Esegui applicazioni Cloud TPU in un container Docker
I container Docker semplificano la configurazione delle applicazioni combinando il codice e tutte le dipendenze necessarie in un unico pacchetto distribuibile. Puoi eseguire i container Docker all'interno delle VM TPU per semplificare la configurazione e la condivisione delle tue applicazioni Cloud TPU. Questo documento descrive come configurare un contenitore Docker per ogni framework ML supportato da Cloud TPU.
Addestra un modello TensorFlow in un container Docker
Dispositivo TPU
Crea un file denominato
Dockerfile
nella directory corrente e incolla il seguente testoFROM python:3.8 RUN pip install https://storage.googleapis.com/cloud-tpu-tpuvm-artifacts/tensorflow/tf-2.12.0/tensorflow-2.12.0-cp38-cp38-linux_x86_64.whl RUN curl -L https://storage.googleapis.com/cloud-tpu-tpuvm-artifacts/libtpu/1.6.0/libtpu.so -o /lib/libtpu.so RUN git clone https://github.com/tensorflow/models.git WORKDIR ./models RUN pip install -r official/requirements.txt ENV PYTHONPATH=/models
crea un bucket Cloud Storage
gcloud storage buckets create gs://your-bucket-name --location=europe-west4
Crea una VM TPU
gcloud compute tpus tpu-vm create your-tpu-name \ --zone=europe-west4-a \ --accelerator-type=v2-8 \ --version=tpu-vm-tf-2.18.0-pjrt
Copia il Dockerfile nella VM TPU
gcloud compute tpus tpu-vm scp ./Dockerfile your-tpu-name:
Accedi tramite SSH alla VM TPU
gcloud compute tpus tpu-vm ssh your-tpu-name \ --zone=europe-west4-a
Crea l'immagine Docker
sudo docker build -t your-image-name .
Avvia il container Docker
sudo docker run -ti --rm --net=host --name your-container-name --privileged your-image-name bash
Imposta le variabili di ambiente
export STORAGE_BUCKET=gs://your-bucket-name export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet export MODEL_DIR=${STORAGE_BUCKET}/resnet-2x
Addestramento di ResNet
python3 official/vision/train.py \ --tpu=local \ --experiment=resnet_imagenet \ --mode=train_and_eval \ --config_file=official/vision/configs/experiments/image_classification/imagenet_resnet50_tpu.yaml \ --model_dir=${MODEL_DIR} \ --params_override="task.train_data.input_path=${DATA_DIR}/train*, task.validation_data.input_path=${DATA_DIR}/validation*,trainer.train_steps=100"
Al termine dello script di addestramento, assicurati di ripulire le risorse.
- Digita
exit
per uscire dal container Docker - Digita
exit
per uscire dalla VM TPU - Elimina la VM TPU
$ gcloud compute tpus tpu-vm delete your-tpu-name --zone=europe-west4-a
pod di TPU
Crea un file denominato
Dockerfile
nella directory corrente e incolla il seguente testoFROM python:3.8 RUN pip install https://storage.googleapis.com/cloud-tpu-tpuvm-artifacts/tensorflow/tf-2.12.0/tensorflow-2.12.0-cp38-cp38-linux_x86_64.whl RUN curl -L https://storage.googleapis.com/cloud-tpu-tpuvm-artifacts/libtpu/1.6.0/libtpu.so -o /lib/libtpu.so RUN git clone https://github.com/tensorflow/models.git WORKDIR ./models RUN pip install -r official/requirements.txt ENV PYTHONPATH=/models
Crea una VM TPU
gcloud compute tpus tpu-vm create your-tpu-name \ --zone=europe-west4-a \ --accelerator-type=v3-32 \ --version=tpu-vm-tf-2.18.0-pod-pjrt
Copia il Dockerfile nella VM TPU
gcloud compute tpus tpu-vm scp ./Dockerfile your-tpu-name:
Accedi tramite SSH alla VM TPU
gcloud compute tpus tpu-vm ssh your-tpu-name \ --zone=europe-west4-a
Crea l'immagine Docker
sudo docker build -t your-image-name .
Avvia un container Docker
sudo docker run -ti --rm --net=host --name your-container-name --privileged your-image-name bash
Addestramento di ResNet
python3 official/vision/train.py \ --tpu=local \ --experiment=resnet_imagenet \ --mode=train_and_eval \ --config_file=official/vision/configs/experiments/image_classification/imagenet_resnet50_tpu.yaml \ --model_dir=${MODEL_DIR} \ --params_override="task.train_data.input_path=${DATA_DIR}/train*, task.validation_data.input_path=${DATA_DIR}/validation*,task.train_data.global_batch_size=2048,task.validation_data.global_batch_size=2048,trainer.train_steps=100"
Al termine dello script di addestramento, assicurati di ripulire le risorse.
