Cloud TPU 自动检查点 [公开预览版]
概览
过去,当 TPU 虚拟机需要维护时,该过程会立即启动,而不给用户留出时间来执行可保持进度的操作(例如保存检查点)。如图 1(a) 所示。
图 1.自动检查点功能图示: (a) 如果没有自动检查点,当即将发生维护事件时,从上一个检查点开始的训练进度会丢失。(b) 借助自动检查点,当即将发生维护事件时,可以保留自上次检查点以来的训练进度。
您可以使用自动检查点(图 1(b))来保留训练进度,方法是将代码配置为在发生维护事件时保存非计划检查点。发生维护事件时,系统会自动保存自上一个检查点以来的进度。该功能同时适用于单个切片和多切片。
自动检查点功能可与可捕获 SIGTERM 并随后保存检查点的框架配合使用。支持的框架包括 MaxText、Pax 和采用 Orbax 的 JavaX。对其他框架的支持将在推出时公布。
目前,只有通过 Cloud TPU API 创建的 TPU(v2-v4 和 v5e)可以使用此功能。我们将在 GKE 中宣布对 TPU 的支持。
使用自动检查点
自动检查点功能默认处于停用状态。创建 TPU 或加入队列的资源时,您可以在预配 TPU 时添加 --autocheckpoint-enabled
标志来启用它。启用此功能后,Cloud TPU 会在收到维护事件的通知后执行以下步骤:
- 使用 TPU 设备捕获发送到进程的 SIGTERM,
- 等待进程退出或已经过 5 分钟(以先发生者为准),并对受影响的切片执行维护。
请注意,Autocheckpoint 使用的基础架构独立于机器学习框架。任何机器学习框架都可以支持 Autocheckpoint,前提是它可以捕获 SIGTERM 信号并启动检查点流程。
在应用代码中,您需要启用机器学习框架提供的 Autocheckpoint 功能。例如,在 Pax 中,这意味着在启动训练时启用命令行标志(请参阅 Pax 的自动检查点快速入门)。在后台,框架会在收到 SIGTERM 后保存非计划检查点,并且在 TPU 不再使用时,受影响的 TPU 虚拟机进行维护。
快速入门:使用 MaxText 实现自动检查点
MaxText 是一种“经过良好测试的高性能、可任意伸缩的开源 LLM,以纯 Python/JAX 为目标平台、针对 Cloud TPU 编写的 LLM”。MaxText 包含使用自动检查点功能所需的所有设置。
MaxText 自述文件介绍了大规模运行 MaxText 的两种方法:
- 使用
multihost_runner.py
(建议用于实验) - 使用
multihost_job.job
(建议用于生产环境)
使用 multihost_runner.py
时,唯一需要进行的更改是在预配排队的资源时设置 autocheckpoint-enabled
标志。使用 multihost_job.py
时,唯一需要进行的更改是在启动作业时指定 ENABLE_AUTOCHECKPOINT=true
命令行 flag。
快速入门:在单个 Slice 上使用 Pax 实现自动检查点
在本部分中,我们将举例说明如何在单个 Slice 上设置和使用带有 Pax 的 Autocheckpoint。通过适当的设置:
- 发生维护事件时,系统会保存一个检查点。
- 保存检查点后,Cloud TPU 将在受影响的 TPU 虚拟机上执行维护。
- 在 Cloud TPU 完成维护后,您可以照常使用 TPU 虚拟机。
创建 TPU 虚拟机或已加入队列的资源时,请使用
autocheckpoint-enabled
标志。例如:
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 $ACCELERATOR_TYPE \ --version tpu-ubuntu2204-base \ --autocheckpoint-enabled
在单个切片上安装 Pax
自动检查点功能适用于 Pax 1.1.0 及更高版本。在 TPU 虚拟机上,安装
jax[tpu]
和最新的paxml
:pip install paxml && pip install jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html
使用适当的配置启动训练
以下示例展示了如何配置
LmCloudSpmd2B
模型以将自动检查点触发的检查点保存到 Google Cloud Storage 存储桶:JOB_LOG_DIR=gs://your-storage-bucket { python3 .local/lib/python3.10/site-packages/paxml/main.py --jax_fully_async_checkpoint=1 \ --exit_after_ondemand_checkpoint=1 \ --exp=tasks.lm.params.lm_cloud.LmCloudSpmd2B \ --job_log_dir=$JOB_LOG_DIR; } 2>&1 | tee pax_logs.txt
请注意传递给此命令的两个标志:
jax_fully_async_checkpoint
:启用此标志后,将使用orbax.checkpoint.AsyncCheckpointer
。 当训练脚本收到 SIGTERM 信号时,AsyncCheckpointer
类会自动保存检查点。exit_after_ondemand_checkpoint
:启用此标志后,TPU 进程会在自动检查点保存成功后退出,这会触发立即执行维护。如果您不使用此标志,训练将在检查点保存后继续,Cloud TPU 将在执行必要的维护之前等待超时(5 分钟)。
快速入门:在多切片中使用 Pax 实现自动检查点
自动检查点不仅适用于单个切片,也适用于多切片。本部分详细介绍了结合使用自动检查点与多切片所需的步骤。
在创建排队的资源期间指定自动检查点。
多切片环境只能通过已加入队列的资源请求进行预配。与单切片的情况类似,在调用中使用
autocheckpoint-enabled
标志来创建加入队列的资源。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
如需详细了解所有可用选项,请参阅多切片用户指南。创建排队的资源请求并使其处于
ACTIVE
状态后,请按照后续步骤运行带有 Autocheckpoint 的 Pax。在多切片环境中的所有虚拟机上安装 Pax。
在 TPU 虚拟机上,在多切片环境中的所有 TPU 虚拟机上安装
jax[tpu]
和最新的paxml
:pip install paxml && pip install jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html
使用适当的配置启动训练
以下示例展示了如何在多切片环境中训练时为 Autocheckpoint 配置模型
LmCloudSpmd2B
。在运行训练脚本之前,请将 DCN_MESH_SHAPE 设置为 [2, 1, 1],如以下代码所示:@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]
启动训练时,除了单切片案例中讨论的命令行标志之外,还需要三个标志:
num_hosts
:主机的总数。在本示例中,它是 2。host_index
:启动训练的主机的索引。范围在 0 到N-1
之间,其中N
是主机的总数。server_addr
:节点 0 的工作器 0 的 IP 地址,具有未使用的端口(例如 8476)。如需查找此信息,请在节点 0 的工作器 0 上使用hostname -i
。
使用 Orbax 的自动检查点
自动检查点功能不限于 MaxText 或 Pax。任何能够捕获 SIGTERM 信号并启动检查点流程的框架都适用于 Autocheckpoint 提供的基础架构。Orbax 是一个为 JAX 用户提供通用实用程序库的命名空间,可提供这些功能。
如 Orbax 文档中所述,默认情况下,系统会为 orbax.checkpoint.CheckpointManager
的用户启用这些功能。在每个步骤后调用的 save
方法会自动检查维护事件是否即将发生,如果是,则保存检查点,即使步骤序号不是 save_interval_steps
的倍数。GitHub 文档还说明了如何在保存自动检查点后通过修改用户代码退出训练。