Faire évoluer les charges de travail de ML à l'aide de Ray
Introduction
L'outil Cloud TPU Ray combine l'API Cloud TPU et les tâches Ray dans le but d'améliorer l'expérience de développement des utilisateurs sur Cloud TPU. Ce guide de l'utilisateur fournit un exemple minimal d'utilisation de Ray avec les Cloud TPU. Ces exemples ne sont pas destinés à être utilisés dans des services de production et sont fournis à titre d'illustration uniquement.
Que contient cet outil ?
Pour plus de commodité, l'outil vous offre les avantages suivants:
- Abstractions génériques qui masquent le code récurrent pour les actions TPU courantes
- Exemples de jouets que vous pouvez dupliquer pour vos propres workflows de base
à savoir :
tpu_api.py: wrapper Python pour les opérations TPU de base à l'aide de l'API Cloud TPU.tpu_controller.py: représentation de la classe TPU. Il s'agit essentiellement d'un wrapper pourtpu_api.py.ray_tpu_controller.py: contrôleur TPU avec fonctionnalité Ray. Cela élimine le code récurrent pour le cluster Ray et les tâches Ray.run_basic_jax.py: exemple de base qui montre comment utiliserRayTpuControllerpourprint(jax.device_count()).run_hp_search.py: exemple de base montrant comment utiliser Ray Tun avec JAX/Flax sur MNIST.run_pax_autoresume.py: exemple d'utilisation deRayTpuControllerpour l'entraînement tolérant aux pannes en utilisant PAX comme exemple de charge de travail.
Configurer le nœud principal du cluster Ray
L'une des méthodes de base pour utiliser Ray avec un pod TPU consiste à configurer le pod TPU en tant que cluster Ray. Pour ce faire, il est naturel de créer une VM CPU distincte en tant que VM coordinatrice. Le graphique suivant présente un exemple de configuration de cluster Ray:
Les commandes suivantes montrent comment configurer un cluster Ray à l'aide de Google Cloud CLI:
$ gcloud compute instances create my_tpu_admin --machine-type=n1-standard-4 ... $ gcloud compute ssh my_tpu_admin $ (vm) pip3 install ray[default] $ (vm) ray start --head --port=6379 --num-cpus=0 ... # (Ray returns the IP address of the HEAD node, for example, RAY_HEAD_IP) $ (vm) gcloud compute tpus tpu-vm create $TPU_NAME ... --metadata startup-script="pip3 install ray && ray start --address=$RAY_HEAD_IP --resources='{\"tpu_host\": 1}'"
Pour vous aider, nous mettons également à votre disposition des scripts de base pour créer une VM de coordinateur et déployer son contenu sur celle-ci. Pour le code source, consultez create_cpu.sh et deploy_to_admin.sh.
Ces scripts définissent des valeurs par défaut:
create_cpu.shcrée une VM nommée$USER-adminet utilise les projets et les zones définis sur vos valeurs par défautgcloud config. Exécutezgcloud config listpour voir ces valeurs par défaut.- Par défaut,
create_cpu.shalloue une taille de disque de démarrage de 200 Go. deploy_to_admin.shsuppose que le nom de votre VM est$USER-admin. Si vous modifiez cette valeur danscreate_cpu.sh, veillez à le faire dansdeploy_to_admin.sh.
Pour utiliser les scripts de commodité:
Clonez le dépôt GitHub sur votre ordinateur local et saisissez le dossier
ray_tpu:$ git clone https://github.com/tensorflow/tpu.git $ cd tpu/tools/ray_tpu/
Si vous ne disposez pas d'un compte de service dédié à l'administration du TPU (fortement recommandé), configurez-en un:
$ ./create_tpu_service_account.shCréez une VM de coordinateur:
$ ./create_cpu.shCe script installe des dépendances sur la VM à l'aide d'un script de démarrage et se bloque automatiquement jusqu'à la fin de son script de démarrage.
Déployez le code local sur la VM de coordination:
$ ./deploy_to_admin.shConnectez-vous en SSH à la VM:
$ gcloud compute ssh $USER-admin -- -L8265:localhost:8265Le transfert de port est activé ici, car Ray démarre automatiquement un tableau de bord sur le port 8265. À partir de la machine que vous utilisez en SSH pour votre VM Coordinate, vous pouvez accéder à ce tableau de bord à l'adresse http://127.0.0.1:8265/.
Si vous avez ignoré l'étape 0, configurez vos identifiants gcloud dans la VM CPU:
$ (vm) gcloud auth login --update-adcCette étape définit les informations d'ID du projet et permet à l'API Cloud TPU de s'exécuter sur la VM du coordinateur.
