Introdução às TPUs no GKE

Os clientes do Google Kubernetes Engine (GKE) agora podem criar pools de nós do Kubernetes que contêm frações da TPU v4 e v5e. Para mais informações sobre TPUs, consulte Arquitetura do sistema.

Ao trabalhar com o GKE, primeiro você precisa criar um cluster do GKE. Em seguida, adicione pools de nós ao cluster. Os pools de nós do GKE são coleções de VMs que compartilham os mesmos atributos. Para cargas de trabalho da TPU, os pools de nós são compostos por VMs da TPU.

Tipos de pool de nós

O GKE é compatível com dois tipos de pools de nós de TPU:

• Fração de TPU de vários hosts
• Fração de TPU de host único

Pool de nós de fração de TPU de vários hosts

Um pool de nós de fração de TPU com vários hosts é um pool de nós que contém duas ou mais VMs de TPU interconectadas. Cada VM tem um dispositivo TPU conectado a ela. As TPUs em uma fração de vários hosts são conectadas por uma interconexão de alta velocidade (ICI, na sigla em inglês). Depois que um pool de nós de fração de vários hosts é criado, não é possível adicionar nós a ele. Por exemplo, não é possível criar um pool de nós v4-32 e depois adicionar outro nó do Kubernetes (VM de TPU) a ele. Para adicionar outra fração de TPU a um cluster do GKE, crie um novo pool de nós.

Os hosts em um pool de nós de fração de TPU de vários hosts são tratados como uma única unidade atômica. Se o GKE não conseguir implantar um nó na fração, nenhum nó na fração será implantado.

Se um nó em uma fração de TPU de vários hosts precisar ser reparado, o GKE encerrará todas as VMs da TPU na fração, forçando todos os pods do Kubernetes na carga de trabalho a serem removidos. Quando todas as VMs de TPU na fração estiverem em execução, os pods do Kubernetes poderão ser programados nas VMs de TPU na nova fração.

O diagrama a seguir mostra um exemplo de uma fração de TPU de vários hosts v5litepod-16 (v5e). Essa fração tem quatro VMs de TPU. Cada VM da TPU tem quatro chips da TPU v5e conectados com interconexões de alta velocidade (ICI), e cada chip TPU v5e tem um TensorCore.

O diagrama a seguir mostra um cluster do GKE contendo uma fração de TPU v5litepod-16 (v5e) (topologia: 4x4) e uma fração de TPU v5litepod-8 (v5e) (topologia: 2x4):

Para um exemplo de execução de uma carga de trabalho em uma fração de TPU de vários hosts, consulte Executar a carga de trabalho em TPUs.

Pools de nós de fração de TPU de host único

Um pool de nós fatia de host único é um pool de nós que contém uma ou mais VMs de TPU independentes. Cada VM tem um dispositivo TPU conectado a ela. Embora as VMs em um pool de nós de fração de host único possam se comunicar pela rede de data center (DCN, na sigla em inglês), as TPUs anexadas às VMs não são interconectadas.

O diagrama a seguir mostra um exemplo de uma fração de TPU de host único com sete máquinas v4-8:

Para um exemplo de execução de uma carga de trabalho em uma fração de TPU de host único, consulte Executar a carga de trabalho em TPUs.

Tipos de máquinas da TPU para pools de nós do GKE

Antes de criar pools de nós, é preciso escolher a versão da TPU e o tamanho da fração de TPU necessária para a carga de trabalho. A TPU v4 é compatível com a versão 1.26.1-gke.1500 e posteriores do GKE Standard, com a v5e na versão 1.27.2-gke.2100 e posteriores do GKE Standard e com a v5p na versão 1.28.3-gke.1024000 e posteriores do GKE Standard.

A TPU v4, v5e e v5p são compatíveis com a versão 1.29.2-gke.1521000 e mais recentes do Autopilot do GKE.

Para mais informações sobre as especificações de hardware das diferentes versões de TPU, consulte Arquitetura do sistema. Ao criar um pool de nós da TPU, selecione um tamanho de fração de TPU (uma topologia de TPU) com base no tamanho do modelo e na quantidade de memória necessária. O tipo de máquina especificado ao criar os pools de nós depende da versão e do tamanho das frações.

v5e

Veja a seguir os tipos de máquina e topologias da TPU v5e compatíveis com casos de uso de treinamento e inferência:

Tipo de máquina	topologia	Número de chips do TPU	Número de VMs	Caso de uso recomendado
ct5lp-hightpu-1t	1x1	1	1	Treinamento, inferência de host único
ct5lp-hightpu-4t	2x2	4	1	Treinamento, inferência de host único
ct5lp-hightpu-8t	2x4	8	1	Treinamento, inferência de host único
ct5lp-hightpu-4t	2x4	8	2	Treinamento, inferência de vários hosts
ct5lp-hightpu-4t	4x4	16	4	Treinamento em grande escala, inferência de vários hosts
ct5lp-hightpu-4t	4x8	32	8	Treinamento em grande escala, inferência de vários hosts
ct5lp-hightpu-4t	8x8	64	16	Treinamento em grande escala, inferência de vários hosts
ct5lp-hightpu-4t	8x16	128	32	Treinamento em grande escala, inferência de vários hosts
ct5lp-hightpu-4t	16x16	256	64	Treinamento em grande escala, inferência de vários hosts

O Cloud TPU v5e é um produto combinado de treinamento e inferência. Os jobs de treinamento são otimizados para capacidade e disponibilidade, enquanto os jobs de inferência são otimizados para latência. Para mais informações, consulte Tipos de acelerador de treinamento v5e e Tipos de acelerador de inferência v5e.

As máquinas TPU v5e estão disponíveis em us-west4-a, us-east5-b e us-east1-c. Os clusters do GKE Standard precisam executar o plano de controle versão 1.27.2-gke.2100 ou mais recente. O Autopilot do GKE precisa executar o plano de controle na versão 1.29.2-gke.1521000 ou mais recente. Para mais informações sobre a v5e, consulte Treinamento da Cloud TPU v5e.

