为维护事件做好准备

TPU 虚拟机是挂接了 TPU 硬件的 Compute Engine 虚拟机实例。Compute Engine 虚拟机受 Compute Engine 虚拟机维护事件影响。每个 TPU 都连接到 Compute Engine 虚拟机，因此使用更多 TPU（例如在 TPU Pod 中）可提高某个虚拟机遇到维护事件的可能性。

本文档介绍了在 Cloud TPU 上处理长时间运行训练作业所需的维护事件方法。如需了解如何在 Google Kubernetes Engine (GKE) 中处理 TPU 的维护事件，请参阅管理 GPU 和 TPU 的 GKE 节点中断。

查看即将进行的维护通知

您可以查看有关即将进行的主机维护事件的通知。通过监控实例的即将到来的维护窗口，您可以主动准备工作负载以处理即将进行的维护，同时将中断降至最低。如需了解详情，请参阅查看维护通知。

使用检查点从维护事件中快速恢复

检查点是维护事件短时间恢复的关键，应经常保存。最好是大约每小时保存一次检查点。检查点通常不足以由于维护事件或其他训练中断而丢失大量训练进度。

检查点通常是指训练中使用的所有已保存的参数（例如模型权重）。保存检查点所需的时间介于数秒到分钟之间。

虽然 TPU 可以自动从大多数维护事件中恢复，但训练作业会继续进行，无需人工干预，但可能存在边缘情况，即作业不会重启并自动继续。发生这种情况时，您需要删除并重新创建 TPU 资源，然后从已保存的检查点重启训练作业。如需了解如何在自动恢复故障中检测和恢复，请参阅检测和恢复 TPU 故障。

每种机器学习框架都有不同的检查点保存和加载机制。受支持的 Cloud TPU 模型通常内置了检查点。如需详细了解检查点，请参阅 TensorFlow 2.x、PyTorch 或 JAX/flax。

使用 Autocheckpoint

您可以使用 Autocheckpoint 功能来保留训练进度，方法是将代码配置为在发生维护事件时保存非预定的检查点。如需详细了解自动检查点，请参阅 Cloud TPU 自动检查点。

重新运行训练脚本

训练脚本可能会因中断事件而停止。您可以使用 bash 脚本不断重试训练脚本，直到训练完成。例如：

while ! gcloud compute tpus tpu-vm ssh ${TPU_NAME} --command "python3 TRAINING_COMMAND"; do sleep 1; done

每次重试都应从最新的检查点继续执行，因此您应始终将重试脚本与检查点结合使用。

生产环境级训练流水线应使用 Google Kubernetes Engine (GKE) 等资源管理系统。如需详细了解如何将 Google Kubernetes Engine 与 TPU 虚拟机搭配使用，请参阅部署 TPU 工作负载。

检测 TPU 故障并从中恢复

如果 TPU 没有从维护事件中恢复，则您可以使用恢复脚本检测 TPU 状态并删除和重新创建 TPU。如需查看恢复脚本示例，请参阅 retry.sh。如果运行训练脚本的进程崩溃，您可以修改恢复脚本以重试运行训练脚本。

如需了解如何手动删除和重新创建 TPU，请参阅管理 TPU 资源。

使用合并时间安排

Cloud TPU 具有集合调度的概念，提供两种集合，客户可以使用这两种集合来支持训练或服务和推理工作负载。当您使用此功能部署 Cloud TPU 实例时， Google Cloud 会应用最适合应用的专属维护时间表。每种合集类型都具有以下行为：

  • 训练（默认）：此收集类型适用于典型的训练工作负载，在这种工作负载中，您需要尽可能缩短所有实例的停机时间，并尽可能减少意外中断，以便在维护事件期间快速恢复服务。训练集合类型可为一组实例并行安排和执行维护事件。

  • 传送（使用 --workload-type=AVAILABILITY_OPTIMIZED 可用）：此收集类型对大多数传送或推理工作负载都很有用，在这些工作负载中，您需要尽可能缩短一小部分实例（副本）的停机时间，以确保服务连续性，即使在维护事件期间也是如此。投放集合类型可为一组实例安排和执行分阶段的维护事件。仅 TPU v6e 支持指定分发集合。

如需详细了解合集时间安排，请参阅合集时间安排。

检测维护事件

您可以使用以下 gcloud compute tpus tpu-vm describe 命令检测 TPU 上是否发生了维护事件以及发生的时间：

$ gcloud compute tpus tpu-vm describe tpu-name --zone=zone  | grep 'health'

此命令的输出会显示 TPU 的当前状态以及最近一次维护事件的说明。输出应类似如下所示：

health: HEALTHY
healthDescription: The TPU had a maintenance event at 2022-01-26T03:44:36.265703305Z

查看维护事件日志

您可以在系统事件审核日志中查看 TPU 上维护事件的历史日志。

  1. 在 Google Cloud 控制台导航菜单中，前往“日志浏览器”页面：

    转到日志浏览器

  2. 使用以下搜索查询可查看已终止或已重启的所有 TPU：

    "tpu.nodes.terminate" OR "tpu.nodes.restart"

    结果会显示搜索时间范围内 TPU 工作器发生的任何中断和维修情况的日志。日志包括：

    • 事件的日期和时间
    • 事件类型
    • 对于“terminate”事件，protoPayload.metadata.terminateReason 字段中的终止原因

后续步骤