Configuration requise:
$ (vm) pip3 install -r src/requirements.txtDémarrez Ray sur la VM coordinatrice. Celle-ci devient le nœud principal du cluster Ray:
$ (vm) ray start --head --port=6379 --num-cpus=0
Exemples d'utilisation
Exemple de base de la JAX
run_basic_jax.py est un exemple minimal qui montre comment utiliser les tâches Ray et l'environnement d'exécution Ray sur un cluster Ray avec des VM TPU afin d'exécuter une charge de travail JAX.
Pour les frameworks de ML compatibles avec les Cloud TPU qui utilisent un modèle de programmation multicontrôleur, tels que JAX et PyTorch/XLA PJRT, vous devez exécuter au moins un processus par hôte. Pour en savoir plus, consultez Modèle de programmation multiprocessus. En pratique, cela peut se présenter comme suit:
$ gcloud compute tpus tpu-vm scp my_bug_free_python_code my_tpu:~/ --worker=all $ gcloud compute tpus tpu-vm ssh my_tpu --worker=all --command="python3 ~/my_bug_free_python_code/main.py"
Si vous avez plus de 16 hôtes, tels que v4-128, vous rencontrerez des problèmes d'évolutivité SSH et votre commande devra peut-être être remplacée par:
$ gcloud compute tpus tpu-vm scp my_bug_free_python_code my_tpu:~/ --worker=all --batch-size=8 $ gcloud compute tpus tpu-vm ssh my_tpu --worker=all --command="python3 ~/my_bug_free_python_code/main.py &" --batch-size=8
Cela peut nuire à la vitesse de développement si my_bug_free_python_code contient des bugs. Pour résoudre ce problème, vous pouvez utiliser un outil d'orchestration tel que Kubernetes ou Ray. Ray inclut le concept d'environnement d'exécution qui, lorsqu'il est appliqué, déploie le code et les dépendances lorsque l'application Ray est exécutée.
En associant l'environnement d'exécution Ray au cluster Ray et aux tâches Ray, vous pouvez contourner le cycle SCP/SSH. En supposant que vous ayez suivi les exemples ci-dessus, vous pouvez l'exécuter avec la commande suivante:
$ python3 src/run_basic_jax.py
Le résultat ressemble à ce qui suit :
2023-03-01 22:12:10,065 INFO worker.py:1364 -- Connecting to existing Ray cluster at address: 10.130.0.19:6379...
2023-03-01 22:12:10,072 INFO worker.py:1544 -- Connected to Ray cluster. View the dashboard at http://127.0.0.1:8265
W0301 22:12:11.148555 140341931026240 ray_tpu_controller.py:143] TPU is not found, create tpu...
Creating TPU: $USER-ray-test
Request: {'accelerator_config': {'topology': '2x2x2', 'type': 'V4'}, 'runtimeVersion': 'tpu-vm-v4-base', 'networkConfig': {'enableExternalIps': True}, 'metadata': {'startup-script': '#! /bin/bash\necho "hello world"\nmkdir -p /dev/shm\nsudo mount -t tmpfs -o size=100g tmpfs /dev/shm\n pip3 install ray[default]\nray start --resources=\'{"tpu_host": 1}\' --address=10.130.0.19:6379'}}
Create TPU operation still running...
...
Create TPU operation complete.
I0301 22:13:17.795493 140341931026240 ray_tpu_controller.py:121] Detected 0 TPU hosts in cluster, expecting 2 hosts in total
I0301 22:13:17.795823 140341931026240 ray_tpu_controller.py:160] Waiting for 30s for TPU hosts to join cluster...
…
I0301 22:15:17.986352 140341931026240 ray_tpu_controller.py:121] Detected 2 TPU hosts in cluster, expecting 2 hosts in total
I0301 22:15:17.986503 140341931026240 ray_tpu_controller.py:90] Ray already started on each host.
2023-03-01 22:15:18,010 INFO dashboard_sdk.py:315 -- Uploading package gcs://_ray_pkg_3599972ae38ce933.zip.
2023-03-01 22:15:18,010 INFO packaging.py:503 -- Creating a file package for local directory '/home/$USER/src'.
2023-03-01 22:15:18,080 INFO dashboard_sdk.py:362 -- Package gcs://_ray_pkg_3599972ae38ce933.zip already exists, skipping upload.
I0301 22:15:18.455581 140341931026240 ray_tpu_controller.py:169] Queued 2 jobs.
...
