Punto de control automático de Cloud TPU [Versión preliminar pública]

Descripción general

Históricamente, cuando una VM de TPU requiere mantenimiento, el procedimiento se inicia de inmediato, sin dejar tiempo para que los usuarios realicen acciones que preserven el progreso, como guardar un punto de control. Este es se muestra en la Figura 1(a).

autocheckpoint

Figura 1. Ilustración de la función Autocheckpoint: (a) Sin Autocheckpoint, se pierde el progreso del entrenamiento del último punto de control cuando hay un evento de mantenimiento próximo. (b) Con el punto de control automático, el progreso del entrenamiento desde el último punto de control se puede conservar cuando hay un evento de mantenimiento próximo.

Puedes usar el punto de control automático (Figura 1(b)) para conservar el progreso del entrenamiento que configura tu código para guardar un punto de control no programado cuando de que ocurra este evento. Cuando ocurre un evento de mantenimiento, el progreso desde el último punto de control se guarda automáticamente. La función funciona en porciones únicas y en Multislice.

La función Punto de control automático es compatible con frameworks que pueden capturar usar SIGTERM y, posteriormente, guardar un punto de control. Los frameworks compatibles incluyen MaxText, Pax y JAX con Orbax. Se anunciará la compatibilidad con frameworks adicionales a medida que estén disponibles.

Solo las TPU (v2-v4 y v5e) creadas a través de la API de Cloud TPU pueden usan esta función por ahora. La asistencia para TPU en GKE será anunciar cuando estén disponibles.

Cómo usar Autocheckpoint

La función de punto de control automático está inhabilitada de forma predeterminada. Cuando creas una TPU o un recurso en cola, puedes habilitarlo agregando la marca --autocheckpoint-enabled cuando aprovisiones la TPU. Con la función habilitada, Cloud TPU realiza los siguientes pasos una vez que recibe la notificación de un evento de mantenimiento:

  1. Captura SIGTERM enviado al proceso con el dispositivo TPU.
  2. Espera hasta que se cierre el proceso o transcurran 5 minutos, lo que ocurra primero, y realiza el mantenimiento de las porciones afectadas.

Ten en cuenta que la infraestructura que usa Autocheckpoint no depende del framework de AA. Cualquier framework de AA admite el punto de control automático, siempre que pueda capturar la señal SIGTERM e iniciar un proceso de punto de control.

En el código de la aplicación, debes habilitar las funciones de punto de control automático que proporciona el framework de AA. En Pax, por ejemplo, Esto significa habilitar las marcas de línea de comandos cuando se inicie el (consulta la Guía de inicio rápido del punto de control automático con Pax). En segundo plano, los frameworks ahorran una punto de control no programado cuando se recibe un SIGTERM y la VM de la TPU afectada pasa por un mantenimiento cuando la TPU deja de estar en uso.

Guía de inicio rápido: Punto de control automático con MaxText

MaxText es una campaña de generación LLM arbitrariamente escalable, de código abierto y bien probado escrito en Python/JAX puro orientadas a las Cloud TPU”. MaxText contiene toda la configuración necesaria para usar la función Autocheckpoint.

El archivo README de MaxText describe dos maneras de ejecutar MaxText a gran escala:

Cuando se usa multihost_runner.py, el único cambio necesario es configurar la marca autocheckpoint-enabled cuando aprovisiones el recurso en cola. Cuando uses multihost_job.py, el único cambio necesario es especificar el Marca de línea de comandos ENABLE_AUTOCHECKPOINT=true cuando inicias el trabajo.

Guía de inicio rápido: Punto de control automático con Pax en una sola porción

En esta sección, proporcionamos un ejemplo de cómo configurar y usar el punto de control automático con Pax en una sola porción. Con la configuración adecuada:

  • Se guardará un punto de control cuando ocurra un evento de mantenimiento.
  • Cloud TPU realizará el mantenimiento de las VMs de TPU afectadas después de que se guarde el punto de control.
  • Cuando Cloud TPU completa el mantenimiento, puedes usar la VM de TPU como de costumbre.
  1. Usa la marca autocheckpoint-enabled cuando crees la VM de TPU o el recurso en fila.

    Por ejemplo:

    PROJECT=your-gcp-project-name
    ZONE=zone-you-want-to-use
    NODE_ID=your-node-id
    ACCELERATOR_TYPE=your-accelerator-type
    gcloud config set project $PROJECT
    gcloud config set compute/zone $ZONE
    gcloud alpha compute tpus tpu-vm create $NODE_ID \
    --accelerator-type $ACCELERATOR_TYPE \
    --version tpu-ubuntu2204-base \
    --autocheckpoint-enabled
  2. Instala Pax en una sola porción

    La función de punto de control automático es compatible con las versiones de Pax posteriores a la 1.1.0. En las VMs de TPU, instala jax[tpu] y la última versión de paxml:

    pip install paxml && pip install jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html
  3. Inicia el entrenamiento con la configuración adecuada

    En el siguiente ejemplo, se muestra cómo configurar LmCloudSpmd2B para guardar los puntos de control activados por el punto de control automático en un bucket de Google Cloud Storage:

