Einführung in TPUs in GKE

Kunden von Google Kubernetes Engine (GKE) können jetzt Kubernetes-Knotenpools erstellen, die TPU v4- und v5e-Segmente enthalten. Weitere Informationen zu TPUs finden Sie unter Systemarchitektur.

Wenn Sie mit GKE arbeiten, müssen Sie zuerst einen GKE-Cluster erstellen. Anschließend fügen Sie dem Cluster Knotenpools hinzu. GKE-Knotenpools sind Sammlungen von VMs, die die gleichen Attribute haben. Bei TPU-Arbeitslasten bestehen Knotenpools aus TPU-VMs.

Knotenpooltypen

GKE unterstützt zwei Arten von TPU-Knotenpools:

• TPU-Slice mit mehreren Hosts
• TPU-Slice mit einzelnem Host

TPU-Slice-Knotenpool mit mehreren Hosts

Ein TPU-Slice-Knotenpool mit mehreren Hosts ist ein Knotenpool, der zwei oder mehr verbundene TPU-VMs enthält. Mit jeder VM ist ein TPU-Gerät verbunden. Die TPUs in einem Segment mit mehreren Hosts sind über eine Hochgeschwindigkeits-Interconnect-Verbindung (ICI) verbunden. Nachdem ein Slice-Knotenpool mit mehreren Hosts erstellt wurde, können Sie ihm keine Knoten mehr hinzufügen. Sie können beispielsweise keinen v4-32-Knotenpool erstellen und dem Knotenpool später einen zusätzlichen Kubernetes-Knoten (TPU-VM) hinzufügen. Wenn Sie einem GKE-Cluster ein zusätzliches TPU-Slice hinzufügen möchten, müssen Sie einen neuen Knotenpool erstellen.

Die Hosts in einem TPU-Slice-Knotenpool mit mehreren Hosts werden als eine einzelne atomare Einheit behandelt. Wenn GKE einen Knoten im Slice nicht bereitstellen kann, werden keine Knoten im Slice bereitgestellt.

Wenn ein Knoten in einem TPU-Slice mit mehreren Hosts repariert werden muss, fährt GKE alle TPU-VMs im Slice herunter, wodurch alle Kubernetes-Pods in der Arbeitslast entfernt werden. Sobald alle TPU-VMs im Slice ausgeführt werden, können die Kubernetes-Pods auf den TPU-VMs im neuen Slice geplant werden.

Das folgende Diagramm zeigt ein Beispiel für einen v5litepod-16 (v5e)-TPU-Slice mit mehreren Hosts. Dieses Slice hat vier TPU-VMs. Jede TPU-VM hat vier TPU v5e-Chips, die über Hochgeschwindigkeits-Interconnect-Verbindungen (ICI) verbunden sind, und jeder TPU v5e-Chip hat einen TensorCore-Prozessor.

Das folgende Diagramm zeigt einen GKE-Cluster mit einem TPU-v5litepod-16-Slice (v5e) (Topologie: 4x4) und einem TPU-v5litepod-8-Slice (V5e) (2x4):

Ein Beispiel zum Ausführen einer Arbeitslast auf einem TPU-Slice mit mehreren Hosts finden Sie unter Arbeitslast auf TPUs ausführen.

TPU-Slice-Knotenpools mit einzelnem Host

Ein Knotenpool mit einem einzelnen Host-Slice ist ein Knotenpool, der eine oder mehrere unabhängige TPU-VMs enthält. Mit jeder VM ist ein TPU-Gerät verbunden. Während die VMs in einem Knotenpool mit einem einzelnen Host-Slice über das Rechenzentrumsnetzwerk (DCN) kommunizieren können, sind die an die VMs angehängten TPUs nicht miteinander verbunden.

Das folgende Diagramm zeigt ein Beispiel für ein TPU-Slice mit einem einzelnen Host mit sieben v4-8-Maschinen:

Ein Beispiel zum Ausführen einer Arbeitslast auf einem TPU-Slice mit einem einzelnen Host finden Sie unter Arbeitslast auf TPUs ausführen.