I0301 22:15:48.523541 140341931026240 ray_tpu_controller.py:254] [ADMIN]: raysubmit_WRUtVB7nMaRTgK39: Status is SUCCEEDED
I0301 22:15:48.561111 140341931026240 ray_tpu_controller.py:256] [raysubmit_WRUtVB7nMaRTgK39]: E0301 22:15:36.294834089 21286 credentials_generic.cc:35] Could not get HOME environment variable.
8
I0301 22:15:58.575289 140341931026240 ray_tpu_controller.py:254] [ADMIN]: raysubmit_yPCPXHiFgaCK2rBY: Status is SUCCEEDED
I0301 22:15:58.584667 140341931026240 ray_tpu_controller.py:256] [raysubmit_yPCPXHiFgaCK2rBY]: E0301 22:15:35.720800499 8561 credentials_generic.cc:35] Could not get HOME environment variable.
8
Entraînement tolérant aux pannes
Cet exemple montre comment utiliser RayTpuController pour mettre en œuvre un entraînement tolérant aux pannes. Pour cet exemple, nous préparons un LLM simple sur PAX sur une version 4-16, mais vous pouvez remplacer cette charge de travail PAX par toute autre charge de travail de longue durée. Pour obtenir du code source, consultez la section run_pax_autoresume.py.
Pour exécuter cet exemple:
Clonez
paxmlsur la VM de votre coordinateur:$ git clone https://github.com/google/paxml.gitPour illustrer la facilité d'utilisation de l'environnement d'exécution Ray, qui permet de créer et de déployer des modifications JAX, cet exemple nécessite de modifier PAX.
Ajoutez une configuration de test:
$ cat <<EOT >> paxml/paxml/tasks/lm/params/lm_cloud.py @experiment_registry.register class TestModel(LmCloudSpmd2BLimitSteps): ICI_MESH_SHAPE = [1, 4, 2] CHECKPOINT_POLICY = layers.AutodiffCheckpointType.SAVE_CONTEXT_AND_OUT_PROJ def task(self) -> tasks_lib.SingleTask.HParams: task_p = super().task() task_p.train.num_train_steps = 1000 task_p.train.save_interval_steps = 100 return task_p EOTExécutez
run_pax_autoresume.py:$ python3 src/run_pax_autoresume.py --model_dir=gs://your/gcs/bucketPendant l'exécution de la charge de travail, testez ce qui se passe lorsque vous supprimez votre TPU, nommé par défaut
$USER-tpu-ray:$ gcloud compute tpus tpu-vm delete -q $USER-tpu-ray --zone=us-central2-bRay détecte que le TPU est arrêté et affiche le message suivant:
I0303 05:12:47.384248 140280737294144 checkpointer.py:64] Saving item to gs://$USER-us-central2/pax/v4-16-autoresume-test/checkpoints/checkpoint_00000200/metadata. W0303 05:15:17.707648 140051311609600 ray_tpu_controller.py:127] TPU is not found, create tpu... 2023-03-03 05:15:30,774 WARNING worker.py:1866 -- The node with node id: 9426f44574cce4866be798cfed308f2d3e21ba69487d422872cdd6e3 and address: 10.130.0.113 and node name: 10.130.0.113 has been marked dead because the detector has missed too many heartbeats from it. This can happen when a (1) raylet crashes unexpectedly (OOM, preempted node, etc.) (2) raylet has lagging heartbeats due to slow network or busy workload. 2023-03-03 05:15:33,243 WARNING worker.py:1866 -- The node with node id: 214f5e4656d1ef48f99148ddde46448253fe18672534467ee94b02ba and address: 10.130.0.114 and node name: 10.130.0.114 has been marked dead because the detector has missed too many heartbeats from it. This can happen when a (1) raylet crashes unexpectedly (OOM, preempted node, etc.) (2) raylet has lagging heartbeats due to slow network or busy workload.La tâche recrée automatiquement la VM TPU et redémarre la tâche d'entraînement pour qu'elle puisse reprendre l'entraînement à partir du dernier point de contrôle (200 étapes dans cet exemple):
I0303 05:22:43.141277 140226398705472 train.py:1149] Training loop starting... I0303 05:22:43.141381 140226398705472 summary_utils.py:267] Opening SummaryWriter `gs://$USER-us-central2/pax/v4-16-autoresume-test/summaries/train`... I0303 05:22:43.353654 140226398705472 summary_utils.py:267] Opening SummaryWriter `gs://$USER-us-central2/pax/v4-16-autoresume-test/summaries/eval_train`... I0303 05:22:44.008952 140226398705472 py_utils.py:350] Starting sync_global_devices Start training loop from step: 200 across 8 devices globally
Recherche d'hyperparamètres
Cet exemple montre comment utiliser Ray Tun de Ray AIR dans le réglage des hyperparamètres MNIST de JAX/FLAX. Pour obtenir du code source, consultez la section run_hp_search.py.
