arquitetura do sistema.
As Unidades de Processamento de Tensor (TPUs) são circuitos integrados específicos de aplicativos (ASICs, na sigla em inglês) projetados pelo Google para acelerar as cargas de trabalho de machine learning. O Cloud TPU é um serviço do Google Cloud que disponibiliza as TPUs como um recurso escalonável.
As TPUs foram projetadas para executar operações de matriz rapidamente, tornando-as ideais para cargas de trabalho de machine learning. É possível executar cargas de trabalho de machine learning em TPUs usando frameworks como TensorFlow, Pytorch e JAX.
Termos do Cloud TPU
Se você nunca usou Cloud TPUs, confira a página inicial da documentação da TPU. As seções a seguir explicam os termos e conceitos relacionados usados neste documento.
Inferência em lote
Inferência em lote ou off-line refere-se à inferência fora dos pipelines de produção, normalmente em uma grande quantidade de entradas. A inferência em lote é usada para tarefas off-line, como rotulagem de dados e também para avaliar o modelo treinado. SLOs de latência não são uma prioridade para inferência em lote.
Chip de TPU
Um chip de TPU contém um ou mais TensorCores. O número de TensorCores depende da versão do chip da TPU. Cada TensorCore consiste em uma ou mais unidades de multiplicação de matrizes (MXUs), uma unidade vetorial e uma unidade escalar.
Uma MXU é composta por múltiplos acumuladores de 128 x 128 em uma matriz sistólica. As MXUs fornecem a maior parte da capacidade de computação em um TensorCore. Cada MXU é capaz de executar 16 mil operações de multiplicação e acumulação por ciclo. Todas as multiplicações recebem entradas de bfloat16, mas todas as acumulações são realizadas no formato de número FP32.
A unidade vetorial é usada para computação geral, como ativações e softmax. A unidade escalar é usada para controlar o fluxo, calcular endereços de memória e outras operações de manutenção.
Cubo de TPU
Uma topologia 4x4x4. Isso é aplicável apenas a topologias 3D (a partir da versão v4 TPU).
Inferência
Inferência é o processo de usar um modelo treinado para fazer previsões sobre novos dados. Ele é usado pelo processo de disponibilização.
Fatia múltipla versus fração única
Multislice é um grupo de frações, estendendo a conectividade TPU além das conexões de interconexão entre chips (ICI, na sigla em inglês) e aproveitando a rede de data center (DCN, na sigla em inglês) para transmitir dados além de uma fração. Os dados dentro de cada fração ainda são transmitidos pela ICI. Usando essa conectividade híbrida, o Multislice permite o paralelismo entre frações e permite usar um número maior de núcleos de TPU para um único job do que uma fração pode acomodar.
TPUs podem ser usadas para executar um job em uma única fração ou em várias. Consulte a Introdução ao multislice para mais detalhes.
Resiliência de ICI do Cloud TPU
A resiliência de ICI ajuda a melhorar a tolerância a falhas de links ópticos e chaves de circuito óptico (OCS, na sigla em inglês) que conectam TPUs entre cubos. As conexões ICI em um cubo usam links de cobre não afetados. A resiliência da ICI permite que conexões ICI sejam roteadas em torno de falhas de OCS e ICI ópticas. Como resultado, ela melhora a disponibilidade da programação de frações de TPU, com a compensação da degradação temporária no desempenho da ICI.
Semelhante ao Cloud TPU v4, a resiliência ICI é ativada por padrão para frações da v5p que são de um cubo ou mais:
- v5p-128 ao especificar o tipo de acelerador
- 4x4x4 ao especificar a configuração do acelerador
Recurso na fila
Uma representação de recursos da TPU, usada para enfileirar e gerenciar uma solicitação para um ambiente de TPU de fração única ou várias. Consulte o Guia do usuário sobre recursos na fila para mais informações.
Exibição
A disponibilização é o processo de implantação de um modelo de machine learning treinado em um ambiente de produção onde ele pode ser usado para fazer previsões ou tomar decisões. A latência e a disponibilidade no nível do serviço são importantes para a exibição.
Host único e vários hosts
Um host de TPU é uma VM executada em um computador físico conectado ao hardware da TPU. As cargas de trabalho de TPU podem usar um ou mais hosts.
Uma carga de trabalho de host único é limitada a uma VM da TPU. Uma carga de trabalho de vários hosts distribui o treinamento em várias VMs de TPU.
Frações
Uma fração de pod é uma coleção de chips localizados dentro do mesmo pod de TPU conectado por interconexões de chips de alta velocidade (ICI, na sigla em inglês). As frações são descritas em termos de chips ou TensorCores, dependendo da versão da TPU.
O formato e a topologia do chip também se referem às formas das fatias.
SparseCore
A v5p inclui quatro SparseCores por chip, que são processadores do Dataflow que aceleram modelos usando embeddings encontrados em modelos de recomendação.
Pod de TPU
Um pod de TPU é um conjunto contíguo de TPUs agrupadas em uma rede especializada. O número de chips de TPU em um pod de TPU depende da versão da TPU.
VM ou worker da TPU
Uma máquina virtual que executa Linux e tem acesso às TPUs subjacentes. Uma VM da TPU também é conhecida como worker.
TensorCores
Os chips de TPU têm um ou dois TensorCores para executar a multiplicação de matrizes. Para mais informações sobre TensorCores, consulte este artigo do ACM.
Worker
Consulte VM da TPU.
Versões de TPU
A arquitetura exata de um chip de TPU depende da versão da TPU usada. Cada versão de TPU também é compatível com diferentes tamanhos e configurações de fatias. Para saber mais sobre a arquitetura do sistema e as configurações com suporte, consulte as seguintes páginas:
Arquiteturas de TPU
Há duas arquiteturas de TPU que descrevem como uma VM está fisicamente conectada ao dispositivo TPU: o nó e a VM da TPU. O nó de TPU era a arquitetura original para as versões de TPU v2 e v3. Com a v4, a VM da TPU tornou-se a arquitetura padrão, mas ambas eram compatíveis. A arquitetura de nós da TPU foi descontinuada e somente VMs da TPU são compatíveis. Se você estiver usando nós da TPU, consulte Como migrar do nó da TPU para a arquitetura de VM da TPU para converter de nó da TPU em arquitetura de VM da TPU.
Arquitetura da VM da TPU
A arquitetura da VM da TPU permite se conectar diretamente à VM fisicamente conectada ao dispositivo TPU usando SSH. Você tem acesso raiz à VM, portanto, pode executar código arbitrário. É possível acessar registros de depuração do compilador e do ambiente de execução e mensagens de erro.
Arquitetura de nó da TPU
A arquitetura de nó da TPU consiste em uma VM do usuário que se comunica com o host da TPU por meio do gRPC. Ao usar essa arquitetura, não é possível acessar diretamente o host da TPU, o que dificulta a depuração de erros de treinamento e TPU.
Como migrar do nó de TPU para a arquitetura de VM da TPU
Se você tiver TPUs que usam a arquitetura de nós da TPU, siga as etapas a seguir para identificá-las, excluí-las e provisioná-las novamente como VMs da TPU.
Acesse a página "TPUs":
- Localize a TPU e a arquitetura dela no título Arquitetura. Se a arquitetura for uma "VM da TPU", não será necessário fazer nada. Se a arquitetura for "nó da TPU", será necessário excluir e provisionar novamente a TPU.
Exclua e provisione a TPU novamente.
Consulte Como gerenciar TPUs para ver instruções sobre como excluir e reprovisionar TPUs.