Criar perfil de cargas de trabalho PyTorch XLA

A criação de perfil é uma maneira de analisar e melhorar o desempenho dos modelos. Embora há muito mais a ser feito. Às vezes, pode ser útil pensar na criação de perfil como operações e partes do código que são executadas em dispositivos (TPUs) e hosts (CPUs). Este guia fornece uma visão geral rápida de como criar o perfil do código para treinamento ou inferência. Para mais informações sobre como analisar os perfis gerados, consulte nos guias a seguir.

• Depuração de desempenho do PyTorch XLA em VMs de TPU – parte 1
• Depuração de desempenho do PyTorch XLA em VMs de TPU: parte 2
• Depuração de desempenho do PyTorch XLA em VMs de TPU: parte 3

Começar

Criar uma TPU

1. Exporte as variáveis de ambiente:

   $ export TPU_NAME=your_tpu_name
   $ export ZONE=us-central2-b
   $ export PROJECT_ID=project-id
   $ export ACCELERATOR_TYPE=v4-8
   $ export RUNTIME_VERSION=tpu-vm-v4-pt-2.0
   

   Exportar descrições de variáveis

   TPU name

   O nome que você quer usar para o Cloud TPU.

   zone

   A zona em que você planeja criar a Cloud TPU.

   project ID

   O ID do projeto que você está usando para treinar e criar o perfil do modelo.

   accelerator-type

   O tipo de acelerador especifica a versão e o tamanho do Cloud TPU que você quer criar. Para mais informações sobre os tipos de aceleradores compatíveis com cada versão de TPU, consulte versões de TPU.

   version

   A versão do ambiente de execução do Cloud TPU. Um padrão é mostrado no arquivo mas também é possível usar uma da lista de configurações compatíveis.

2. Iniciar os recursos da TPU

   $ gcloud compute tpus tpu-vm create ${TPU_NAME} \
   --zone us-central2-b \
   --accelerator-type ${ACCELERATOR_TYPE} \
   --version ${RUNTIME_VERSION} \
   --project $PROJECT_ID \
   --subnetwork=tpusubnet
   

3. Mova o código para o diretório principal na VM da TPU usando o Comando gcloud scp. Exemplo:

   $ gcloud compute tpus tpu-vm scp my-code-file ${TPU_NAME}: --zone ${ZONE}
   

Criação de perfil

Observação: um v4-8 inclui quatro dispositivos TPU. Cada worker cria um perfil de apenas um dispositivo TPU dos 4 dispositivos disponíveis. Criar o perfil dos quatro dispositivos TPU para cada worker vai serão compatíveis em breve.

Um perfil pode ser capturado manualmente usando capture_profile.py ou de forma programática, a partir do script de treinamento, APIs do torch_xla.debug.profiler.

Como iniciar o servidor de perfil

Para capturar um perfil, um servidor de perfil deve estar em execução no script de treinamento. Inicie um servidor com um número de porta de sua escolha, por exemplo 9012, como mostrado no comando a seguir.

Observação: você pode consultar exemplo de script incluindo as etapas abaixo.

import torch_xla.debug.profiler as xp
server = xp.start_server(9012)

O servidor pode ser iniciado no início da função main.

Observação: se você estiver usando o Lightning em vez de iniciar um servidor, transmita profiler="xla" para o trainer, e ele vai iniciar automaticamente o servidor na porta 9012.

Agora é possível capturar perfis conforme descrito na próxima seção. O script cria perfis para tudo o que acontece em um único dispositivo TPU.

Como adicionar traces

Se você também quiser para criar o perfil de operações na máquina host, adicione xp.StepTrace ou xp.Trace no código. Essas funções rastreiam o código Python no máquina host. Pense nisso como a medição de quanto tempo leva para executar no host (CPU) antes de passar o "gráfico" ao dispositivo TPU. Portanto, é muito útil para analisar a sobrecarga de rastreamento. Você pode adicionar isso ao loop de treinamento em que o código processa lotes de dados, por exemplo,

for step, batch in enumerate(train_dataloader):
    with xp.StepTrace('Training_step', step_num=step): 
       ...

ou unir partes individuais do código com

 with xp.Trace('loss'): 
    loss = ...

Importante: evite unir xm.mark_step() com xp.Trace. O código vai nesse caso, com uma mensagem de erro semelhante a: "RuntimeError: Expecting scope to be empty but it is train_loop." xp.StepTrace não terão esse problema, já que ele adiciona automaticamente xm.mark_step() ao sair do escopo. Além disso, você pode receber esse erro quando use tochdynamo porque ele pode invocar xm.mark_step internamente. A solução alternativa atual é não usar xp.Trace.

Se estiver usando a iluminação, você pode pular a adição de rastros, já que isso é feito automaticamente. em algumas partes do código. No entanto, se quiser adicionar mais traces, bem-vindos a inseri-los dentro do loop de treinamento.

Você poderá capturar a atividade do dispositivo após a compilação inicial. espera até que o modelo inicie as etapas de treinamento ou inferência.

Captura manual

O script capture_profile.py do repositório Pytorch XLA permite a captura rápida de um perfil. Você pode fazer isso copiando o capturar arquivo de perfil diretamente na VM da TPU. O comando a seguir o copia para o diretório principal.

$ gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--zone us-central2-b \
--worker=all \
--command="wget https://raw.githubusercontent.com/pytorch/xla/master/scripts/capture_profile.py"

Durante o treinamento, execute o seguinte comando para capturar um perfil:

$ gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--zone us-central2-b \
--worker=all \
--command="python3 capture_profile.py --service_addr "localhost:9012" --logdir ~/profiles/ --duration_ms 2000"

Esse comando salva arquivos .xplane.pb no logdir. É possível mudar o diretório de geração de registros ~/profiles/ para o local e o nome de sua preferência. Também é possível salvar diretamente no bucket do Cloud Storage. Para isso, defina logdir como gs://your_bucket_name/.

Captura programática

Em vez de capturar o perfil manualmente ao acionar um script, você pode configure seu script de treinamento para acionar automaticamente um perfil usando o método torch_xla.debug.profiler.trace_detached. no script de treinamento.

Observação: a API trace_detached só está disponível em builds noturnos ou versões posteriores na versão 2.2. Para capturar programaticamente em versões anteriores de torch_xla, pode copiar o corpo do método para criar a linha de execução de captura em segundo plano diretamente.

Por exemplo, para capturar automaticamente um perfil em um período e uma etapa específicos, é possível configurar o script de treinamento para consumir PROFILE_STEP, PROFILE_EPOCH e PROFILE_LOGDIR ambiente variáveis:

import os
import torch_xla.debug.profiler as xp

# Within the training script, read the step and epoch to profile from the
# environment.
profile_step = int(os.environ.get('PROFILE_STEP', -1))
profile_epoch = int(os.environ.get('PROFILE_EPOCH', -1))
...

for epoch in range(num_epoch):
   ...
   for step, data in enumerate(epoch_dataloader):
      if epoch == profile_epoch and step == profile_step:
         profile_logdir = os.environ['PROFILE_LOGDIR']
         # Use trace_detached to capture the profile from a background thread
         xp.trace_detached('localhost:9012', profile_logdir)
      ...

Isso salvará os arquivos .xplane.pb no diretório especificado pelo PROFILE_LOGDIR.

Análise no TensorBoard

Para analisar ainda mais os perfis, use o TensorBoard. com o plug-in do TensorBoard da TPU
na mesma máquina ou em outra (recomendado).

Para executar o TensorBoard em uma máquina remota, conecte-se a ela usando SSH e ative encaminhamento de portas. Por exemplo:

$ ssh -L 6006:localhost:6006 remote server address

ou

$ gcloud compute tpus tpu-vm ssh $TPU_NAME --zone=$ZONE --ssh-flag="-4 -L 6006:localhost:6006"

Na sua máquina remota, instale os pacotes necessários e inicie o TensorBoard supondo que você tenha perfis nessa máquina em ~/profiles/. Se você armazenou os perfis em outro diretório ou bucket do Cloud Storage, especificar caminhos corretamente, por exemplo, gs://your_bucket_name/profiles;

(vm)$ pip install tensorflow-cpu tensorboard-plugin-profile 

(vm)$ tensorboard --logdir ~/profiles/ --port 6006

Observação: é importante ter arquivos .xplane na mesma estrutura aninhada que quando você captura um perfil. Por exemplo: ~/profiles/plugins/profile/2023_04_10_21_40_22/localhost_9012.xplane.pb

Observação: se você receber "plug-ins duplicados" erro, isso pode ser porque há vários pacotes com o TensorBoard. Desinstale todos os pacotes e execute o pip install novamente. Por exemplo, talvez seja necessário executar:

(vm)$ pip uninstall tensorflow tf-nightly tensorboard tb-nightly tbp-nightly

Como executar o TensorBoard

No seu navegador local, acesse: http://localhost:6006/ e escolha PROFILE no menu suspenso para carregar seus perfis.

Consulte Ferramentas de TPU para informações sobre a as ferramentas do TensorBoard e como interpretar a saída.