Pour exécuter cet exemple:
Installez la configuration requise:
$ pip3 install -r src/requirements-hp.txtExécutez
run_hp_search.py:$ python3 src/run_hp_search.pyLe résultat ressemble à ce qui suit :
Number of trials: 3/3 (3 TERMINATED) +-----------------------------+------------+-------------------+-----------------+------------+--------+--------+------------------+ | Trial name | status | loc | learning_rate | momentum | acc | iter | total time (s) | |-----------------------------+------------+-------------------+-----------------+------------+--------+--------+------------------| | hp_search_mnist_8cbbb_00000 | TERMINATED | 10.130.0.84:21340 | 1.15258e-09 | 0.897988 | 0.0982 | 3 | 82.4525 | | hp_search_mnist_8cbbb_00001 | TERMINATED | 10.130.0.84:21340 | 0.000219523 | 0.825463 | 0.1009 | 3 | 73.1168 | | hp_search_mnist_8cbbb_00002 | TERMINATED | 10.130.0.84:21340 | 1.08035e-08 | 0.660416 | 0.098 | 3 | 71.6813 | +-----------------------------+------------+-------------------+-----------------+------------+--------+--------+------------------+ 2023-03-02 21:50:47,378 INFO tune.py:798 -- Total run time: 318.07 seconds (318.01 seconds for the tuning loop). ...
Dépannage
Impossible de connecter le nœud principal Ray
Si vous exécutez une charge de travail qui crée/supprime le cycle de vie du TPU, les hôtes TPU ne sont parfois pas déconnectés du cluster Ray. Cela peut se traduire par des erreurs gRPC indiquant que le nœud principal Ray ne parvient pas à se connecter à un ensemble d'adresses IP.
Par conséquent, vous devrez peut-être arrêter votre session de rayon (ray stop) et la redémarrer (ray start --head --port=6379 --num-cpus=0).
La tâche Ray échoue directement, sans sortie de journal
PAX est un outil expérimental qui peut être interrompu en raison de dépendances de pip. Dans ce cas, le résultat devrait ressembler à ceci:
I0303 20:50:36.084963 140306486654720 ray_tpu_controller.py:174] Queued 2 jobs.
I0303 20:50:36.136786 140306486654720 ray_tpu_controller.py:238] Requested to clean up 1 stale jobs from previous failures.
I0303 20:50:36.148653 140306486654720 ray_tpu_controller.py:253] Job status: Counter({<JobStatus.FAILED: 'FAILED'>: 2})
I0303 20:51:38.582798 140306486654720 ray_tpu_controller.py:126] Detected 2 TPU hosts in cluster, expecting 2 hosts in total
W0303 20:51:38.589029 140306486654720 ray_tpu_controller.py:196] Detected job raysubmit_8j85YLdHH9pPrmuz FAILED.
2023-03-03 20:51:38,641 INFO dashboard_sdk.py:362 -- Package gcs://_ray_pkg_ae3cacd575e24531.zip already exists, skipping upload.
2023-03-03 20:51:38,706 INFO dashboard_sdk.py:362 -- Package gcs://_ray_pkg_ae3cacd575e24531.zip already exists, skipping upload.
Pour connaître la cause première de l'erreur, vous pouvez accéder à http://127.0.0.1:8265/ et afficher le tableau de bord des tâches en cours/en échec qui fournit plus d'informations. runtime_env_agent.log affiche toutes les informations d'erreur liées à la configuration de runtime_env, par exemple:
60 INFO: pip is looking at multiple versions ofto determine which version is compatible with other requirements. This could take a while. 61 INFO: pip is looking at multiple versions of orbax to determine which version is compatible with other requirements. This could take a while. 62 ERROR: Cannot install paxml because these package versions have conflicting dependencies. 63 64 The conflict is caused by: 65 praxis 0.3.0 depends on t5x 66 praxis 0.2.1 depends on t5x 67 praxis 0.2.0 depends on t5x 68 praxis 0.1 depends on t5x 69 70 To fix this you could try to: 71 1. loosen the range of package versions you've specified 72 2. remove package versions to allow pip attempt to solve the dependency conflict 73 74 ERROR: ResolutionImpossible: for help visit https://pip.pypa.io/en/latest/topics/dependency-resolution/#dealing-with-dependency-conflicts