TPU-Maschinentypen für GKE-Knotenpools

Bevor Sie Knotenpools erstellen, müssen Sie die TPU-Version und -Größe des TPU-Slice auswählen, den Ihre Arbeitslast benötigt. TPU v4 wird in der GKE-Standardversion 1.26.1-gke.1500 und höher, v5e in der GKE-Standardversion 1.27.2-gke.2100 und höher und v5p in der GKE-Standardversion 1.28.3-gke.1024000 und höher unterstützt.

TPU v4, v5e und v5p werden in GKE Autopilot ab Version 1.29.2-gke.1521000 unterstützt.

Weitere Informationen zu den Hardwarespezifikationen der verschiedenen TPU-Versionen finden Sie unter Systemarchitektur. Wählen Sie beim Erstellen eines TPU-Knotenpools eine TPU-Slice-Größe (eine TPU-Topologie) anhand der Größe Ihres Modells und des erforderlichen Arbeitsspeichers aus. Der Maschinentyp, den Sie beim Erstellen der Knotenpools angeben, hängt von der Version und Größe der Segmente ab.

Version 5e

Die folgenden TPU v5e-Maschinentypen und -Topologien werden für Trainings- und Inferenz-Anwendungsfälle unterstützt:

Maschinentyp	Topologie	Anzahl der TPU-Chips	Anzahl der VMs	Empfohlener Anwendungsfall
ct5lp-hightpu-1t	1x1	1	1	Training, Inferenz eines einzelnen Hosts
ct5lp-hightpu-4t	2x2	4	1	Training, Inferenz eines einzelnen Hosts
ct5lp-hightpu-8t	2x4	8	1	Training, Inferenz eines einzelnen Hosts
ct5lp-hightpu-4t	2x4	8	2	Training, Inferenz mit mehreren Hosts
ct5lp-hightpu-4t	4x4	16	4	Umfangreiches Training, Inferenz mit mehreren Hosts
ct5lp-hightpu-4t	4x8	32	8	Umfangreiches Training, Inferenz mit mehreren Hosts
ct5lp-hightpu-4t	8x8	64	16	Umfangreiches Training, Inferenz mit mehreren Hosts
ct5lp-hightpu-4t	8x16	128	32	Umfangreiches Training, Inferenz mit mehreren Hosts
ct5lp-hightpu-4t	16x16	256	64	Umfangreiches Training, Inferenz mit mehreren Hosts

Cloud TPU v5e ist ein kombiniertes Trainings- und Inferenzprodukt. Trainingsjobs sind für Durchsatz und Verfügbarkeit optimiert, während Inferenzjobs für Latenz optimiert sind. Weitere Informationen finden Sie unter V5e Training-Beschleunigertypen und V5e-Inferenzbeschleunigertypen.

TPU v5e-Maschinen sind in us-west4-a, us-east5-b und us-east1-c verfügbar. GKE-Standardcluster müssen Version 1.27.2-gke.2100 der Steuerungsebene oder höher ausführen. GKE Autopilot muss mindestens Version 1.29.2-gke.1521000 der Steuerungsebene ausführen. Weitere Informationen zu v5e finden Sie unter Training zu Cloud TPU v5e.

Vergleich der Maschinentypen:

Maschinentyp	ct5lp-hightpu-1t	ct5lp-hightpu-4t	ct5lp-hightpu-8t
Anzahl der V5e-Chips	1	4	8
Anzahl der vCPUs	24	112	224
RAM (GB)	48	192	384
Anzahl der NUMA-Knoten	1	1	2
Wahrscheinlichkeit eines vorzeitigen Beendens	Hoch	Mittel	Niedrig

Um Platz für VMs mit mehr Chips zu schaffen, kann der GKE-Planer VMs mit weniger Chips vorzeitig beenden und neu planen. Daher ist es wahrscheinlicher, dass VMs mit 8 Chips 1- und 4-Chip-VMs vorzeitig beenden.

v4 und v5p

Dies sind die TPU v4- und v5p-Maschinentypen:

Maschinentyp	Anzahl der vCPUs	Arbeitsspeicher (GB)	Anzahl der NUMA-Knoten
ct4p-hightpu-4t	240	407	2
ct5p-hightpu-4t	208	448	2

Verwenden Sie beim Erstellen eines TPU v4-Slice den Maschinentyp ct4p-hightpu-4t, der einen Host und vier Chips enthält. Weitere Informationen finden Sie unter v4-Topologien und TPU-Systemarchitektur. TPU v4-Slice-Maschinentypen sind in us-central2-b verfügbar. In Ihren GKE-Standardclustern muss mindestens Version 1.26.1-gke.1500 der Steuerungsebene ausgeführt werden. GKE Autopilot-Cluster müssen mindestens Version 1.29.2-gke.1521000 der Steuerungsebene ausführen.

