Exécuter du code PyTorch sur des tranches de pods Cloud TPU
Avant d'exécuter les commandes de ce document, assurez-vous d'avoir suivi les instructions de la section Configurer un compte et un projet Cloud TPU.
Une fois que votre code PyTorch s'exécute sur une seule VM TPU, vous pouvez augmenter la capacité en l'exécutant sur une tranche de pod TPU. Les tranches de pod TPU sont des cartes de TPU interconnectées sur des connexions réseau haut débit dédiées. Ce document est une introduction à l'exécution de code PyTorch sur des tranches de pods TPU.
Créer une tranche de pod Cloud TPU
Définissez des variables d'environnement pour faciliter l'utilisation des commandes.
export PROJECT_ID=your-project export ACCELERATOR_TYPE=v5p-32 export ZONE=europe-west4-b export RUNTIME_VERSION=v2-alpha-tpuv5 export TPU_NAME=your-tpu-name
Descriptions des variables d'environnement
PROJECT_ID- L'ID de votre Google Cloud projet.
ACCELERATOR_TYPE- Le type d'accélérateur spécifie la version et la taille du Cloud TPU que vous souhaitez créer. Pour en savoir plus sur les types d'accélérateurs compatibles avec chaque version de TPU, consultez la section Versions de TPU.
ZONE- Zone dans laquelle vous prévoyez de créer votre Cloud TPU.
RUNTIME_VERSION- Version du logiciel Cloud TPU.
TPU_NAME- Nom attribué par l'utilisateur à votre Cloud TPU.
Créez votre VM TPU en exécutant la commande suivante:
$ gcloud compute tpus tpu-vm create $TPU_NAME \ --zone=$ZONE \ --project=$PROJECT_ID \ --accelerator-type=$ACCELERATOR_TYPE \ --version=$RUNTIME_VERSION
Installer PyTorch/XLA sur votre tranche de pod
Après avoir créé la tranche de pod TPU, vous devez installer PyTorch sur tous les hôtes de la tranche de pod TPU. Pour ce faire, utilisez la commande gcloud compute tpus tpu-vm ssh avec les paramètres --worker=all et --commamnd.
Installer PyTorch/XLA sur tous les nœuds de travail de VM TPU
gcloud compute tpus tpu-vm ssh ${TPU_NAME} \ --zone=${ZONE} \ --project=${PROJECT_ID} \ --worker=all \ --command="pip install torch~=2.5.0 torch_xla[tpu]~=2.5.0 torchvision -f https://storage.googleapis.com/libtpu-releases/index.html"
Cloner XLA sur tous les nœuds de travail de VM TPU
gcloud compute tpus tpu-vm ssh ${TPU_NAME} \ --zone=${ZONE} \ --project=${PROJECT_ID} \ --worker=all --command="git clone https://github.com/pytorch/xla.git"
Exécuter un script d'entraînement sur votre tranche de pod TPU
Exécutez le script d'entraînement sur tous les nœuds. Le script d'entraînement utilise une stratégie de partitionnement SPMD (Single Program Multiple Data). Pour en savoir plus sur SPMD, consultez le guide de l'utilisateur de SPMD PyTorch/XLA.
gcloud compute tpus tpu-vm ssh ${TPU_NAME} \ --zone=${ZONE} \ --project=${PROJECT_ID} \ --worker=all \ --command="PJRT_DEVICE=TPU python3 ~/xla/test/spmd/test_train_spmd_imagenet.py \ --fake_data \ --model=resnet50 \ --num_epochs=1 2>&1 | tee ~/logs.txt"
L'entraînement dure environ cinq minutes. Une fois l'opération terminée, un message semblable au suivant doit s'afficher:
Epoch 1 test end 23:49:15, Accuracy=100.00
10.164.0.11 [0] Max Accuracy: 100.00%
Effectuer un nettoyage
Lorsque vous avez fini d'utiliser votre VM TPU, procédez comme suit pour nettoyer vos ressources.
Déconnectez-vous de l'instance Compute Engine, si vous ne l'avez pas déjà fait :
(vm)$ exit
Votre invite devrait maintenant être
username@projectname, indiquant que vous êtes dans Cloud Shell.Supprimez vos ressources Cloud TPU et Compute Engine.
$ gcloud compute tpus tpu-vm delete \ --zone=${ZONE}
Vérifiez que les ressources ont été supprimées en exécutant la commande
gcloud compute tpus execution-groups list. La suppression peut prendre plusieurs minutes. Le résultat de la commande suivante ne doit inclure aucune des ressources créées dans ce tutoriel:$ gcloud compute tpus tpu-vm list --zone=${ZONE}