Mit JAX eine Berechnung auf einer Cloud TPU-VM ausführen
Dieses Dokument bietet eine kurze Einführung in die Arbeit mit JAX und Cloud TPU
Bevor Sie dieser Kurzanleitung folgen, müssen Sie ein Google Cloud-Konto erstellen, die Google Cloud CLI installieren und den Befehl gcloud
konfigurieren.
Weitere Informationen finden Sie unter Konto und Cloud TPU-Projekt einrichten.
Google Cloud CLI installieren
Die Google Cloud CLI enthält Tools und Bibliotheken für die Interaktion mit Google Cloud-Produkte und -Dienste Weitere Informationen finden Sie unter Google Cloud CLI installieren.
gcloud
-Befehl konfigurieren
Führen Sie die folgenden Befehle aus, um gcloud
für die Verwendung Ihres Google Cloud-Projekts zu konfigurieren und die für die TPU-VM-Vorschau erforderlichen Komponenten zu installieren.
$ gcloud config set account your-email-account $ gcloud config set project your-project-id
Cloud TPU API aktivieren
Aktivieren Sie die Cloud TPU API mit dem folgenden
gcloud
-Befehl in Cloud Shell Sie können sie auch auf der Google Cloud Console).$ gcloud services enable tpu.googleapis.com
Führen Sie den folgenden Befehl aus, um eine Dienstidentität zu erstellen.
$ gcloud beta services identity create --service tpu.googleapis.com
Cloud TPU-VM mit gcloud
erstellen
Mit Cloud TPU-VMs werden Ihr Modell und Ihr Code direkt auf dem TPU-Hostcomputer ausgeführt. Sie können eine SSH-Verbindung direkt zum TPU-Host herstellen. Sie können beliebigen Code ausführen, Pakete installieren, Logs ansehen und Code direkt auf dem TPU-Host debuggen.
Erstellen Sie Ihre TPU-VM, indem Sie den folgenden Befehl in einer Cloud Shell oder Ihrem Computerterminal ausführen, in dem die Google Cloud CLI installiert ist.
(vm)$ gcloud compute tpus tpu-vm create tpu-name \ --zone=us-central1-a \ --accelerator-type=v3-8 \ --version=tpu-ubuntu2204-base
Pflichtfelder
zone
- Die Zone, in der Sie die Cloud TPU erstellen möchten.
accelerator-type
- Mit dem Beschleunigertyp geben Sie die Version und Größe der Cloud TPU an, die Sie erstellen möchten. Weitere Informationen zu den unterstützten Beschleunigertypen für jede TPU-Version finden Sie unter TPU-Versionen.
version
- Die Cloud TPU-Softwareversion. Verwenden Sie für alle TPU-Typen
tpu-ubuntu2204-base
.
Verbindung zur Cloud TPU-VM herstellen
Stellen Sie eine SSH-Verbindung zu Ihrer TPU-VM her, indem Sie den folgenden Befehl verwenden:
$ gcloud compute tpus tpu-vm ssh tpu-name --zone=us-central1-a
Pflichtfelder
tpu_name
- Der Name der TPU-VM, mit der Sie eine Verbindung herstellen möchten.
zone
- Die Zone, in der Sie die Cloud TPU erstellt haben.
JAX auf der Cloud TPU-VM installieren
(vm)$ pip install jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html
Systemüberprüfung
Überprüfen Sie, ob JAX auf die TPU zugreifen und grundlegende Vorgänge ausführen kann:
Starten Sie den Python 3-Interpreter:
(vm)$ python3
>>> import jax
Rufen Sie die Anzahl der verfügbaren TPU-Kerne auf:
>>> jax.device_count()
Die Anzahl der TPU-Kerne wird angezeigt. Wenn Sie eine v4 TPU verwenden, sollte dies
4
Wenn Sie eine v2- oder v3-TPU verwenden, sollte dies 8
sein.