Comparação entre tipos de máquina:

Tipo de máquina	ct5lp-hightpu-1t	ct5lp-hightpu-4t	ct5lp-hightpu-8t
Número de chips v5e	1	4	8
Número de vCPUs	24	112	224
RAM (GB)	48	192	384
Número de nós NUMA	1	1	2
Probabilidade de preempção	Alto	Médio	Baixo

Para liberar espaço para VMs com mais ícones, o programador do GKE pode antecipar e reprogramar VMs com menos ícones. Portanto, as VMs de 8 chips têm mais probabilidade de forçar a interrupção de VMs com 1 e 4 chips.

v4 e v5p

Veja a seguir os tipos de máquina TPU v4 e v5p:

Tipo de máquina	Número de vCPUs	Memória (GB)	Número de nós NUMA
ct4p-hightpu-4t	240	407	2
ct5p-hightpu-4t	208	448	2

Ao criar uma fração da TPU v4, use o tipo de máquina ct4p-hightpu-4t, que tem um host e quatro chips. Consulte Topologias v4 e Arquitetura do sistema de TPU para mais informações. Os tipos de máquinas frações de TPU v4 estão disponíveis em us-central2-b. Os clusters do GKE Standard precisam executar a versão 1.26.1-gke.1500 ou mais recente do plano de controle. Os clusters do GKE Autopilot precisam executar a versão 1.29.2-gke.1521000 ou mais recente do plano de controle.

Ao criar uma fração de TPU v5p, use o tipo de máquina ct5p-hightpu-4t, que tem um host e quatro chips. Os tipos de máquina frações da TPU v5p estão disponíveis em us-west4-a e us-east5-a. Os clusters do GKE Standard precisam executar a versão 1.28.3-gke.1024000 ou mais recente do plano de controle. O Autopilot do GKE precisa executar 1.29.2-gke.1521000 ou mais recente. Para mais informações sobre a v5p, consulte Introdução ao treinamento da v5p (em inglês).

Limitações e problemas conhecidos

• Número máximo de pods do Kubernetes: é possível executar no máximo 256 pods do Kubernetes em uma única VM da TPU.
• Somente reservas ESPECÍFICAS: ao usar TPUs no GKE, SPECIFIC é o único valor compatível para a sinalização --reservation-affinity do comando gcloud container node-pools create.
• Apenas a variante de VMs spot das TPUs preemptivas é compatível: as VMs spot são semelhantes às VMs preemptivas e estão sujeitas às mesmas limitações de disponibilidade, mas não têm uma duração máxima de 24 horas.
• Sem suporte para alocação de custos: a alocação de custos do GKE e a medição de uso não incluem dados sobre o uso ou os custos de TPUs.
• O escalonador automático pode calcular a capacidade: o escalonador automático de cluster pode calcular a capacidade incorretamente de novos nós que contêm VMs de TPU antes que eles fiquem disponíveis. O escalonador automático de cluster pode fazer o escalonar verticalmente adicional e, como resultado, criar mais nós do que o necessário. O escalonador automático de cluster reduzirá a escala vertical dos nós adicionais, se eles não forem necessários, após a operação normal de reduzir escala vertical.
• O escalonador automático cancela o escalonamento vertical: o escalonador automático de cluster cancela o escalonamento vertical de pools de nós da TPU que permanecem no status de espera por mais de 10 horas. O escalonador automático de cluster tentará executar essas operações de escalonar verticalmente novamente mais tarde. Esse comportamento pode reduzir a capacidade de obtenção de TPU para clientes que não usam reservas.
• O tingimento pode impedir a redução da escala vertical: cargas de trabalho de não TPU que têm uma tolerância para o taint da TPU podem impedir reduzir escala vertical do escalonamento vertical do pool de nós se forem recriadas durante a drenagem do pool de nós da TPU.

Garanta cotas suficientes de TPU e GKE

Pode ser necessário aumentar determinadas cotas relacionadas ao GKE nas regiões em que os recursos são criados.

As seguintes cotas têm valores padrão que provavelmente precisarão ser aumentados:

• Cota de SSD do disco permanente (GB): o disco de inicialização de cada nó do Kubernetes requer 100 GB por padrão. Portanto, essa cota precisa ser definida pelo menos até (o número máximo de nós do GKE que você prevê criar) * 100 GB.
• Cota de endereços IP em uso: cada nó do Kubernetes consome um endereço IP. Portanto, essa cota precisa ser definida pelo menos no mínimo com o número máximo de nós do GKE que você espera criar.

Para solicitar aumento da cota, consulte Solicitar uma cota maior. Para mais informações sobre os tipos de cotas de TPU, consulte Cota de TPU.

Pode levar alguns dias para que suas solicitações de aumento de cota sejam aprovadas. Se você tiver dificuldade para aprovar suas solicitações de aumento de cota em alguns dias, entre em contato com a Equipe de Contas do Google.

Migrar sua reserva da TPU

Se você não planeja usar uma reserva de TPU atual com TPUs no GKE, pule esta seção e acesse Criar um cluster do Google Kubernetes Engine.

Para usar TPUs reservadas com o GKE, primeiro você precisa migrar sua reserva de TPU para um novo sistema de reserva baseado no Compute Engine.

Há várias informações importantes sobre essa migração:

• A capacidade de TPU migrada para o novo sistema de reserva baseado no Compute Engine não pode ser usada com a API Cloud TPU Resourced Resource. Se você pretende usar recursos em fila de TPU com sua reserva, será necessário migrar uma parte dessa reserva para o novo sistema de reserva baseado no Compute Engine.
• Nenhuma carga de trabalho pode ser ativamente executada em TPUs quando elas são migradas para o novo sistema de reserva baseado no Compute Engine.
• Selecione um horário para realizar a migração e trabalhe com sua equipe de conta do Google Cloud para programar a migração. A janela de tempo de migração precisa ser durante o horário comercial (de segunda a sexta-feira, das 9h às 17h, horário do Pacífico).

Criar um cluster do Google Kubernetes Engine

Consulte Criar um cluster na documentação do Google Kubernetes Engine.

Criar um pool de nós da TPU

Consulte Criar um pool de nós na documentação do Google Kubernetes Engine.

Em execução sem o modo privilegiado

Se você quiser reduzir o escopo de permissão no contêiner, consulte Modo de privilégio da TPU.