Verwenden Sie beim Erstellen eines TPU v5p-Slice den Maschinentyp ct5p-hightpu-4t, der einen Host und vier Chips enthält. TPU v5p-Slice-Maschinentypen sind in us-west4-a und us-east5-a verfügbar. GKE-Standardcluster müssen mindestens Version 1.28.3-gke.1024000 der Steuerungsebene ausführen. GKE Autopilot muss mindestens 1.29.2-gke.1521000 ausführen. Weitere Informationen zu v5p finden Sie in der Einführung zum v5p-Training.

Bekannte Probleme und Beschränkungen

• Maximale Anzahl von Kubernetes-Pods: Sie können maximal 256 Kubernetes-Pods in einer einzelnen TPU-VM ausführen.
• Nur BESTIMMTE Reservierungen: Bei der Verwendung von TPUs in GKE ist SPECIFIC der einzige unterstützte Wert für das Flag --reservation-affinity des Befehls gcloud container node-pools create.
• Es wird nur die Spot-VMs-Variante von TPUs auf Abruf unterstützt: Spot-VMs ähneln VMs auf Abruf und unterliegen denselben Verfügbarkeitsbeschränkungen, haben aber keine maximale Dauer von 24 Stunden.
• Keine Unterstützung für die Kostenzuweisung: Die GKE-Kostenzuweisung und die Nutzungsmessung enthalten keine Daten zur Nutzung oder Kosten von TPUs.
• Autoscaling berechnet die Kapazität möglicherweise: Cluster-Autoscaling berechnet die Kapazität für neue Knoten mit TPU-VMs möglicherweise falsch, bevor diese Knoten verfügbar sind. Cluster Autoscaler kann dann eine zusätzliche Hochskalierung vornehmen, was dazu führt, dass mehr Knoten als erforderlich erstellt werden. Cluster Autoscaler skaliert nach dem regulären Herunterskalieren zusätzliche Knoten herunter, wenn diese nicht benötigt werden.
• Autoscaling bricht das Hochskalieren ab: Cluster-Autoscaling bricht das Hochskalieren von TPU-Knotenpools ab, die länger als 10 Stunden im Wartestatus sind. Cluster Autoscaler wiederholt solche Vorgänge zum Hochskalieren später. Dieses Verhalten kann die TPU-Verfügbarkeit für Kunden verringern, die keine Reservierungen verwenden.
• Taint kann das Herunterskalieren verhindern: Nicht-TPU-Arbeitslasten, die eine Toleranz für die TPU-Markierung haben, können das Herunterskalieren des Knotenpools verhindern, wenn sie während des Ausgleichs des TPU-Knotenpools neu erstellt werden.

Ausreichende TPU- und GKE-Kontingente sicherstellen

Möglicherweise müssen Sie bestimmte GKE-bezogene Kontingente in den Regionen erhöhen, in denen Ihre Ressourcen erstellt werden.

Die folgenden Kontingente haben Standardwerte, die wahrscheinlich erhöht werden müssen:

• Kontingent für nichtflüchtigen SSD-Speicher (GB): Das Bootlaufwerk jedes Kubernetes-Knotens benötigt standardmäßig 100 GB. Daher sollte dieses Kontingent mindestens auf die maximale Anzahl von GKE-Knoten, die erstellt werden sollen, auf 100 GB festgelegt werden.
• Kontingent für verwendete IP-Adressen: Jeder Kubernetes-Knoten nutzt eine IP-Adresse. Daher sollte dieses Kontingent auf mindestens die maximale Anzahl von GKE-Knoten festgelegt werden, die Sie erstellen möchten.

Unter Höheres Kontingent anfordern erfahren Sie, wie Sie eine Erhöhung des Kontingents anfordern. Weitere Informationen zu den Arten von TPU-Kontingenten finden Sie unter TPU-Kontingent.

