Utilizzo delle TPU per l'addestramento del tuo modello

Le TPU (Tensor Processing Unit) sono ASIC sviluppati appositamente da Google per accelerare i carichi di lavoro di machine learning. Puoi eseguire i tuoi job di addestramento su AI Platform Training utilizzando Cloud TPU. AI Platform Training offre un'interfaccia di gestione dei job che ti evita la necessità di gestire autonomamente la TPU. Puoi invece utilizzare l'API AI Platform Training jobs nello stesso modo in cui la usi per l'addestramento su una CPU o una GPU.

Le API TensorFlow di alto livello consentono di eseguire i modelli sull'hardware Cloud TPU.

Configurazione dell'ambiente Google Cloud

Configura il tuo ambiente Google Cloud utilizzando la sezione relativa alla configurazione della guida introduttiva.

Autorizzazione di Cloud TPU ad accedere al progetto

Segui questi passaggi per autorizzare il nome account di servizio Cloud TPU associato al tuo progetto Google Cloud:

  1. Recupera il nome del tuo account di servizio Cloud TPU chiamando projects.getConfig. Esempio:

    PROJECT_ID=PROJECT_ID
    
    curl -H "Authorization: Bearer $(gcloud auth print-access-token)"  \
        https://ml.googleapis.com/v1/projects/$PROJECT_ID:getConfig
    
  2. Salva il valore dei campi serviceAccountProject e tpuServiceAccount restituiti dall'API.

  3. Inizializza l'account di servizio Cloud TPU:

    curl -H "Authorization: Bearer $(gcloud auth print-access-token)"  \
      -H "Content-Type: application/json" -d '{}'  \
      https://serviceusage.googleapis.com/v1beta1/projects/<serviceAccountProject>/services/tpu.googleapis.com:generateServiceIdentity
    

Ora aggiungi l'account di servizio Cloud TPU come membro nel progetto, con il ruolo Agente di servizio Cloud ML. Completa i seguenti passaggi in Google Cloud Console o utilizzando il comando gcloud:

Console

  1. Accedi a Google Cloud Console e scegli il progetto in cui utilizzi la TPU.
  2. Scegli IAM &AMP; Amministratore > IAM.
  3. Fai clic sul pulsante Aggiungi per aggiungere un membro al progetto.
  4. Inserisci l'account di servizio TPU nella casella di testo Membri.
  5. Fai clic sull'elenco a discesa Ruoli.
  6. Attiva il ruolo Agente di servizio Cloud ML (Agenti di servizio > agente di servizio Cloud ML).

gcloud

  1. Imposta le variabili di ambiente contenenti l'ID progetto e l'account di servizio Cloud TPU:

    PROJECT_ID=PROJECT_ID
    SVC_ACCOUNT=your-tpu-sa-123@your-tpu-sa.google.com.iam.gserviceaccount.com
    
  2. Concedi il ruolo ml.serviceAgent all'account di servizio Cloud TPU:

    gcloud projects add-iam-policy-binding $PROJECT_ID \
        --member serviceAccount:$SVC_ACCOUNT --role roles/ml.serviceAgent
    

Per maggiori dettagli sulla concessione dei ruoli agli account di servizio, consulta la documentazione IAM.

Esempio: addestramento di un modello MNIST di esempio

Questa sezione mostra come addestrare un modello MNIST di esempio utilizzando una TPU e una versione del runtime 2.11. Il job di esempio utilizza il livello di scalabilità BASIC_TPU predefinito per la configurazione della tua macchina. Le sezioni successive della guida mostrano come impostare una configurazione personalizzata.

Questo esempio presuppone l'utilizzo di una shell Bash con l'interfaccia alla gcloud CLI installata. Esegui i comandi seguenti per ottenere il codice e inviare il tuo job di addestramento ad AI Platform Training:

  1. Scarica il codice per i modelli di riferimento di TensorFlow e vai alla directory con il codice campione:

    git clone https://github.com/tensorflow/models.git \
      --branch=v2.11.0 \
      --depth=1
    
    cd models
    
  2. Crea un file setup.py nella directory models. Ciò garantisce che il comando gcloud ai-platform jobs submit training includa tutti i sottopacchetti necessari all'interno della directory models/official quando crea un tarball del codice di addestramento e che AI Platform Training installi i set di dati TensorFlow come dipendenza quando esegue il job di addestramento. Questo codice di addestramento si basa sui set di dati TensorFlow per caricare i dati MNIST.