Execute cargas de trabalho em pools de nós da TPU

Consulte Executar cargas de trabalho do GKE em TPUs na documentação do Google Kubernetes Engine.

seletores de nodes

Para que o Kubernetes programe sua carga de trabalho em nós que contêm VMs de TPU, é preciso especificar dois seletores para cada nó no manifesto do Google Kubernetes Engine:

• Defina cloud.google.com/gke-accelerator-type como tpu-v5-lite-podslice ou tpu-v4-podslice.
• Defina cloud.google.com/gke-tpu-topology como a topologia de TPU do nó.

Importante: é obrigatório que seus pods do Kubernetes tenham esses dois rótulos especificados no nó nodeSelector ou nodeAffinity no manifesto da carga de trabalho.

As seções Cargas de trabalho de treinamento e Cargas de trabalho de inferência contêm exemplos de manifestos que ilustram o uso desses seletores de nós.

Considerações sobre a programação da carga de trabalho

As TPUs têm características únicas que exigem programação e gerenciamento especiais de cargas de trabalho no Kubernetes. Para mais informações, consulte Considerações sobre a programação de cargas de trabalho na documentação do GKE.

Reparo de nós

Se um nó em um pool de nós de fração de TPU de vários hosts não estiver íntegro, o GKE recria todo o pool de nós. Para mais informações, consulte Reparo automático de nós na documentação do GKE.

Múltiplas fatias: ir além de uma única fatia

É possível agregar frações menores em uma multislice para lidar com cargas de trabalho de treinamento maiores. Para mais informações, consulte Multifrações do Cloud TPU.

Tutoriais de carga de trabalho de treinamento

O foco destes tutoriais é o treinamento de cargas de trabalho em uma fração de TPU de vários hosts. Por exemplo, quatro máquinas v5e. Elas abrangem os seguintes modelos:

• Modelos Hugging Face FLAX: treine Diffusion no Pokémon
• PyTorch/XLA: GPT2 no WikiText

Fazer o download dos recursos do tutorial

Faça o download dos scripts Python e das especificações YAML para cada modelo pré-treinado com o seguinte comando:

git clone https://github.com/GoogleCloudPlatform/ai-on-gke.git

Criar e conectar ao cluster

Criar um cluster regional do GKE para que o plano de controle do Kubernetes seja replicado em três zonas, proporcionando maior disponibilidade. Crie seu cluster em us-west4, us-east1 ou us-central2, dependendo de qual versão de TPU você está usando. Para mais informações sobre TPUs e zonas, consulte Regiões e zonas da Cloud TPU.

O comando a seguir cria um novo cluster regional do GKE inscrito no canal de lançamento rápido com um pool de nós que inicialmente contém um nó por zona. O comando também ativa os recursos da Identidade da carga de trabalho e do driver CSI do Cloud Storage FUSE no cluster, porque as cargas de trabalho de inferência do exemplo neste guia usam buckets do Cloud Storage para armazenar modelos pré-treinados.

gcloud container clusters create cluster-name \
  --region your-region \
  --release-channel rapid \
  --num-nodes=1 \
  --workload-pool=project-id.svc.id.goog \
  --addons GcsFuseCsiDriver

Para ativar os recursos de driver CSI do Cloud Storage FUSE e Identidade da carga de trabalho para clusters atuais, execute o seguinte comando:

gcloud container clusters update cluster-name \
  --region your-region \
  --update-addons GcsFuseCsiDriver=ENABLED \
  --workload-pool=project-id.svc.id.goog

As cargas de trabalho de exemplo são configuradas com as seguintes suposições:

• o pool de nós está usando tpu-topology=4x4 com quatro nós;
• o pool de nós está usando machine-type ct5lp-hightpu-4t

Execute o comando a seguir para se conectar ao cluster recém-criado:

gcloud container clusters get-credentials cluster-name \
--location=cluster-region

Modelos Hugging Face FLAX: treine Diffusion no Pokémon

Este exemplo treina o modelo de difusão estável do HuggingFace usando o conjunto de dados Pokémon.

O modelo de difusão estável é um modelo latente de texto para imagem que gera imagens fotorrealistas de qualquer entrada de texto. Para saber mais sobre o Stable Diffusion, consulte estes links:

• Visão geral da Difusão estável
• Fonte do código de difusão estável

Criar imagem Docker

O Dockerfile está localizado na pasta ai-on-gke/tutorials-and-examples/tpu-examples/training/diffusion/.

Antes de executar o comando a seguir, verifique se a conta tem as permissões adequadas para o Docker enviar por push ao repositório.

Crie e envie a imagem do Docker:

cd ai-on-gke/tutorials-and-examples/tpu-examples/training/diffusion/
docker build -t gcr.io/project-id/diffusion:latest .
docker push gcr.io/project-id/diffusion:latest

Implantar carga de trabalho

Crie um arquivo com o seguinte conteúdo e nomeie-o como tpu_job_diffusion.yaml. Preencha o campo de imagem com a imagem que você acabou de criar.

apiVersion: v1
kind: Service
metadata:
  name: headless-svc
spec:
  clusterIP: None
  selector:
    job-name: tpu-job-diffusion
---
apiVersion: batch/v1
kind: Job
metadata:
  name: tpu-job-diffusion
spec:
  backoffLimit: 0
  # Completions and parallelism should be the number of chips divided by 4.
  # (e.g. 4 for a v5litepod-16)
  completions: 4
  parallelism: 4
  completionMode: Indexed
  template:
    spec:
      subdomain: headless-svc
      restartPolicy: Never
      nodeSelector:
        cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice
        cloud.google.com/gke-tpu-topology: 4x4
      containers:
      - name: tpu-job-diffusion
        image: gcr.io/${project-id}/diffusion:latest
        ports:
        - containerPort: 8471 # Default port using which TPU VMs communicate
        - containerPort: 8431 # Port to export TPU usage metrics, if supported
        command:
        - bash
        - -c
        - |
          cd examples/text_to_image
          python3 train_text_to_image_flax.py --pretrained_model_name_or_path=duongna/stable-diffusion-v1-4-flax --dataset_name=lambdalabs/pokemon-blip-captions --resolution=128 --center_crop --random_flip --train_batch_size=4 --mixed_precision=fp16 --max_train_steps=1500 --learning_rate=1e-05 --max_grad_norm=1 --output_dir=sd-pokemon-model
        resources:
          requests:
            google.com/tpu: 4
          limits:
            google.com/tpu: 4

Em seguida, implante-o usando:

kubectl apply -f tpu_job_diffusion.yaml

Limpeza

Depois que o job terminar de ser executado, você poderá excluí-lo usando:

kubectl delete -f tpu_job_diffusion.yaml

PyTorch/XLA: GPT2 no WikiText

Neste tutorial, mostramos como executar o GPT2 em TPUs v5e usando o HuggingFace em PyTorch/XLA usando o conjunto de dados de wikitext.

Criar imagem Docker

O Dockerfile está localizado na pasta ai-on-gke/tutorials-and-examples/tpu-examples/training/gpt/.

Antes de executar o comando a seguir, verifique se a conta tem as permissões adequadas para o Docker enviar por push ao repositório.

Crie e envie a imagem do Docker:

cd ai-on-gke/tutorials-and-examples/tpu-examples/training/gpt/
docker build -t gcr.io/project-id/gpt:latest .
docker push gcr.io/project-id/gpt:latest

Implantar carga de trabalho

Copie o YAML a seguir e salve-o em um arquivo chamado tpu_job_gpt.yaml. Preencha o campo de imagem com a imagem que você acabou de criar.

apiVersion: v1
kind: Service
metadata:
  name: headless-svc
spec:
  clusterIP: None
  selector:
    job-name: tpu-job-gpt
---
apiVersion: batch/v1
kind: Job
metadata:
  name: tpu-job-gpt
spec:
  backoffLimit: 0
  # Completions and parallelism should be the number of chips divided by 4.
  # (for example, 4 for a v5litepod-16)
  completions: 4
  parallelism: 4
  completionMode: Indexed
  template:
    spec:
      subdomain: headless-svc
      restartPolicy: Never
      volumes:
      # Increase size of tmpfs /dev/shm to avoid OOM.
      - name: shm
        emptyDir:
          medium: Memory
          # consider adding `sizeLimit: XGi` depending on needs
      nodeSelector:
        cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice
        cloud.google.com/gke-tpu-topology: 4x4
      containers:
      - name: tpu-job-gpt
        image: gcr.io/$(project-id)/gpt:latest
        ports:
        - containerPort: 8479
        - containerPort: 8478
        - containerPort: 8477
        - containerPort: 8476
        - containerPort: 8431 # Port to export TPU usage metrics, if supported.
        env:
        - name: PJRT_DEVICE
          value: 'TPU'
        - name: XLA_USE_BF16
          value: '1'
        command:
        - bash
        - -c
        - |
          numactl --cpunodebind=0 python3 -u examples/pytorch/xla_spawn.py   --num_cores 4 examples/pytorch/language-modeling/run_clm.py    --num_train_epochs 3 --dataset_name wikitext     --dataset_config_name wikitext-2-raw-v1 --per_device_train_batch_size 16    --per_device_eval_batch_size 16 --do_train --do_eval  --output_dir /tmp/test-clm     --overwrite_output_dir --config_name my_config_2.json --cache_dir /tmp --tokenizer_name gpt2  --block_size 1024 --optim adafactor --adafactor true --save_strategy no --logging_strategy no --fsdp "full_shard" --fsdp_config fsdp_config.json
        volumeMounts:
        - mountPath: /dev/shm
          name: shm
        resources:
          requests:
            google.com/tpu: 4
          limits:
            google.com/tpu: 4

Implante o fluxo de trabalho usando:

kubectl apply -f tpu_job_gpt.yaml

Limpeza

Depois que o job terminar de ser executado, você poderá excluí-lo usando:

kubectl delete -f tpu_job_gpt.yaml

Tutorial: cargas de trabalho de inferência de host único

Neste tutorial, mostramos como executar uma carga de trabalho de inferência de host único em TPUs do GKE v5e para modelos pré-treinados com JAX, TensorFlow e PyTorch. De modo geral, há quatro etapas separadas a serem executadas no cluster do GKE:

1. Criar um bucket do Cloud Storage e configurar o acesso a ele. Um bucket do Cloud Storage é usado para armazenar o modelo pré-treinado.

2. Fazer o download e converter um modelo pré-treinado em um modelo compatível com TPU. Aplique um pod do Kubernetes que faça o download do modelo pré-treinado, use o Cloud TPU Converter e armazene os modelos convertidos em um bucket do Cloud Storage usando o driver CSI do Cloud Storage FUSE. O Cloud TPU Converter não requer hardware especializado. Neste tutorial, mostramos como fazer o download do modelo e executar o Cloud TPU Converter no pool de nós da CPU.

3. Inicie o servidor do modelo convertido. Aplique uma implantação que exiba o modelo usando um framework de servidor apoiado pelo volume armazenado no volume permanente ReadOnlymuitos (ROX, na sigla em inglês). As réplicas de implantação precisam ser executadas em um pool de nós de fração v5e com um pod do Kubernetes por nó, em um pool de nós de fração v5e com um pod do Kubernetes por nó.

4. Implantar um balanceador de carga para testar o servidor de modelo. O servidor é exposto a solicitações externas usando o serviço LoadBalancer. Um script Python foi fornecido com uma solicitação de exemplo para testar o servidor do modelo.

O diagrama a seguir mostra como as solicitações são roteadas pelo balanceador de carga.

Observação: esses modelos são apenas exemplos de referência e não são otimizados para desempenho. Elas não são recomendadas para uso com serviços de comparação ou de produção.

Exemplos de implantação de servidor

Essas cargas de trabalho de exemplo são configuradas com as seguintes suposições:

• O cluster está em execução com um pool de nós da TPU v5 com três nós
• O pool de nós está usando o tipo de máquina ct5lp-hightpu-1t, em que:
  • a topologia é 1x1
  • o número de chips de TPU é 1

O manifesto do GKE a seguir define uma única implantação de servidor host.

apiVersion: apps/v1
kind: Deployment
metadata:
  name: bert-deployment
spec:
  selector:
    matchLabels:
      app: tf-bert-server
  replicas: 3 # number of nodes in node pool
  template:
    metadata:
      annotations:
        gke-gcsfuse/volumes: "true"
      labels:
        app: tf-bert-server
    spec:
      nodeSelector:
        cloud.google.com/gke-tpu-topology: 1x1  # target topology
        cloud.google.com/gke-tpu-accelerator: tpu-v5-lite-podslice  # target version
      containers:
      - name: serve-bert
        image: us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0
        env:
        - name: MODEL_NAME
          value: "bert"
        volumeMounts:
        - mountPath: "/models/"
          name: bert-external-storage
        ports:
        - containerPort: 8500
        - containerPort: 8501
        - containerPort: 8431 # Port to export TPU usage metrics, if supported.
        resources:
          requests:
            google.com/tpu: 1 # TPU chip request
          limits:
            google.com/tpu: 1 # TPU chip request
      volumes:
      - name: bert-external-storage
        persistentVolumeClaim:
          claimName: external-storage-pvc

Se você estiver usando um número diferente de nós no pool de nós da TPU, altere o campo replicas para o número de nós.