- Digita
exit
per uscire dal container Docker - Digita
exit
per uscire dalla VM TPU - Elimina la VM TPU
$ gcloud compute tpus tpu-vm delete your-tpu-name --zone=europe-west4-a
Addestra un modello PyTorch in un container Docker
Dispositivo TPU
Crea una VM Cloud TPU
gcloud compute tpus tpu-vm create your-tpu-name \ --zone=europe-west4-a \ --accelerator-type=v2-8 \ --version=tpu-ubuntu2204-base
Accedi tramite SSH alla VM TPU
gcloud compute tpus tpu-vm ssh your-tpu-name \ --zone=europe-west4-a
Avvia un contenitore nella VM TPU utilizzando l'immagine PyTorch/XLA notturna.
sudo docker run -ti --rm --name your-container-name --privileged gcr.io/tpu-pytorch/xla:r2.0_3.8_tpuvm bash
Configura il runtime TPU
Esistono due opzioni di runtime PyTorch/XLA: PJRT e XRT. Ti consigliamo di utilizzare PJRT, a meno che tu non abbia un motivo per utilizzare XRT. Per scoprire di più sulle diverse configurazioni di runtime, consulta i motivi per cui utilizzare XRT. Per approfondire le diverse configurazioni del runtime, consulta la documentazione del runtime PJRT.
PJRT
export PJRT_DEVICE=TPU
XRT
export XRT_TPU_CONFIG="localservice;0;localhost:51011"
Clona il repository PyTorch XLA
git clone --recursive https://github.com/pytorch/xla.git
Addestra ResNet50
python3 xla/test/test_train_mp_imagenet.py --fake_data --model=resnet50 --num_epochs=1
Al termine dello script di addestramento, assicurati di ripulire le risorse.
- Digita
exit
per uscire dal container Docker - Digita
exit
per uscire dalla VM TPU - Elimina la VM TPU
$ gcloud compute tpus tpu-vm delete your-tpu-name --zone=europe-west4-a
pod di TPU
Quando esegui il codice PyTorch su un pod di TPU, devi eseguirlo su tutti i worker TPU contemporaneamente. Un modo per farlo è utilizzare il comando gcloud compute tpus tpu-vm ssh
con i flag --worker=all
e --command
. La procedura riportata di seguito mostra come creare un'immagine Docker per semplificare la configurazione di ogni worker TPU.
Crea una VM TPU
gcloud compute tpus tpu-vm create your-tpu-name \ --zone=us-central2-b \ --accelerator-type=v4-32 \ --version=tpu-ubuntu2204-base
Aggiungi l'utente corrente al gruppo docker
gcloud compute tpus tpu-vm ssh your-tpu-name \ --zone=us-central2-b \ --worker=all \ --command="sudo usermod -a -G docker $USER"
Esegui lo script di addestramento in un contenitore su tutti i worker TPU.
gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \ --zone=us-central2-b \ --command="docker run --rm --privileged --net=host -e PJRT_DEVICE=TPU gcr.io/tpu-pytorch/xla:r2.0_3.8_tpuvm python /pytorch/xla/test/test_train_mp_imagenet.py --fake_data --model=resnet50 --num_epochs=1"
Flag dei comandi Docker:
--rm
rimuovi il contenitore al termine del processo.--privileged
espone il dispositivo TPU al contenitore.--net=host
lega tutte le porte del contenitore alla VM TPU per consentire la comunicazione tra gli host del pod.-e
imposta le variabili di ambiente.
Al termine dello script di addestramento, assicurati di ripulire le risorse.
Elimina la VM TPU utilizzando il seguente comando:
$ gcloud compute tpus tpu-vm delete your-tpu-name \ --zone=us-central2-b
Addestrare un modello JAX in un container Docker
Dispositivo TPU
Crea la VM TPU
gcloud compute tpus tpu-vm create your-tpu-name \ --zone=europe-west4-a \ --accelerator-type=v2-8 \ --version=tpu-ubuntu2204-base
Accedi tramite SSH alla VM TPU
gcloud compute tpus tpu-vm ssh your-tpu-name --zone=europe-west4-a
Avvia il daemon Docker nella VM TPU
sudo systemctl start docker
Avvia il container Docker
sudo docker run -ti --rm --name your-container-name --privileged --network=host python:3.8 bash
Installa JAX
pip install jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html
Installa FLAX
pip install --upgrade clu git clone https://github.com/google/flax.git pip install --user -e flax
Esegui lo script di addestramento FLAX MNIST
cd flax/examples/mnist python3 main.py --workdir=/tmp/mnist \ --config=configs/default.py \ --config.learning_rate=0.05 \ --config.num_epochs=5
Al termine dello script di addestramento, assicurati di ripulire le risorse.
