TPU-Arbeitslasten in einem Docker-Container ausführen

Docker-Container erleichtern die Konfiguration von Anwendungen, indem Ihr Code und alle erforderlichen Abhängigkeiten in einem verteilbaren Paket zusammengefasst werden. Sie können Docker-Container in TPU-VMs ausführen, um die Konfiguration und Freigabe Ihrer Cloud TPU-Anwendungen zu vereinfachen. In diesem Dokument wird beschrieben, wie Sie einen Docker-Container für jedes von Cloud TPU unterstützte ML-Framework einrichten.

Wichtig: Sie können auf einer TPU-VM maximal 256 Docker-Pods ausführen.

PyTorch-Modell in einem Docker-Container trainieren

TPU-Gerät

1. Erstellen Sie eine Cloud TPU-VM.

   gcloud compute tpus tpu-vm create your-tpu-name \
   --zone=europe-west4-a \
   --accelerator-type=v2-8 \
   --version=tpu-ubuntu2204-base

2. Stellen Sie eine SSH-Verbindung zur TPU-VM her.

   gcloud compute tpus tpu-vm ssh your-tpu-name \
   --zone=europe-west4-a

3. Achten Sie darauf, dass Ihrem Google Cloud Nutzer die Rolle „Artifact Registry-Leser“ zugewiesen wurde. Weitere Informationen finden Sie unter Gewähren von Artifact Registry-Rollen.

4. Starten Sie einen Container in der TPU-VM mit dem Nightly-PyTorch/XLA-Image.

   sudo docker run --net=host -ti --rm --name your-container-name --privileged us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.6.0_3.10_tpuvm_cxx11 \
   bash

   Hinweis: Nach dem Ausführen dieses Befehls ändert sich die Eingabeaufforderung und zeigt an, dass das Terminal mit dem ausgeführten Container verbunden ist.

5. Konfigurieren Sie die TPU-Laufzeit.

   Es gibt zwei PyTorch/XLA-Laufzeitoptionen: PJRT und XRT. Wir empfehlen, PJRT zu verwenden, wenn kein Grund für die Verwendung von XRT vorliegt. Weitere Informationen zu den verschiedenen Laufzeitkonfigurationen finden Sie in der PJRT-Laufzeitdokumentation.

   PJRT

   export PJRT_DEVICE=TPU

   XRT

   export XRT_TPU_CONFIG="localservice;0;localhost:51011"

6. Klonen Sie das PyTorch XLA-Repository.

   git clone --recursive https://github.com/pytorch/xla.git

7. Trainieren Sie ResNet50.

   python3 xla/test/test_train_mp_imagenet.py --fake_data --model=resnet50 --num_epochs=1

Wenn das Trainings-Script abgeschlossen ist, sollten Sie die Ressourcen bereinigen.

1. Geben Sie exit ein, um den Docker-Container zu beenden.
2. Geben Sie exit ein, um die TPU-VM zu beenden.

3. Löschen Sie die TPU-VM.

   gcloud compute tpus tpu-vm delete your-tpu-name --zone=europe-west4-a

TPU-Slice

Wenn Sie PyTorch-Code auf einem TPU-Slice ausführen, müssen Sie den Code gleichzeitig auf allen TPU-Workern ausführen. Eine Möglichkeit hierfür ist die Verwendung des Befehls gcloud compute tpus tpu-vm ssh mit den Flags --worker=all und --command. Im folgenden Verfahren wird gezeigt, wie Sie ein Docker-Image erstellen, um die Einrichtung der einzelnen TPU-Worker zu vereinfachen.

1. Erstellen Sie eine TPU-VM.

   gcloud compute tpus tpu-vm create your-tpu-name \
   --zone=us-central2-b \
   --accelerator-type=v4-32 \
   --version=tpu-ubuntu2204-base

2. Fügen Sie den aktuellen Nutzer der Docker-Gruppe hinzu.

   gcloud compute tpus tpu-vm ssh your-tpu-name \
   --zone=us-central2-b \
   --worker=all \
   --command='sudo usermod -a -G docker $USER'

3. Klonen Sie das PyTorch XLA-Repository.

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=us-central2-b \
   --command="git clone --recursive https://github.com/pytorch/xla.git"

4. Führen Sie das Trainings-Script in einem Container auf allen TPU-Workern aus.

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=us-central2-b \
   --command="docker run --rm --privileged --net=host  -v ~/xla:/xla -e PJRT_DEVICE=TPU us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.6.0_3.10_tpuvm_cxx11 python /xla/test/test_train_mp_imagenet.py --fake_data --model=resnet50 --num_epochs=1"

   Docker-Befehls-Flags:

   • Mit --rm wird der Container entfernt, nachdem sein Prozess beendet wurde.
   • Mit --privileged wird das TPU-Gerät für den Container verfügbar gemacht.
   • Mit --net=host werden alle Ports des Containers an die TPU-VM gebunden, um die Kommunikation zwischen den Hosts im Pod zu ermöglichen.
   • Mit -e werden Umgebungsvariablen festgelegt.

Wenn das Trainings-Script abgeschlossen ist, sollten Sie die Ressourcen bereinigen.