Se o cluster padrão executar o GKE versão 1.27 ou anterior, adicione o seguinte campo ao seu manifesto:

spec:
  securityContext:
    privileged: true

Você não precisa executar pods do Kubernetes no modo privilegiado no GKE versão 1.28 ou posterior. Para mais detalhes, consulte Executar contêineres sem modo privilegiado.

Se você estiver usando um tipo de máquina diferente:

• Defina cloud.google.com/gke-tpu-topology como a topologia do tipo de máquina que você está usando.
• Defina os dois campos google.com/tpu em resources para corresponder ao número de chips do tipo de máquina correspondente.

Configuração

Faça o download dos scripts Python e dos manifestos YAML do tutorial usando o seguinte comando:

git clone https://github.com/GoogleCloudPlatform/ai-on-gke.git

Acesse o diretório single-host-inference:

cd ai-on-gke/gke-tpu-examples/single-host-inference/

Configurar o ambiente Python

Os scripts Python usados neste tutorial exigem a versão 3.9 ou superior do Python. Lembre-se de instalar o requirements.txt para cada tutorial antes de executar os scripts de teste do Python.

Se você não tiver a configuração adequada do Python no ambiente local, use o Cloud Shell para fazer o download e executar os scripts Python neste tutorial.

Configurar o cluster

1. Crie um cluster usando o tipo de máquina e2-standard-4.

   gcloud container clusters create cluster-name \
   --region your-region \
   --release-channel rapid \
   --num-nodes=1 \
   --machine-type=e2-standard-4 \
   --workload-pool=project-id.svc.id.goog \
   --addons GcsFuseCsiDriver
   

2. Crie o pool de nós de TPU de host único.

As cargas de trabalho de exemplo pressupõem o seguinte:

• Seu cluster está em execução com um pool de nós da TPU v5e com três nós.
• O pool de nós da TPU está usando o tipo de máquina ct5lp-hightpu-1t.

Se você estiver usando uma configuração de cluster diferente da descrita anteriormente, será necessário editar o manifesto de implantação do servidor.

Para a demonstração do JAX Stable Diffusion, você precisará de um pool de nós de CPU com um tipo de máquina que tenha 16 Gi+ de memória disponível (por exemplo, e2-standard-4). Isso é configurado no comando gcloud container clusters create ou adicionando mais um pool de nós ao cluster existente com o seguinte comando:

gcloud beta container node-pools create your-pool-name \
  --zone=your-cluster-zone \
  --cluster=your-cluster-name \
  --machine-type=e2-standard-4 \
  --num-nodes=1

Substitua:

• your-pool-name: o nome do pool de nós a ser criado.
• your-cluster-zone: a zona em que o cluster foi criado.
• your-cluster-name: o nome do cluster em que o pool de nós será adicionado.
• your-machine-type: o tipo de máquina dos nós a serem criados no pool de nós.

Configurar o armazenamento de modelos

Há várias maneiras de armazenar seu modelo para exibição. Neste tutorial, usaremos a seguinte abordagem:

• Para converter o modelo pré-treinado para funcionar em TPUs, usaremos uma nuvem privada virtual com suporte de Persistent Disk com acesso ReadWriteMany (RWX).
• Para exibir o modelo em várias TPUs de host único, usaremos a mesma VPC com suporte do bucket do Cloud Storage.

Execute o comando a seguir para criar um bucket do Cloud Storage.

gcloud storage buckets create gs://your-bucket-name \
  --project=your-bucket-project-id \
  --location=your-bucket-location

Substitua:

• your-bucket-name: o nome do bucket do Cloud Storage.
• your-bucket-project-id: o ID do projeto em que você criou o bucket do Cloud Storage.
• your-bucket-location: o local do seu bucket do Cloud Storage. Para melhorar o desempenho, especifique o local em que o cluster do GKE está sendo executado.

Use as etapas a seguir para conceder ao cluster do GKE acesso ao bucket. Para simplificar a configuração, os exemplos a seguir usam o namespace padrão e a conta de serviço padrão do Kubernetes. Para detalhes, consulte Configurar o acesso a buckets do Cloud Storage usando a Identidade da carga de trabalho do GKE.

1. Crie uma conta de serviço do IAM para seu aplicativo ou use uma conta de serviço do IAM atual. É possível usar qualquer conta de serviço do IAM no projeto do bucket do Cloud Storage.

   Observação: se você estiver usando uma conta de serviço do IAM atual, pule esta etapa.

   gcloud iam service-accounts create your-iam-service-acct \
   --project=your-bucket-project-id
   

   Substitua:

   • your-iam-service-acct: o nome da nova conta de serviço do IAM.
   • your-bucket-project-id: o ID do projeto em que você criou a conta de serviço do IAM. A conta de serviço do IAM precisa estar no mesmo projeto que o bucket do Cloud Storage.

2. Verifique se a conta de serviço do IAM tem os papéis de armazenamento necessários.

   gcloud storage buckets add-iam-policy-binding gs://your-bucket-name \
   --member "serviceAccount:[e-mail]" \
   --role "roles/storage.objectAdmin"
   

   Substitua:

   • your-bucket-name: o nome do bucket do Cloud Storage.
   • your-iam-service-acct: o nome da nova conta de serviço do IAM.
   • your-bucket-project-id: o ID do projeto em que você criou a conta de serviço do IAM.

