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. Esto se muestra en la Figura 1(a).

Figura 1: Ilustración de la función Punto de control automático: (a) Sin el punto de control automático, el progreso del entrenamiento desde el último punto de control se pierde cuando hay un próximo evento de mantenimiento. (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 preservar el progreso del entrenamiento si configuras el código de modo que guarde un punto de control no programado cuando ocurra un evento de mantenimiento. Cuando ocurre un evento de mantenimiento, el progreso desde el último punto de control se guarda de forma automática. Esta función funciona tanto en slices individuales como en Multislice.

La función Punto de control automático funciona con frameworks que pueden capturar SIGTERM y, luego, 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.

Por el momento, solo las TPU (v2-v4 y v5e) creadas a través de la API de Cloud TPU pueden usar esta función. Se anunciará la compatibilidad con las TPU en GKE cuando esté disponible.

Usa el punto de control automático

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 aprovisionas la TPU. Con la función habilitada, Cloud TPU realiza los siguientes pasos una vez que recibe la notificación de un evento de mantenimiento:

1. Capturar el SIGTERM enviado al proceso con el dispositivo de TPU
2. Espera hasta que finalice el proceso o hayan transcurrido 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 del AA. Cualquier framework de AA puede admitir 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 capacidades del punto de control automático que proporciona el framework del AA. En Pax, por ejemplo, esto significa habilitar las marcas de línea de comandos cuando se inicia el entrenamiento (consulta la Guía de inicio rápido del punto de control automático con Pax). En segundo plano, los frameworks guardan un punto de control no programado cuando se recibe un SIGTERM y la VM de TPU afectada pasa por un mantenimiento cuando la TPU ya no está en uso.

Guía de inicio rápido: Punto de control automático con MaxText

MaxText es un “LLM de alto rendimiento, escalable de forma arbitraria, de código abierto y probado, escrito en Python/JAX puro orientado a Cloud TPU”. MaxText contiene toda la configuración necesaria para usar la función de punto de control automático.

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

• Se recomienda usar multihost_runner.py para la experimentación
• Usando multihost_job.job (recomendado para producción)

Si usas multihost_runner.py, el único cambio necesario es configurar la marca autocheckpoint-enabled cuando se aprovisiona el recurso en cola. Si usas multihost_job.py, el único cambio necesario es especificar la marca de línea de comandos ENABLE_AUTOCHECKPOINT=true cuando inicias el trabajo.

Guía de inicio rápido: Punto de control automático con Pax en porciones únicas

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 en las VM 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 cola.

   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
   

   Nota: La versión de Pax que admite el punto de control automático requiere la versión del entorno de ejecución tpu-ubuntu2204-base que viene con Python 3.10.

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 VM de TPU, instala jax[tpu] y la última 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 el modelo 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 una señal SIGTERM.
   • exit_after_ondemand_checkpoint: Con esta marca activada, el proceso de la TPU se cierra después de que el punto de control automático se guarda de manera correcta, lo que activa el mantenimiento que se realizará de inmediato. Si no usas esta marca, el entrenamiento continuará después de guardar 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 porciones individuales, sino también para Multislice. En esta sección, se detallan los pasos necesarios para usar el punto de control automático con Multislice.

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

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

   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 crea la solicitud de recurso en cola y tiene el estado ACTIVE, sigue los siguientes pasos para ejecutar Pax con el punto de control automático.

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

   En las VM de TPU, instala jax[tpu] y la última paxml en todas las VM 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 de ejecutar la secuencia de comandos de entrenamiento, configura 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 se inicia el entrenamiento, además de las marcas de línea de comandos que se analizan 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 puerto sin usar (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 punto 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 capacidades están habilitadas de forma predeterminada para los usuarios de orbax.checkpoint.CheckpointManager. El método save al que se llama después de cada paso verifica de forma automática si un evento de mantenimiento es inminente y, 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 salir del entrenamiento después de guardar un punto de control automático, con una modificación en el código de usuario.