Löschen Sie die TPU-VM mit dem folgenden Befehl:

gcloud compute tpus tpu-vm delete your-tpu-name \
--zone=us-central2-b

JAX-Modell in einem Docker-Container trainieren

TPU-Gerät

1. Erstellen Sie eine TPU-VM.

   gcloud compute tpus tpu-vm create your-tpu-name \
   --zone=europe-west4-a \
   --accelerator-type=v2-8 \
   --version=tpu-ubuntu2204-base

2. Stellen Sie eine SSH-Verbindung zur TPU-VM her.

   gcloud compute tpus tpu-vm ssh your-tpu-name  --zone=europe-west4-a

3. Starten Sie den Docker-Daemon in der TPU-VM.

   sudo systemctl start docker

4. Starten Sie den Docker-Container.

   sudo docker run --net=host -ti --rm --name your-container-name \
   --privileged us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.6.0_3.10_tpuvm_cxx11 \
   bash

5. Installieren Sie JAX.

   pip install jax[tpu]

6. Installieren Sie FLAX.

   pip install --upgrade clu
   git clone https://github.com/google/flax.git
   pip install --user -e flax

7. Installieren Sie das tensorflow- und das tensorflow-dataset-Paket.

   pip install tensorflow
   pip install tensorflow-datasets

8. Führen Sie das FLAX-MNIST-Trainings-Script aus.

   cd flax/examples/mnist
   python3 main.py --workdir=/tmp/mnist \
   --config=configs/default.py \
   --config.learning_rate=0.05 \
   --config.num_epochs=5

Wenn das Trainings-Script abgeschlossen ist, sollten Sie die Ressourcen bereinigen.

1. Geben Sie exit ein, um den Docker-Container zu beenden.
2. Geben Sie exit ein, um die TPU-VM zu beenden.

3. Löschen Sie die TPU-VM.

   gcloud compute tpus tpu-vm delete your-tpu-name --zone=europe-west4-a

TPU-Slice

Wenn Sie JAX-Code auf einem TPU-Slice ausführen, müssen Sie den JAX-Code gleichzeitig auf allen TPU-Workern ausführen. Eine Möglichkeit hierfür ist die Verwendung des Befehls gcloud compute tpus tpu-vm ssh mit den Flags --worker=all und --command. Im folgenden Verfahren wird gezeigt, wie Sie ein Docker-Image erstellen, um die Einrichtung der einzelnen TPU-Worker zu vereinfachen.

1. Erstellen Sie in Ihrem aktuellen Verzeichnis eine Datei namens Dockerfile und fügen Sie den folgenden Text ein:

   FROM python:3.10
   RUN pip install jax[tpu]
   RUN pip install --upgrade clu
   RUN git clone https://github.com/google/flax.git
   RUN pip install --user -e flax
   RUN pip install tensorflow
   RUN pip install tensorflow-datasets
   WORKDIR ./flax/examples/mnist

2. Bereiten Sie Artifact Registry vor.

   gcloud artifacts repositories create your-repo \
   --repository-format=docker \
   --location=europe-west4 --description="Docker repository" \
   --project=your-project
   
   gcloud artifacts repositories list \
   --project=your-project
   
   gcloud auth configure-docker europe-west4-docker.pkg.dev

3. Erstellen Sie das Docker-Image.

   docker build -t your-image-name .

4. Fügen Sie Ihrem Docker-Image ein Tag hinzu, bevor Sie es in Artifact Registry hochladen. Weitere Informationen zum Arbeiten mit Artifact Registry finden Sie unter Mit Container-Images arbeiten.

   docker tag your-image-name europe-west4-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag

5. Übertragen Sie das Docker-Image per Push an Artifact Registry.

   docker push europe-west4-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag

6. Erstellen Sie eine TPU-VM.

   gcloud compute tpus tpu-vm create your-tpu-name \
   --zone=europe-west4-a \
   --accelerator-type=v2-8 \
   --version=tpu-ubuntu2204-base

7. Rufen Sie das Docker-Image auf allen TPU-Workern aus Artifact Registry ab.

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command='sudo usermod -a -G docker ${USER}'

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="gcloud auth configure-docker europe-west4-docker.pkg.dev --quiet"

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="docker pull europe-west4-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag"

8. Führen Sie den Container auf allen TPU-Workern aus.

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="docker run -ti -d --privileged --net=host --name your-container-name europe-west4-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag bash"

9. Führen Sie das Trainings-Script auf allen TPU-Workern aus.

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="docker exec --privileged your-container-name python3 main.py --workdir=/tmp/mnist \
   --config=configs/default.py \
   --config.learning_rate=0.05 \
   --config.num_epochs=5"

Wenn das Trainings-Script abgeschlossen ist, sollten Sie die Ressourcen bereinigen.

1. Fahren Sie den Container auf allen Workern herunter.

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="docker kill your-container-name"

2. Löschen Sie die TPU-VM.

   gcloud compute tpus tpu-vm delete your-tpu-name \
   --zone=europe-west4-a

Nächste Schritte

• Cloud TPU-Anleitungen
• TPUs verwalten
• Cloud TPU-Architektur
• JAX-Code auf TPU-Slices ausführen