3. Permita que a conta de serviço do Kubernetes personifique a conta de serviço do IAM adicionando uma vinculação de política do IAM entre as duas contas de serviço. Essa vinculação permite que a conta de serviço do Kubernetes atue como a conta de serviço do IAM.

   gcloud iam service-accounts add-iam-policy-binding [e-mail] \
     --role roles/iam.workloadIdentityUser \
     --member "serviceAccount:your-project-id.svc.id.goog[default/default]"
   

   Substitua:

   • your-iam-service-acct: o nome da nova conta de serviço do IAM.
   • your-bucket-project-id: o ID do projeto em que você criou a conta de serviço do IAM.
   • your-project-id: o ID do projeto em que você criou o cluster do GKE. Os buckets do Cloud Storage e o cluster do GKE podem estar no mesmo projeto ou em projetos diferentes.

4. Anote a conta de serviço do Kubernetes com o endereço de e-mail da conta de serviço do IAM.

   kubectl annotate serviceaccount default \
     --namespace default \
     iam.gke.io/gcp-service-account=[e-mail]
   

   Substitua:

   • your-iam-service-acct: o nome da nova conta de serviço do IAM.
   • your-bucket-project-id: o ID do projeto em que você criou a conta de serviço do IAM.

5. Execute o comando a seguir para preencher o nome do bucket nos arquivos YAML desta demonstração:

   find . -type f -name "*.yaml" | xargs sed -i "s/BUCKET_NAME/your-bucket-name/g"
   

   Substitua your-bucket-name pelo nome do bucket do Cloud Storage.

6. Crie a declaração de volume permanente e de volume permanente com o seguinte comando:

   kubectl apply -f pvc-pv.yaml
   

Inferência e disponibilização de modelos JAX

Instale as dependências do Python para executar scripts de tutorial em Python que enviam solicitações ao serviço do modelo JAX.

pip install -r jax/requirements.txt

Execute a demonstração do serviço JAX BERT E2E:

Esta demonstração usa um modelo BERT pré-treinado do Hugging Face.

Observação: execute as instruções de setup antes de executar a demonstração de exibição E2E.

O pod do Kubernetes executa as seguintes etapas:

1. Faz o download e usa o script Python export_bert_model.py dos recursos de exemplo para fazer o download do modelo bert pré-treinado para um diretório temporário.
2. Usa a imagem do Cloud TPU Converter para converter o modelo pré-treinado de CPU em TPU e armazena o modelo no bucket do Cloud Storage criado durante a setup.

Este pod do Kubernetes está configurado para ser executado na CPU do pool de nós padrão. Execute o pod com o seguinte comando:

kubectl apply -f jax/bert/install-bert.yaml

Verifique se o modelo foi instalado corretamente com o seguinte:

kubectl get pods install-bert

Pode levar alguns minutos para o STATUS ler o Completed.

Iniciar o servidor de modelo do TF para o modelo

As cargas de trabalho de exemplo neste tutorial pressupõem o seguinte:

• O cluster está em execução com um pool de nós da TPU v5 com três nós
• O pool de nós está usando o tipo de máquina ct5lp-hightpu-1t, que contém um chip de TPU.

Se você estiver usando uma configuração de cluster diferente da descrita anteriormente, será necessário editar o manifesto de implantação do servidor.

Aplicar implantação

kubectl apply -f jax/bert/serve-bert.yaml

Verifique se o servidor está sendo executado com o seguinte comando:

kubectl get deployment bert-deployment

Pode levar um minuto para o AVAILABLE ler 3.

Aplicar serviço de balanceador de carga

kubectl apply -f jax/bert/loadbalancer.yaml

Verifique se o balanceador de carga está pronto para o tráfego externo com o seguinte:

kubectl get svc tf-bert-service

Pode levar alguns minutos para que EXTERNAL_IP tenha um IP listado.

Envie a solicitação ao servidor do modelo

Receba o IP externo do serviço de balanceador de carga:

EXTERNAL_IP=$(kubectl get services tf-bert-service --output jsonpath='{.status.loadBalancer.ingress[0].ip}')

Execute um script para enviar uma solicitação ao servidor:

python3 jax/bert/bert_request.py $EXTERNAL_IP

Saída esperada:

For input "The capital of France is [MASK].", the result is ". the capital of france is paris.."
For input "Hello my name [MASK] Jhon, how can I [MASK] you?", the result is ". hello my name is jhon, how can i help you?."

Limpeza

Para limpar os recursos, execute kubectl delete na ordem inversa.

kubectl delete -f jax/bert/loadbalancer.yaml
kubectl delete -f jax/bert/serve-bert.yaml
kubectl delete -f jax/bert/install-bert.yaml

Executar a demonstração de exibição do JAX Stable Diffusion E2E

Esta demonstração usa o modelo de difusão estável pré-treinado do Hugging Face.

Observação: execute as instruções de Configuração antes de executar a demonstração de exibição E2E.

Exportar modelo TF2 salvo compatível com TPU do modelo de difusão estável do Flax

Exportar os modelos estáveis de difusão exige que o cluster tenha um pool de nós de CPU com um tipo de máquina que tenha mais de 16 GB de memória disponível, conforme descrito em Cluster de configuração.

O pod do Kubernetes executa as seguintes etapas:

1. Faz o download e usa o script Python export_stable_diffusion_model.py dos recursos de exemplo para fazer o download do modelo de difusão estável pré-treinado para um diretório temporário.
2. Usa a imagem do Cloud TPU Converter para converter o modelo pré-treinado de CPU em TPU e armazena o modelo no bucket do Cloud Storage criado durante a configuração de armazenamento.

Este pod do Kubernetes está configurado para ser executado no pool de nós de CPU padrão. Execute o pod com o seguinte comando:

kubectl apply -f jax/stable-diffusion/install-stable-diffusion.yaml

Verifique se o modelo foi instalado corretamente com o seguinte:

kubectl get pods install-stable-diffusion

Pode levar alguns minutos para o STATUS ler o Completed.

Iniciar o contêiner do servidor de modelo do TF para o modelo

As cargas de trabalho de exemplo foram configuradas com as seguintes suposições:

• o cluster está em execução com um pool de nós TPU v5 com três nós
• o pool de nós está usando o tipo de máquina ct5lp-hightpu-1t, em que:
  • a topologia é 1x1
  • o número de chips de TPU é 1

Se você estiver usando uma configuração de cluster diferente da descrita anteriormente, será necessário editar o manifesto de implantação do servidor.