Führen Sie eine einfache Berechnung durch:
>>> jax.numpy.add(1, 1)
Das Ergebnis von "numpy add" wird angezeigt:
Ausgabe des Befehls:
Array(2, dtype=int32, weak_type=true)
Beenden Sie den Python-Interpreter:
>>> exit()
JAX-Code auf einer TPU-VM ausführen
Sie können jetzt jeden JAX-Code ausführen. Die flax-Beispiele sind ein guter Ausgangspunkt, um Standard-ML-Modelle in JAX auszuführen. Beispiel: um ein einfaches MNIST-Convolutional-Netzwerk zu trainieren:
Flax-Beispielabhängigkeiten installieren
(vm)$ pip install --upgrade clu (vm)$ pip install tensorflow (vm)$ pip install tensorflow_datasets
FLAX installieren
(vm)$ git clone https://github.com/google/flax.git (vm)$ pip install --user flax
FLAX MNIST-Trainingsskript ausführen
(vm)$ cd flax/examples/mnist (vm)$ python3 main.py --workdir=/tmp/mnist \ --config=configs/default.py \ --config.learning_rate=0.05 \ --config.num_epochs=5
Das Skript lädt das Dataset herunter und beginnt mit dem Training. Die Skriptausgabe sollte so aussehen:
0214 18:00:50.660087 140369022753856 train.py:146] epoch: 1, train_loss: 0.2421, train_accuracy: 92.97, test_loss: 0.0615, test_accuracy: 97.88 I0214 18:00:52.015867 140369022753856 train.py:146] epoch: 2, train_loss: 0.0594, train_accuracy: 98.16, test_loss: 0.0412, test_accuracy: 98.72 I0214 18:00:53.377511 140369022753856 train.py:146] epoch: 3, train_loss: 0.0418, train_accuracy: 98.72, test_loss: 0.0296, test_accuracy: 99.04 I0214 18:00:54.727168 140369022753856 train.py:146] epoch: 4, train_loss: 0.0305, train_accuracy: 99.06, test_loss: 0.0257, test_accuracy: 99.15 I0214 18:00:56.082807 140369022753856 train.py:146] epoch: 5, train_loss: 0.0252, train_accuracy: 99.20, test_loss: 0.0263, test_accuracy: 99.18
Bereinigen
Wenn Sie mit Ihrer TPU-VM fertig sind, führen Sie die folgenden Schritte aus, um Ihre Ressourcen zu bereinigen.
Trennen Sie die Verbindung zur Compute Engine-Instanz, sofern noch nicht geschehen:
(vm)$ exit
Löschen Sie Ihre Cloud TPU.
$ gcloud compute tpus tpu-vm delete tpu-name \ --zone=us-central1-a
Überprüfen Sie mit dem folgenden Befehl, ob die Ressourcen gelöscht wurden. Achten Sie darauf, dass Ihre TPU nicht mehr aufgeführt wird. Der Löschvorgang kann einige Minuten dauern.
$ gcloud compute tpus tpu-vm list \ --zone=us-central1-a
Hinweise zur Leistung
Im Folgenden finden Sie einige wichtige Details, die für die Verwendung von TPUs in JAX besonders relevant sind.
Padding
Eine der häufigsten Ursachen für eine langsame Leistung auf TPUs stellt versehentliches Padding dar:
- Arrays in der Cloud TPU sind gekachelt. Dies beinhaltet das Padding eines der Dimensionen auf ein Vielfaches von 8 und eine andere Dimension auf ein Vielfaches von 8 128.
- Die Matrixmultiplikationseinheit funktioniert am besten mit Paaren großer Matrizen, die die Notwendigkeit von Padding minimieren.
bfloat16 dtype
Standardmäßig verwendet die Matrixmultiplikation in JAX auf TPUs bfloat16 mit der Akkumulation float32. Dies kann mit dem Genauigkeitsargument für relevante "jax.numpy"-Funktionsaufrufe (matmul, dot, einsum usw.) gesteuert werden. Beispiele:
precision=jax.lax.Precision.DEFAULT
: verwendet die gemischte bfloat16-Genauigkeit (am schnellsten)precision=jax.lax.Precision.HIGH
verwendet mehrere MXU-Durchläufe, um eine höhere Genauigkeit zu erreichenprecision=jax.lax.Precision.HIGHEST
verwendet noch mehr MXU-Durchläufe, um eine vollständige float32-Genauigkeit zu erreichen
JAX fügt außerdem den bfloat16-dtype hinzu, mit dem Sie explizit Arrays in bfloat16
umwandeln können, z. B. jax.numpy.array(x, dtype=jax.numpy.bfloat16)
.
JAX in einem Colab ausführen
Wenn Sie JAX-Code in einem Colab-Notebook ausführen, erstellt Colab automatisch einen Legacy-TPU-Knoten. TPU-Knoten haben eine andere Architektur. Weitere Informationen finden Sie unter Systemarchitektur.
Nächste Schritte
Weitere Informationen zu Cloud TPU finden Sie unter: