在 TPU Pod 切片上运行 JAX 代码

在单个 TPU 板上运行 JAX 代码后，您可以通过在 TPU Pod 切片上运行代码来扩容代码。 TPU Pod 切片是通过专用高速网络连接相互连接的多个 TPU 板。本文档介绍了如何在 TPU Pod 切片上运行 JAX 代码；如需了解更深入的信息，请参阅在多主机和多进程环境中使用 JAX。

如果要将装载的 NFS 用于数据存储，您必须为 Pod 切片中的所有 TPU 虚拟机设置 OS Login。如需了解详情，请参阅使用 NFS 存储数据。

创建 TPU Pod 切片

运行本文档中的命令之前，请确保您已按照设置帐号和 Cloud TPU 项目中的说明操作。在本地机器上运行以下命令。

使用 gcloud 命令可以创建 TPU Pod 切片。例如，如需创建 v2-32 Pod 切片，请使用以下命令：

$ gcloud compute tpus tpu-vm create tpu-name \
  --zone europe-west4-a \
  --accelerator-type v2-32 \
  --version tpu-vm-base

在 Pod 切片上安装 JAX

创建 TPU Pod 切片之后，您必须在 TPU Pod 切片中的所有主机上安装 JAX。您可以使用 --worker=all 选项通过一个命令在所有主机上安装 JAX：

$ gcloud compute tpus tpu-vm ssh tpu-name \
  --zone europe-west4-a \
  --worker=all \
  --command="pip install 'jax[tpu]>=0.2.16' -f https://storage.googleapis.com/jax-releases/libtpu_releases.html"

在 Pod 切片上运行 JAX 代码

要在 TPU Pod 切片上运行 JAX 代码，您必须在 TPU Pod 切片中的每个主机上运行代码。在 Pod 切片中的每个主机上调用 jax.device_count() 调用之前，它会停止响应。以下示例说明了如何对 TPU Pod 切片运行简单的 JAX 计算。

准备代码

您需要 gcloud 344.0.0 版或更高版本（对于 scp 命令）。使用 gcloud --version 检查您的 gcloud 版本，并根据需要运行 gcloud components upgrade。

将 example.py 写入本地机器：

# The following code snippet will be run on all TPU hosts
import jax

# The total number of TPU cores in the Pod
device_count = jax.device_count()

# The number of TPU cores attached to this host
local_device_count = jax.local_device_count()

# The psum is performed over all mapped devices across the Pod
xs = jax.numpy.ones(jax.local_device_count())
r = jax.pmap(lambda x: jax.lax.psum(x, 'i'), axis_name='i')(xs)

# Print from a single host to avoid duplicated output
if jax.process_index() == 0:
    print('global device count:', jax.device_count())
    print('local device count:', jax.local_device_count())
    print('pmap result:', r)

将 example.py 复制到 Pod 切片中的所有虚拟机

$ gcloud compute tpus tpu-vm scp example.py tpu-name: \
  --worker=all --zone=europe-west4-a

如果您之前未使用过 scp 命令，则可能会看到类似以下内容的错误：

ERROR: (gcloud.alpha.compute.tpus.tpu-vm.scp) SSH Key is not present in the SSH
agent. Please run `ssh-add /.../.ssh/google_compute_engine` to add it, and try
again.

如需解决该错误，请运行 ssh-add 命令（如错误消息中所示），然后重新运行该命令。

在 Pod 切片上运行代码

在每个虚拟机上启动 example.py 程序：

$ gcloud compute tpus tpu-vm ssh tpu-name \
  --zone europe-west4-a --worker=all --command "python3 example.py"

输出（使用 v2-32 Pod 切片生成）：

global device count: 32
local device count: 8
pmap result: [32. 32. 32. 32. 32. 32. 32. 32.]

清理

完成后，您可以使用 gcloud 命令释放 TPU 虚拟机资源：

$ gcloud compute tpus tpu-vm delete tpu-name \
  --zone europe-west4-a