Aplique a implantação:

kubectl apply -f jax/stable-diffusion/serve-stable-diffusion.yaml

Verifique se o servidor está sendo executado conforme o esperado:

kubectl get deployment stable-diffusion-deployment

Pode levar um minuto para o AVAILABLE ler 3.

Aplique o serviço de balanceador de carga:

kubectl apply -f jax/stable-diffusion/loadbalancer.yaml

Verifique se o balanceador de carga está pronto para o tráfego externo com o seguinte:

kubectl get svc tf-stable-diffusion-service

Pode levar alguns minutos para que EXTERNAL_IP tenha um IP listado.

Envie a solicitação ao servidor do modelo

Receba um IP externo do balanceador de carga:

EXTERNAL_IP=$(kubectl get services tf-stable-diffusion-service --output jsonpath='{.status.loadBalancer.ingress[0].ip}')

Executar script para enviar uma solicitação ao servidor

python3 jax/stable-diffusion/stable_diffusion_request.py $EXTERNAL_IP

Saída esperada:

O comando é Painting of a squirrel skating in New York, e a imagem de saída será salva como stable_diffusion_images.jpg no diretório atual.

Observação: como o modelo pré-treinado é relativamente grande, levará cerca de dois minutos para que o serviço de exibição carregue o modelo. Se aparecerem erros ao enviar uma solicitação ao servidor do modelo, tente novamente após dois minutos.

Limpeza

Para limpar os recursos, execute kubectl delete na ordem inversa.

kubectl delete -f jax/stable-diffusion/loadbalancer.yaml
kubectl delete -f jax/stable-diffusion/serve-stable-diffusion.yaml
kubectl delete -f jax/stable-diffusion/install-stable-diffusion.yaml

Execute a demonstração de exibição do TensorFlow ResNet-50 E2E:

Instale dependências do Python para executar scripts de tutorial em Python que enviam solicitações ao serviço de modelo do TF.

pip install -r tf/resnet50/requirements.txt

Etapa 1: converter o modelo

Aplicar conversão de modelo:

kubectl apply -f tf/resnet50/model-conversion.yml

Verifique se o modelo foi instalado corretamente com o seguinte:

kubectl get pods resnet-model-conversion

Pode levar alguns minutos para o STATUS ler o Completed.

Etapa 2: disponibilizar o modelo com o TensorFlow Serving

Aplique a implantação da disponibilização do modelo:

kubectl apply -f tf/resnet50/deployment.yml

Para verificar se o servidor está funcionando conforme esperado, use o seguinte comando:

kubectl get deployment resnet-deployment

Pode levar um minuto para o AVAILABLE ler 3.

Aplique o serviço de balanceador de carga:

kubectl apply -f tf/resnet50/loadbalancer.yml

Verifique se o balanceador de carga está pronto para o tráfego externo com o seguinte:

kubectl get svc resnet-service

Pode levar alguns minutos para que EXTERNAL_IP tenha um IP listado.

Etapa 3: enviar a solicitação de teste para o servidor do modelo

Consulte o IP externo do balanceador de carga:

EXTERNAL_IP=$(kubectl get services resnet-service --output jsonpath='{.status.loadBalancer.ingress[0].ip}')

Execute o script de solicitação de teste (HTTP) para enviar a solicitação ao servidor do modelo.

python3 tf/resnet50/request.py --host $EXTERNAL_IP

A resposta será semelhante a esta:

Predict result: ['ImageNet ID: n07753592, Label: banana, Confidence: 0.94921875',
'ImageNet ID: n03532672, Label: hook, Confidence: 0.0223388672', 'ImageNet ID: n07749582,
Label: lemon, Confidence: 0.00512695312

Etapa 4: limpeza

Para limpar recursos, execute os seguintes comandos kubectl delete:

kubectl delete -f tf/resnet50/loadbalancer.yml
kubectl delete -f tf/resnet50/deployment.yml
kubectl delete -f tf/resnet50/model-conversion.yml

Certifique-se de excluir o pool de nós e o cluster do GKE quando terminar de usá-los.

Inferência e disponibilização de modelos PyTorch

Instale as dependências do Python para executar scripts de tutorial em Python que enviam solicitações ao serviço do modelo PyTorch:

pip install -r pt/densenet161/requirements.txt

Execute a demonstração de exibição do TorchServe Densenet161 E2E:

1. Gere o arquivo do modelo.

   1. Aplique o arquivo do modelo:

   kubectl apply -f pt/densenet161/model-archive.yml
   

   1. Verifique se o modelo foi instalado corretamente com o seguinte:

   kubectl get pods densenet161-model-archive
   

   Pode levar alguns minutos para o STATUS ler o Completed.

2. Exiba o modelo com o TorchServe:

   1. Aplique a implantação da disponibilização de modelos:

      kubectl apply -f pt/densenet161/deployment.yml
      

   2. Para verificar se o servidor está funcionando conforme esperado, use o seguinte comando:

      kubectl get deployment densenet161-deployment
      

      Pode levar um minuto para o AVAILABLE ler 3.

   3. Aplique o serviço de balanceador de carga:

      kubectl apply -f pt/densenet161/loadbalancer.yml
      

      Verifique se o balanceador de carga está pronto para o tráfego externo com o seguinte comando:

      kubectl get svc densenet161-service
      

      Pode levar alguns minutos para que EXTERNAL_IP tenha um IP listado.

3. Envie a solicitação de teste para o servidor do modelo:

   1. Receba o IP externo do balanceador de carga:

      EXTERNAL_IP=$(kubectl get services densenet161-service --output jsonpath='{.status.loadBalancer.ingress[0].ip}')
      

   2. Execute o script de solicitação de teste para enviar a solicitação (HTTP) ao servidor do modelo:

      python3 pt/densenet161/request.py --host $EXTERNAL_IP
      

      Você verá uma resposta como esta:

      Request successful. Response: {'tabby': 0.47878125309944153, 'lynx': 0.20393909513950348, 'tiger_cat': 0.16572578251361847, 'tiger': 0.061157409101724625, 'Egyptian_cat': 0.04997897148132324
      

4. Limpe os recursos executando os seguintes comandos kubectl delete:

   kubectl delete -f pt/densenet161/loadbalancer.yml
   kubectl delete -f pt/densenet161/deployment.yml
   kubectl delete -f pt/densenet161/model-archive.yml
   

   Certifique-se de excluir o pool de nós e o cluster do GKE quando terminar de usá-los.