    JOB_LOG_DIR=gs://your-storage-bucket
    
    { python3 .local/lib/python3.10/site-packages/paxml/main.py
    --jax_fully_async_checkpoint=1 \
    --exit_after_ondemand_checkpoint=1 \
    --exp=tasks.lm.params.lm_cloud.LmCloudSpmd2B \
    --job_log_dir=$JOB_LOG_DIR; } 2>&1 | tee pax_logs.txt

    Ten en cuenta las dos marcas que se pasan al comando:

    • jax_fully_async_checkpoint: Con esta marca activada, se usará orbax.checkpoint.AsyncCheckpointer. La clase AsyncCheckpointer guarda automáticamente un punto de control cuando la secuencia de comandos de entrenamiento recibe un indicador SIGTERM.
    • exit_after_ondemand_checkpoint: Con esta marca activada, el proceso de TPU finaliza después de El punto de control automático se guardó correctamente, lo que activa el el mantenimiento se realice de inmediato. Si no la usas, marca, el entrenamiento continuará después de que se guarde el punto de control y Cloud TPU esperará a que se agote el tiempo de espera (5 minutos) antes de realizar el mantenimiento requerido.

Guía de inicio rápido: Punto de control automático con Pax en Multislice

El punto de control automático funciona no solo para una sola porción, sino también para Multislice. En esta sección, se detallan los pasos necesarios para usar Autocheckpoint con Multislice.

  1. Especifica el punto de control automático durante la creación de recursos en cola.

    Un entorno de Multislice solo se puede aprovisionar a través de una solicitud de recurso en fila. Al igual que en el caso de una sola porción, usa la marca autocheckpoint-enabled en la llamada para crear un recurso en fila.

    QR_ID=your-qr-id
    NODE_COUNT=your-node-count
    ACCELERATOR_TYPE=your-accelerator-type
    
    gcloud compute tpus queued-resources create $QR_ID \
    --node-count $NODE_COUNT \
    --accelerator-type $ACCELERATOR_TYPE \
    --runtime-version tpu-ubuntu2204-base \
    --autocheckpoint-enabled

    Consulta la Guía del usuario de Multislice para obtener detalles sobre todas las opciones disponibles. Una vez que se cree la solicitud de recurso en fila y esté en el estado ACTIVE, sigue los siguientes pasos para ejecutar Pax con Autocheckpoint.

  2. Instala Pax en todas las VMs del entorno de Multislice.

    En las VMs de TPU, instala jax[tpu] y la última paxml en todas las VMs de TPU en tu entorno de Multislice:

    pip install paxml && pip install jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html
  3. Inicia el entrenamiento con la configuración adecuada

    En este ejemplo, se muestra cómo configurar el modelo LmCloudSpmd2B para el punto de control automático cuando se entrena en un entorno de Multislice. Antes ejecutando la secuencia de comandos de entrenamiento, establezca DCN_MESH_SHAPE en [2, 1, 1], como se muestra en el siguiente código:

    @experiment_registry.register
    class LmCloudSpmd2B(LmCloudSpmd):
    
    """SPMD model with 2B params.
    
    Global batch size = 2 * 2 * 1 * 32 = 128
    """
    PERCORE_BATCH_SIZE = 8
    
    NUM_LAYERS = 18
    MODEL_DIMS = 3072
    HIDDEN_DIMS = MODEL_DIMS * 4
    
    CHECKPOINT_POLICY = layers.AutodiffCheckpointType.SAVE_NOTHING
    ICI_MESH_SHAPE = [1, 4, 1]
    DCN_MESH_SHAPE = [2, 1, 1]

    Cuando inicies el entrenamiento, además de las marcas de línea de comandos analizadas en el caso de una sola porción, se requieren tres más:

    • num_hosts: Es la cantidad total de hosts. En este caso, es 2.
    • host_index: Es el índice del host que inicia el entrenamiento. Varía de 0 a N-1, en el que N es la cantidad total de hosts.
    • server_addr: Es la dirección IP del trabajador 0 del nodo 0, con un valor no utilizado. (por ejemplo, 8476). Para encontrar esta información, usa hostname -i. en el trabajador 0 del nodo 0.

Punto de control automático con Orbax

La función Punto de control automático no se limita a MaxText ni Pax. Cualquier framework que pueda capturar la señal SIGTERM e iniciar un proceso de creación de puntos de control funciona con la infraestructura que proporciona Autocheckpoint. Orbax, un espacio de nombres que proporciona bibliotecas de utilidades comunes para usuarios de JAX, proporciona estas capacidades.

Como se explica en la documentación de Orbax, estas funciones están habilitadas de forma predeterminada para los usuarios de orbax.checkpoint.CheckpointManager. El método save a la que se llama después de cada paso verifica automáticamente si se debe evento es inminente. De ser así, guarda un punto de control incluso si el número de paso no es múltiplo de save_interval_steps. La documentación de GitHub también ilustra cómo realizar la salida del entrenamiento después de guardar un Punto de control automático, con una modificación en el código de usuario.