    Per creare il file setup.py, esegui questo comando nella shell:

    cat << END > setup.py
    from setuptools import find_packages
    from setuptools import setup
    
    setup(
        name='official',
        install_requires=[
           'tensorflow-datasets~=3.1',
           'tensorflow-model-optimization>=0.4.1'
       ],
        packages=find_packages()
    )
    END
    
  3. Invia il job di addestramento utilizzando il comando gcloud ai-platform jobs submit training:

    gcloud ai-platform jobs submit training tpu_mnist_1 \
      --staging-bucket=gs://BUCKET_NAME \
      --package-path=official \
      --module-name=official.vision.image_classification.mnist_main \
      --runtime-version=2.11 \
      --python-version=3.7 \
      --scale-tier=BASIC_TPU \
      --region=us-central1 \
      -- \
      --distribution_strategy=tpu \
      --data_dir=gs://tfds-data/datasets \
      --model_dir=gs://BUCKET_NAME/tpu_mnist_1_output
    

    Sostituisci BUCKET_NAME con il nome di un bucket Cloud Storage nel tuo progetto Google Cloud. L'interfaccia a riga di comando gcloud carica il codice di addestramento in pacchetto in questo bucket, mentre AI Platform Training salva l'output dell'addestramento nel bucket.

  4. Monitorare il job di addestramento. Una volta completato il job, puoi visualizzarne l'output nella directory gs://BUCKET_NAME/tpu_mnist_1_output.

Scopri di più sull'addestramento di un modello su Cloud TPU

Questa sezione fornisce ulteriori informazioni sulla configurazione di un job e sull'addestramento di un modello su AI Platform Training con Cloud TPU.

Specifica di una regione che offre TPU

Devi eseguire il job in un'area geografica in cui sono disponibili le TPU. Al momento le seguenti regioni forniscono l'accesso alle TPU:

  • us-central1
  • europe-west4

Per comprendere appieno le regioni disponibili per i servizi di AI Platform Training, tra cui l'addestramento di modelli e la previsione online/batch, leggi la guida alle regioni.

Controllo delle versioni di TensorFlow e AI Platform Training

Versioni runtime di AI Platform Training 1.15, 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9 e 2.11 sono disponibili per l'addestramento dei tuoi modelli su Cloud TPU. Scopri di più sulle versioni di runtime di AI Platform Training e sulle versioni di TensorFlow corrispondenti.

Il criterio di controllo delle versioni è lo stesso di Cloud TPU. Nella richiesta del job di addestramento, assicurati di specificare una versione di runtime disponibile per le TPU che corrisponda alla versione di TensorFlow utilizzata nel codice di addestramento.

Connessione al server gRPC TPU

Nel programma TensorFlow, utilizza TPUClusterResolver per connetterti al server gRPC TPU in esecuzione sulla VM TPU.

La guida all'utilizzo delle TPU di TensorFlow mostra come utilizzare TPUClusterResolver con la strategia di distribuzione TPUStrategy.

Tuttavia, devi apportare una modifica importante quando utilizzi TPUClusterResolver per il codice eseguito su AI Platform Training: non fornire argomenti quando crei l'istanza TPUClusterResolver. Quando gli argomenti delle parole chiave tpu, zone e project sono tutti impostati sul valore predefinito di None, AI Platform Training fornisce automaticamente al resolver del cluster i dettagli di connessione necessari tramite le variabili di ambiente.

Il seguente esempio di TensorFlow 2 mostra come inizializzare un resolver cluster e una strategia di distribuzione per l'addestramento su AI Platform Training:

import tensorflow as tf

resolver = tf.distribute.cluster_resolver.TPUClusterResolver()
tf.config.experimental_connect_to_cluster(resolver)
tf.tpu.experimental.initialize_tpu_system(resolver)
strategy = tf.distribute.experimental.TPUStrategy(resolver)

Utilizzo delle TPU nel codice TensorFlow

Per utilizzare le TPU su una macchina, utilizza l'API TPUStrategy di TensorFlow 2. La guida all'utilizzo delle TPU di TensorFlow mostra come fare.

