. 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

19.10

MaxText

Neste tutorial, mostramos como treinar o modelo MaxText usando um conjunto de dados sintético no Cloud TPU.

O MaxText é um LLM de alto desempenho, escalonável de forma arbitrária, de código aberto e bem testado, escrito em Python/JAX puro para Cloud TPUs. O MaxText oferece aos pesquisadores e desenvolvedores uma ferramenta acessível e adaptável para avançar as fronteiras da pesquisa e do desenvolvimento de Processamento de Linguagem Natural (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 a TPU.
    ACCELERATOR_TYPE Consulte a página Versões de TPU para sua versão de TPU.
    ZONA Consulte o documento sobre 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 da 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, essa etapa pode melhorar significativamente o desempenho, especialmente ao aumentar o número de frações na rede de data center (DCN). A criação de uma rede requer a permissão compute.networks.create no projeto. Os exemplos a seguir mostram como criar uma rede dedicada e uma regra de firewall.

    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

Para executar o script de treinamento várias vezes em um Cloud TPU provisionado, 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 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 VMs da TPU usando SSH assim que o QueuedResource estiver no estado ACTIVE:

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

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

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

     state: ACTIVE

  3. Conectar-se ao 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 vários scripts de configuração, como 32b.sh e 64b.sh. Se você estiver executando o script em uma VM de TPU, adicione 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 do modelo

(MFU)

32 bi

v5p-128

3,28E+02

71,47%

64B

v5p-128

3,23E+02

70,31%

128B

v5p-256

3,15E+02

68,68%

128B

v5p-512

3,15E+02

68,53%

256B

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%

1160B

v5p-7680

2,95E+02

64,27%

1160B

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 do 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 um TPU v5p-8 usando um conjunto de dados falso. 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-32
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 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 ao 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 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. Definir 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 atributos gerais e escaláveis 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 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 à VM da TPU usando SSH assim que o QueuedResource estiver no estado ACTIVE:

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

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

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

     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 do HuggingFace e instale os requisitos.

    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 com várias fatias, defina a flag --spmd_dcn_parallelism como o número de fatias.

O SPMD_USER_GUIDE fornece um guia do usuário mais detalhado que explica todas as diferentes variáveis e alternâncias de ambiente do script de HF. O LIBTPU_INIT_ARGS será incorporado ao PyTorch/XLA e ativado por padrão em versões futuras.

Limpar

Exclua a TPU e os recursos na fila.

Resultados da comparação

A capacidade de processamento de todos os três tamanhos de modelo Llama 2 está incluída na tabela abaixo.

v5p-8

v5p-128

v5p-128

Tamanho do modelo

7 bi

13B

70 bi

Tamanho global do lote

96

1024

128

Como fragmentar o formato da malha

(4, 1)

(64 e 1)

(16, 4)

Utilização de flops de modelo

(MFU)

56,67%

55,80%

51,85%

Suporte e feedback

Queremos saber sua opinião. Para compartilhar feedback ou solicitar suporte, preencha o formulário de suporte ou feedback da Cloud TPU.