Como solucionar problemas comuns

Veja informações sobre solução de problemas do GKE em Solução de problemas da TPU no GKE.

Falha na inicialização da TPU

Se você encontrar o erro a seguir, verifique se está executando o contêiner de TPU em modo privilegiado ou se aumentou o ulimit dentro do contêiner. Para saber mais, consulte Executar sem o modo privilegiado.

TPU platform initialization failed: FAILED_PRECONDITION: Couldn't mmap: Resource
temporarily unavailable.; Unable to create Node RegisterInterface for node 0,
config: device_path:      "/dev/accel0" mode: KERNEL debug_data_directory: ""
dump_anomalies_only: true crash_in_debug_dump: false allow_core_dump: true;
could not create driver instance

Impasse de programação

Suponha que você tenha dois jobs (Job A e Job B) e ambos sejam programados em fatias de TPU com uma determinada topologia de TPU (digamos, v4-32). Suponha também que você tenha duas frações de TPU v4-32 no cluster do GKE. Vamos chamar essas fatias de X e Y. Como o cluster tem ampla capacidade para programar os dois jobs, em teoria, ambos precisam ser programados rapidamente: um job em cada uma das duas frações v4-32 da TPU.

No entanto, sem um planejamento cuidadoso, é possível entrar em um impasse de programação. Suponha que o programador do Kubernetes programe um pod do Kubernetes do job A na fração X e, em seguida, programe um pod do Kubernetes do job B na fração X. Nesse caso, considerando as regras de afinidade de pod do Kubernetes para o job A, o programador tentará programar todos os pods do Kubernetes restantes para o job A na fração X. O mesmo para o Job B. Assim, nem o job A nem o job B poderão ser totalmente programados em uma única fração. O resultado será um impasse de programação.

Para evitar o risco de um impasse de programação, é possível usar a antiafinidade do pod do Kubernetes com cloud.google.com/gke-nodepool como topologyKey, conforme mostrado neste exemplo:

apiVersion: batch/v1
kind: Job
metadata:
 name: pi
spec:
 parallelism: 2
 template:
   metadata:
     labels:
       job: pi
   spec:
     affinity:
       podAffinity:
         requiredDuringSchedulingIgnoredDuringExecution:
         - labelSelector:
             matchExpressions:
             - key: job
               operator: In
               values:
               - pi
           topologyKey: cloud.google.com/gke-nodepool
       podAntiAffinity:
         requiredDuringSchedulingIgnoredDuringExecution:
         - labelSelector:
             matchExpressions:
             - key: job
               operator: NotIn
               values:
               - pi
           topologyKey: cloud.google.com/gke-nodepool
           namespaceSelector:
             matchExpressions:
             - key: kubernetes.io/metadata.name
               operator: NotIn
               values:
               - kube-system
     containers:
     - name: pi
       image: perl:5.34.0
       command: ["sleep",  "60"]
     restartPolicy: Never
 backoffLimit: 4

Como criar recursos do pool de nós da TPU com o Terraform

Também é possível usar o Terraform para gerenciar os recursos de cluster e pool de nós.

Criar um pool de nós de fração de TPU de vários hosts em um cluster do GKE atual

Se você tiver um cluster atual em que quer criar um pool de nós de TPU de vários hosts, use o seguinte snippet do Terraform:

resource "google_container_cluster" "cluster_multi_host" {
  …
  release_channel {
    channel = "RAPID"
  }
  workload_identity_config {
    workload_pool = "my-gke-project.svc.id.goog"
  }
  addons_config {
    gcs_fuse_csi_driver_config {
      enabled = true
    }
  }
}

resource "google_container_node_pool" "multi_host_tpu" {
  provider           = google-beta
  project            = "${project-id}"
  name               = "${node-pool-name}"
  location           = "${location}"
  node_locations     = ["${node-locations}"]
  cluster            = google_container_cluster.cluster_multi_host.name
  initial_node_count = 2

  node_config {
    machine_type = "ct4p-hightpu-4t"
    reservation_affinity {
      consume_reservation_type = "SPECIFIC_RESERVATION"
      key = "compute.googleapis.com/reservation-name"
      values = ["${reservation-name}"]
    }
    workload_metadata_config {
      mode = "GKE_METADATA"
    }
  }

  placement_policy {
    type = "COMPACT"
    tpu_topology = "2x2x2"
  }
}

Substitua os seguintes valores:

• your-project: o projeto do Google Cloud em que a carga de trabalho está sendo executada.
• your-node-pool: o nome do pool de nós que você está criando.
• us-central2: a região em que você está executando a carga de trabalho.
• us-central2-b: a zona em que a carga de trabalho está sendo executada.
• your-reservation-name: o nome da sua reserva.

Criar um pool de nós de fração de TPU de host único em um cluster do GKE atual

Use o seguinte snippet do Terraform:

resource "google_container_cluster" "cluster_single_host" {
  …
  cluster_autoscaling {
    autoscaling_profile = "OPTIMIZE_UTILIZATION"
  }
  release_channel {
    channel = "RAPID"
  }
  workload_identity_config {
  workload_pool = "${project-id}.svc.id.goog"
  }
  addons_config {
    gcs_fuse_csi_driver_config {
      enabled = true
    }
  }
}

resource "google_container_node_pool" "single_host_tpu" {
  provider           = google-beta
  project            = "${project-id}"
  name               = "${node-pool-name}"
  location           = "${location}"
  node_locations     = ["${node-locations}"]
  cluster            = google_container_cluster.cluster_single_host.name
  initial_node_count = 0
  autoscaling {
    total_min_node_count = 2
    total_max_node_count = 22
    location_policy      = "ANY"
  }

  node_config {
    machine_type = "ct4p-hightpu-4t"
    workload_metadata_config {
      mode = "GKE_METADATA"
    }
  }
}

Substitua os seguintes valores:

• your-project: o projeto do Google Cloud em que a carga de trabalho está sendo executada.
• your-node-pool: o nome do pool de nós que você está criando.
• us-central2: a região em que você está executando a carga de trabalho.
• us-central2-b: a zona em que a carga de trabalho está sendo executada.