Utilizzo delle TPU per l'addestramento del tuo modello

Le TPU (Tensor Processing Unit) sono circuiti integrati per applicazioni specifiche (ASIC) sviluppati da Google e utilizzati 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 fornisce un'interfaccia di gestione dei job che ti evita di dover gestire la TPU autonomamente. In alternativa, puoi utilizzare l'API AI Platform Training jobs nella nello stesso modo in cui lo usi per l'addestramento su una CPU o una GPU.

Le API TensorFlow di alto livello ti aiutano a eseguire i tuoi modelli sull'hardware Cloud TPU.

Configurazione dell'ambiente Google Cloud

Configura il tuo ambiente Google Cloud seguendo la sezione di configurazione della guida introduttiva.

Autorizzazione di Cloud TPU ad accedere al progetto

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

  1. Ottieni 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 del progetto, con il ruolo Agente di servizio Cloud ML. Completa i seguenti passaggi nella console Google Cloud o utilizzando il comando gcloud:

Console

  1. Accedi alla console Google Cloud e scegli il progetto in cui utilizzi la TPU.
  2. Scegli IAM e 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. Abilita 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 al servizio Cloud TPU :

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

Per ulteriori dettagli sulla concessione dei ruoli agli account di servizio, consulta le documentazione IAM.

Esempio: addestramento di un modello MNIST di esempio

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

Questo esempio presuppone che tu stia utilizzando una shell Bash con l'interfaccia a riga di comando gcloud installata. Esegui questi comandi per ottenere il codice e inviare l'addestramento su AI Platform Training:

  1. Scarica il codice per i modelli di riferimento di TensorFlow e vai alla sezione 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. Questo garantisce che Comando gcloud ai-platform jobs submit training include tutti i sottopacchetti necessari all'interno della directory models/official quando crea un tarball del codice di addestramento e garantisce che AI Platform Training installa TensorFlow Set di dati come dipendenza quando viene eseguito 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 il seguente 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 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 file il codice di addestramento in questo bucket e AI Platform Training salva nel bucket.

  4. Monitora il job di addestramento. Una volta che il job ha completato, puoi visualizzarne l'output 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 una regione che offre TPU

Devi eseguire il job in una regione in cui sono disponibili le TPU. Al momento, le seguenti regioni forniscono accesso alle TPU:

  • us-central1
  • europe-west4

Per comprendere appieno le regioni disponibili per i servizi AI Platform Training, tra cui l'addestramento dei modelli e le previsioni online/collettive, consulta la guida alle regioni.

Controllo delle versioni di TensorFlow e AI Platform Training

Per l'addestramento dei modelli su Cloud TPU sono disponibili le versioni di 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. 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 Cloud TPU. Nella richiesta del job di addestramento, assicurati di specificare una versione runtime disponibile per le TPU e 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 di TensorFlow all'utilizzo delle TPU 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 alcun argomento quando costruisci l'istanza TPUClusterResolver. Quando tpu, zone e project argomenti parola chiave 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 risolutore di 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, usa il comando API TPUStrategy. La La guida di TensorFlow all'utilizzo delle TPU mostra come fare.

Per l'addestramento con le TPU in TensorFlow 1, puoi utilizzare l'API TPUEstimator. La Guida di Cloud TPU per la versione TPUEstimator API mostra come fare.

La documentazione di Cloud TPU fornisce anche un elenco di Operazioni di TensorFlow disponibili su Cloud TPU.

Utilizzo di TPU nel codice PyTorch

Per utilizzare una TPU quando usi una architettura PyTorch predefinita containerizzato, utilizza pacchetto torch_xla. Scopri come utilizzare torch_xla per TPU nell'addestramento nel documentazione di PyTorch. Per altri esempi sull'utilizzo di torch_xla, guarda i tutorial nel GitHub PyTorch XLA repository

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

Consulta anche la sezione seguente di 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 con due VM. Una VM (la 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 in modo che acceda a una macchina abilitata per le TPU in uno dei tre modi seguenti:

  • Utilizza il livello della bilancia BASIC_TPU. Puoi utilizzare questo metodo per accedere a TPU v2 acceleratori.
  • Utilizza un worker cloud_tpu e un tipo di macchina legacy per la VM master. Puoi utilizza 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 abilitata per TPU di base

Imposta il livello di scalabilità su BASIC_TPU per ottenere una VM master e una VM TPU di cui una TPU con otto core TPU v2, come facevi durante l'esperienza precedente esempio.

Worker TPU in una configurazione di un tipo di macchina legacy

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

  • Imposta il livello di scalabilità su CUSTOM.
  • Configura la VM master per l'utilizzo di una macchina legacy di testo adatto al tuo lavoro i tuoi requisiti.
  • Imposta workerType su cloud_tpu per ottenere una VM TPU che include una Cloud TPU con otto core TPU v2.
  • Imposta workerCount su 1.
  • Non specificare un server di parametri quando utilizzi una Cloud TPU. La servizio rifiuta la richiesta di 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 Compute Engine

Puoi anche impostare una configurazione di macchina personalizzata Macchina Compute Engine tipo per l'istanza principale VM e una acceleratorConfig collegata VM TPU.

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

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

  • Imposta il livello di scalabilità su CUSTOM.
  • Configura la VM master per l'utilizzo di una macchina Compute Engine tipo adeguato i requisiti del tuo job.
  • Imposta workerType su cloud_tpu.
  • Aggiungi un 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 di parametri quando utilizzi una Cloud TPU. La servizio rifiuta la richiesta di 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 una piattaforma di archiviazione interfacce di rete. Un pod di TPU può avere fino a 2048 core TPU, consentendoti per distribuire il carico di elaborazione su più TPU.

Per utilizzare i pod TPU, devi prima inviare una richiesta di aumento della quota.

Il seguente esempio di file config.yaml 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 pod che possono essere utilizzati per ogni TPU di testo. Configurazioni disponibili:

Tipo di pod TPU Numero di core del pod disponibili
TPU_V2_POD 32, 128, 256, 512
TPU_V3_POD 32, 128, 256

Per maggiori dettagli su come sfruttare appieno i core dei pod di TPU, consulta Documentazione di Cloud TPU sui pod 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 contenuto predefinito di PyTorch che utilizzi per l'addestramento.

AI Platform Training supporta l'addestramento con TPU per le seguenti Container PyTorch:

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 utilizzando 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

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

Utilizzo di un container personalizzato su un worker TPU

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

Poiché stai configurando il job per l'utilizzo di 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 per poter preparare correttamente il worker TPU per la versione di TensorFlow utilizzata dal tuo contenitore personalizzato.

L'esempio seguente mostra un file config.yaml con una configurazione TPU simile a quella della sezione precedente, tranne per il fatto che in questo caso la VM principale e il worker TPU eseguono ciascuno contenitori 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 gcloud beta ai-platform jobs submit training per inviare il job di addestramento, puoi specificare l'API tpuTfVersion campo con il flag --tpu-tf-version anziché in un file config.yaml.

Utilizzo di TPUClusterResolver dopo il provisioning della TPU

Quando utilizzi un contenitore personalizzato, devi attendere il provisioning della TPU prima di poter chiamare TPUClusterResolver per utilizzarla. Le seguenti 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 containerizzati.

Passaggi successivi