- Digita
exit
per uscire dal container Docker - Digita
exit
per uscire dalla VM TPU Elimina la VM TPU
$ gcloud compute tpus tpu-vm delete your-tpu-name --zone=europe-west4-a
pod di TPU
Quando esegui il codice JAX su un pod di TPU, devi eseguirlo su tutti i worker TPU contemporaneamente. Un modo per farlo è utilizzare il comando gcloud compute tpus tpu-vm ssh
con i flag --worker=all
e --command
. La procedura riportata di seguito mostra come creare un'immagine Docker per semplificare la configurazione di ogni worker TPU.
Crea un file denominato
Dockerfile
nella directory corrente e incolla il seguente testoFROM python:3.8 RUN pip install "jax[tpu]" -f https://storage.googleapis.com/jax-releases/libtpu_releases.html RUN pip install --upgrade clu RUN git clone https://github.com/google/flax.git RUN pip install --user -e flax WORKDIR ./flax/examples/mnist
Crea l'immagine Docker
docker build -t your-image-name .
Aggiungi un tag all'immagine Docker prima di eseguirne il push in Artifact Registry. Per ulteriori informazioni sull'utilizzo di Artifact Registry, consulta Utilizzare le immagini container.
docker tag your-image-name europe-west-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag
Esegui il push dell'immagine Docker in Artifact Registry
docker push europe-west4-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag
Crea una VM TPU
gcloud compute tpus tpu-vm create your-tpu-name \ --zone=europe-west4-a \ --accelerator-type==v2-8 \ --version=tpu-ubuntu2204-base
Estrai l'immagine Docker da Artifact Registry su tutti i worker TPU.
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"
Esegui il container su tutti i worker TPU.
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:your-tag bash"
Esegui lo script di addestramento su tutti i worker TPU:
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"
Al termine dello script di addestramento, assicurati di ripulire le risorse.
Spegni il contenitore su tutti i worker:
gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \ --zone=europe-west4-a \ --command="docker kill your-container-name"
Elimina la VM TPU utilizzando il seguente comando:
$ gcloud compute tpus tpu-vm delete your-tpu-name \ --zone=europe-west4-a
Addestrare un modello JAX in un container Docker utilizzando JAX Stable Stack
Puoi creare le immagini Docker MaxText e MaxDiffusion utilizzando l'immagine di base JAX Stable Stack.
JAX Stable Stack fornisce un ambiente coerente per MaxText e
MaxDiffusion raggruppando JAX con pacchetti di base come orbax
, flax
e
optax
e libtpu.so
. Queste librerie vengono testate per garantire la compatibilità
e fornire una base stabile per creare ed eseguire MaxText e MaxDiffusion.
In questo modo, vengono eliminati i potenziali conflitti dovuti a versioni del pacchetto incompatibili.
JAX Stable Stack include un libtpu.so
completamente rilasciato e qualificato,
la libreria di base che gestisce la compilazione, l'esecuzione e la configurazione della rete ICI dei programmi TPU. La release libtpu sostituisce la build notturna
precedentemente utilizzata da JAX e garantisce la funzionalità coerente dei calcoli XLA
su TPU con test di qualificazione a livello di PJRT negli IR HLO/StableHLO.
Per creare l'immagine Docker di MaxText e MaxDiffusion con JAX Stable Stack,
quando esegui lo script docker_build_dependency_image.sh
, imposta
la variabile MODE
su stable_stack
e la variabile BASEIMAGE
su
l'immagine di base che vuoi utilizzare.
L'esempio seguente specifica
us-docker.pkg.dev/cloud-tpu-images/jax-stable-stack/tpu:jax0.4.35-rev1
come immagine di base:
bash docker_build_dependency_image.sh MODE=stable_stack BASEIMAGE=us-docker.pkg.dev/cloud-tpu-images/jax-stable-stack/tpu:jax0.4.35-rev1
Per un elenco delle immagini di base JAX Stable Stack disponibili, consulta Immagini JAX Stable Stack in Artifact Registry.
Passaggi successivi
- Tutorial su Cloud TPU
- Gestire le TPU
- Architettura di sistema di Cloud TPU
- Eseguire il codice TensorFlow nelle pod di TPU TPU
- Eseguire il codice JAX nelle pod di TPU TPU