Per l'addestramento con le TPU in TensorFlow 1, puoi utilizzare invece l'API TPUEstimator. La guida Cloud TPU per l'API TPUEstimator mostra come eseguire questa operazione.

La documentazione di Cloud TPU fornisce inoltre un elenco delle operazioni di basso livello di TensorFlow disponibili su Cloud TPU.

Utilizzo di TPU nel codice PyTorch

Per avvalerti di una TPU quando usi un contenitore PyTorch predefinito, usa il pacchetto torch_xla. Scopri come utilizzare torch_xla per TPU nell'addestramento nella documentazione di PyTorch. Per altri esempi di utilizzo di torch_xla, consulta i tutorial nel repository GitHub XLA di PyTorch XLA

Tieni presente che quando esegui l'addestramento utilizzando una TPU su AI Platform Training, utilizzi un singolo dispositivo XLA, non più dispositivi XLA.

Vedi anche la sezione seguente in questa pagina sulla configurazione del job di addestramento per PyTorch e TPU.

Configurazione di una macchina TPU personalizzata

Un job di addestramento TPU viene eseguito su una configurazione a due VM. Una VM (il master) esegue il codice Python. Il master guida il server TensorFlow in esecuzione su un worker TPU.

Per utilizzare una TPU con AI Platform Training, configura il job di addestramento per accedere a una macchina abilitata per TPU in uno dei tre modi seguenti:

  • Usa il livello di scalabilità BASIC_TPU. Puoi utilizzare questo metodo per accedere agli acceleratori TPU v2.
  • Utilizza un worker cloud_tpu e un tipo di macchina legacy per la VM master. Puoi utilizzare questo metodo per accedere agli acceleratori TPU v2.
  • Utilizza un worker cloud_tpu e un tipo di macchina Compute Engine per la VM master. Puoi utilizzare questo metodo per accedere agli acceleratori TPU v2 o TPU v3. Gli acceleratori TPU v3 sono disponibili in versione beta.

Macchina compatibile con TPU di base

Imposta il livello di scalabilità su BASIC_TPU per ottenere una VM master e una VM TPU che includa una TPU con otto core TPU v2, come hai fatto durante l'esempio precedente.

Worker TPU in una configurazione di tipo di macchina legacy

In alternativa, puoi impostare una configurazione della macchina personalizzata se hai bisogno di più risorse di calcolo sulla VM master:

  • Imposta il livello di scalabilità su CUSTOM.
  • Configura la VM master in modo che utilizzi un tipo di macchina legacy adatto ai requisiti del tuo job.
  • Imposta workerType su cloud_tpu per ottenere una VM TPU che includa una Cloud TPU con otto core TPU v2.
  • Imposta workerCount su 1.
  • Non specificare un server dei parametri quando utilizzi una Cloud TPU. Il servizio rifiuta la richiesta del job se parameterServerCount è maggiore di zero.

L'esempio seguente mostra un file config.yaml che utilizza questo tipo di configurazione:

trainingInput:
  scaleTier: CUSTOM
  masterType: complex_model_m
  workerType: cloud_tpu
  workerCount: 1

Worker TPU in una configurazione di tipo di macchina di Compute Engine

Puoi anche configurare una configurazione di macchina personalizzata con un tipo di macchina Compute Engine per la VM master e una acceleratorConfig collegata alla VM TPU.

Puoi utilizzare questo tipo di configurazione per configurare un worker TPU con otto core TPU v2 (simile a una configurazione senza acceleratorConfig) o un worker TPU con otto core TPU v3 (beta). Scopri di più sulla differenza tra gli acceleratori TPU v2 e TPU v3.

L'utilizzo di un tipo di macchina Compute Engine offre inoltre maggiore flessibilità per la configurazione della VM master:

  • Imposta il livello di scalabilità su CUSTOM.
  • Configura la VM master in modo che utilizzi un tipo di macchina Compute Engine adatto ai requisiti del tuo job.
  • Imposta workerType su cloud_tpu.
  • Aggiungi un elemento workerConfig con un campo acceleratorConfig. All'interno di acceleratorConfig, imposta type su TPU_V2 o TPU_V3 e count su 8. Non puoi collegare un altro numero di core TPU.
  • Imposta workerCount su 1.
  • Non specificare un server dei parametri quando utilizzi una Cloud TPU. Il servizio rifiuta la richiesta del job se parameterServerCount è maggiore di zero.

L'esempio seguente mostra un file config.yaml che utilizza questo tipo di configurazione:

TPU v2

trainingInput:
  scaleTier: CUSTOM
  masterType: n1-highcpu-16
  workerType: cloud_tpu
  workerCount: 1
  workerConfig:
    acceleratorConfig:
      type: TPU_V2
      count: 8

TPU v3 (beta)

trainingInput:
  scaleTier: CUSTOM
  masterType: n1-highcpu-16
  workerType: cloud_tpu
  workerCount: 1
  workerConfig:
    acceleratorConfig:
      type: TPU_V3
      count: 8

Utilizzo dei pod TPU

Un pod di TPU è una raccolta di dispositivi TPU connessi da interfacce di rete dedicate ad alta velocità. Un pod di TPU può avere fino a 2048 core TPU, consentendo di distribuire il carico di elaborazione su più TPU.

Per utilizzare i pod TPU, devi prima inviare una richiesta di aumento delle quote.

Il seguente file config.yaml di esempio mostra come utilizzare i pod TPU:

Pod TPU v2

trainingInput:
  scaleTier: CUSTOM
  masterType: n1-highcpu-16
  workerType: cloud_tpu
  workerCount: 1
  workerConfig:
    acceleratorConfig:
      type: TPU_V2_POD
      count: 128

Pod TPU v3

trainingInput:
  scaleTier: CUSTOM
  masterType: n1-highcpu-16
  workerType: cloud_tpu
  workerCount: 1
  workerConfig:
    acceleratorConfig:
      type: TPU_V3_POD
      count: 32

Esistono limitazioni al numero di core dei pod che possono essere utilizzati per ogni tipo di TPU. Configurazioni disponibili:

Tipo di pod TPU Numero di core dei pod disponibili per l'uso
TPU_V2_POD 32, 128, 256, 512
TPU_V3_POD 32, 128, 256

Per ulteriori dettagli su come utilizzare al meglio i core dei pod di TPU, consulta la documentazione di Cloud TPU sui pod di TPU.

Utilizzo di un container PyTorch predefinito su un worker TPU

Se vuoi eseguire l'addestramento PyTorch con una TPU, devi specificare il campo tpuTfVersion nel campo trainingInput del job di addestramento. Imposta tpuTfVersion in modo che corrisponda alla versione del contenitore PyTorch predefinito che stai utilizzando per l'addestramento.

AI Platform Training supporta l'addestramento con TPU per i seguenti container PyTorch predefiniti:

URI immagine container tpuTfVersion
gcr.io/cloud-ml-public/training/pytorch-xla.1-11 pytorch-1.11
gcr.io/cloud-ml-public/training/pytorch-xla.1-10 pytorch-1.10
gcr.io/cloud-ml-public/training/pytorch-xla.1-9 pytorch-1.9
gcr.io/cloud-ml-public/training/pytorch-xla.1-7 pytorch-1.7
gcr.io/cloud-ml-public/training/pytorch-xla.1-6 pytorch-1.6

Ad esempio, per l'addestramento con il container predefinito PyTorch 1.11, puoi utilizzare il seguente file config.yaml per configurare l'addestramento:

trainingInput:
  scaleTier: CUSTOM
  masterType: n1-highcpu-16
  masterConfig:
    imageUri: gcr.io/cloud-ml-public/training/pytorch-xla.1-11
  workerType: cloud_tpu
  workerCount: 1
  workerConfig:
    imageUri: gcr.io/cloud-ml-public/training/pytorch-xla.1-11
    tpuTfVersion: pytorch-1.11
    acceleratorConfig:
      type: TPU_V2
      count: 8

Vedi anche la sezione precedente di questa pagina sull'utilizzo di TPU nel codice PyTorch.

Utilizzo di un container personalizzato su un worker TPU

Se vuoi eseguire un container personalizzato sul worker TPU anziché utilizzare una delle versioni del runtime di AI Platform Training che supportano le TPU, devi specificare un campo di configurazione aggiuntivo quando invii il job di addestramento. Imposta tpuTfVersion su una versione di runtime che includa la versione di TensorFlow utilizzata dal container. Devi specificare una versione di runtime attualmente supportata per l'addestramento con TPU.

Poiché stai configurando il job in modo che utilizzi un container personalizzato, AI Platform Training non utilizza l'ambiente di questa versione di runtime quando esegue il job di addestramento. Tuttavia, AI Platform Training richiede questo campo in modo che possa preparare correttamente il worker TPU per la versione di TensorFlow utilizzata dal container personalizzato.

L'esempio seguente mostra un file config.yaml con una configurazione TPU simile a quella della sezione precedente, tranne in questo caso, ma in questo caso la VM master e il worker TPU eseguono ciascuno container personalizzati diversi:

TPU v2

trainingInput:
  scaleTier: CUSTOM
  masterType: n1-highcpu-16
  masterConfig:
    imageUri: gcr.io/YOUR_PROJECT_ID/your-master-image-name:your-master-tag-name
  workerType: cloud_tpu
  workerCount: 1
  workerConfig:
    imageUri: gcr.io/YOUR_PROJECT_ID/your-worker-image-name:your-worker-tag-name
    tpuTfVersion: 2.11
    acceleratorConfig:
      type: TPU_V2
      count: 8

TPU v3 (beta)

trainingInput:
  scaleTier: CUSTOM
  masterType: n1-highcpu-16
  masterConfig:
    imageUri: gcr.io/YOUR_PROJECT_ID/your-master-image-name:your-master-tag-name
  workerType: cloud_tpu
  workerCount: 1
  workerConfig:
    imageUri: gcr.io/YOUR_PROJECT_ID/your-worker-image-name:your-worker-tag-name
    tpuTfVersion: 2.11
    acceleratorConfig:
      type: TPU_V3
      count: 8

Se utilizzi il comando gcloud beta ai-platform jobs submit training per inviare il job di addestramento, puoi specificare il campo API tpuTfVersion con il flag --tpu-tf-version anziché in un file config.yaml.

Utilizzo di TPUClusterResolver dopo il provisioning della TPU

Quando utilizzi un container personalizzato, devi attendere il provisioning della TPU prima di poter chiamare TPUClusterResolver per utilizzarla. Il seguente codice campione mostra come gestire la logica TPUClusterResolver:

def wait_for_tpu_cluster_resolver_ready():
  """Waits for `TPUClusterResolver` to be ready and return it.

  Returns:
    A TPUClusterResolver if there is TPU machine (in TPU_CONFIG). Otherwise,
    return None.
  Raises:
    RuntimeError: if failed to schedule TPU.
  """
  tpu_config_env = os.environ.get('TPU_CONFIG')
  if not tpu_config_env:
    tf.logging.info('Missing TPU_CONFIG, use CPU/GPU for training.')
    return None

  tpu_node = json.loads(tpu_config_env)
  tf.logging.info('Waiting for TPU to be ready: \n%s.', tpu_node)

  num_retries = 40
  for i in range(num_retries):
    try:
      tpu_cluster_resolver = (
          tf.contrib.cluster_resolver.TPUClusterResolver(
              tpu=[tpu_node['tpu_node_name']],
              zone=tpu_node['zone'],
              project=tpu_node['project'],
              job_name='worker'))
      tpu_cluster_resolver_dict = tpu_cluster_resolver.cluster_spec().as_dict()
      if 'worker' in tpu_cluster_resolver_dict:
        tf.logging.info('Found TPU worker: %s', tpu_cluster_resolver_dict)
        return tpu_cluster_resolver
    except Exception as e:
      if i < num_retries - 1:
        tf.logging.info('Still waiting for provisioning of TPU VM instance.')
      else:
        # Preserves the traceback.
        raise RuntimeError('Failed to schedule TPU: {}'.format(e))
    time.sleep(10)

  # Raise error when failed to get TPUClusterResolver after retry.
  raise RuntimeError('Failed to schedule TPU.')

Scopri di più sull'addestramento distribuito con container personalizzati.

Passaggi successivi