Es kann einige Tage dauern, bis Ihre Anträge auf Kontingenterhöhung genehmigt werden. Wenn Ihre Anfragen zur Kontingenterhöhung nicht innerhalb weniger Tage genehmigt werden, wenden Sie sich an Ihr Google Konten-Team.

TPU-Reservierung migrieren

Wenn Sie nicht vorhaben, eine vorhandene TPU-Reservierung mit TPUs in GKE zu verwenden, überspringen Sie diesen Abschnitt und fahren Sie mit Google Kubernetes Engine-Cluster erstellen fort.

Damit Sie reservierte TPUs mit GKE verwenden können, müssen Sie zuerst Ihre TPU-Reservierung zu einem neuen Compute Engine-basierten Reservierungssystem migrieren.

Es gibt einige wichtige Dinge, die Sie über diese Migration wissen sollten:

• TPU-Kapazität, die zum neuen Compute Engine-basierten Reservierungssystem migriert wurde, kann nicht mit der Queued Resource API von Cloud TPU verwendet werden. Wenn Sie für Ihre Reservierung TPU-Ressourcen in der Warteschlange verwenden möchten, müssen Sie einen Teil Ihrer TPU-Reservierung zum neuen Compute Engine-basierten Reservierungssystem migrieren.
• Es können keine Arbeitslasten aktiv auf TPUs ausgeführt werden, wenn sie zum neuen Compute Engine-basierten Reservierungssystem migriert werden.
• Wählen Sie einen Zeitpunkt für die Migration aus und planen Sie die Migration gemeinsam mit Ihrem Account-Management-Team für Google Cloud. Das Zeitfenster für die Migration muss während der Geschäftszeiten liegen (Montag bis Freitag, 9:00 bis 17:00 Uhr Pacific Time).

Google Kubernetes Engine-Cluster erstellen

Weitere Informationen finden Sie in der Google Kubernetes Engine-Dokumentation unter Cluster erstellen.

TPU-Knotenpool erstellen

Weitere Informationen finden Sie in der Dokumentation zu Google Kubernetes Engine unter Knotenpool erstellen.

Ohne privilegierten Modus ausführen

Wenn Sie den Berechtigungsbereich für Ihren Container reduzieren möchten, lesen Sie den TPU-Berechtigungsmodus.

Arbeitslasten in TPU-Knotenpools ausführen

Weitere Informationen finden Sie in der Dokumentation zu Google Kubernetes Engine unter GKE-Arbeitslasten auf TPUs ausführen.

Knotenselektoren

Damit Kubernetes Ihre Arbeitslast auf Knoten mit TPU-VMs planen kann, müssen Sie in Ihrem Google Kubernetes Engine-Manifest zwei Selektoren für jeden Knoten angeben:

• Legen Sie cloud.google.com/gke-accelerator-type auf tpu-v5-lite-podslice oder tpu-v4-podslice fest.
• Legen Sie cloud.google.com/gke-tpu-topology auf die TPU-Topologie des Knotens fest.

Wichtig: Für Ihre Kubernetes-Pods müssen diese beiden Labels in Ihrem Arbeitslastmanifest unter dem Knoten nodeSelector oder nodeAffinity angegeben werden.

Die Abschnitte Trainingsarbeitslasten und Inferenzarbeitslasten enthalten Beispielmanifeste, die die Verwendung dieser Knotenselektoren veranschaulichen.

Überlegungen zur Arbeitslastplanung

TPUs haben besondere Merkmale, die eine spezielle Arbeitslastplanung und -verwaltung in Kubernetes erfordern. Weitere Informationen finden Sie unter Überlegungen zur Arbeitslastplanung in der GKE-Dokumentation.

Knotenreparatur

Wenn ein Knoten in einem TPU-Slice-Knotenpool mit mehreren Hosts fehlerhaft ist, erstellt GKE den gesamten Knotenpool neu. Weitere Informationen finden Sie unter Automatische Knotenreparatur in der GKE-Dokumentation.

Multislice - über ein einzelnes Segment hinaus

Für größere Trainingsarbeitslasten können Sie kleinere Segmente in einem Multislice zusammenfassen. Weitere Informationen finden Sie unter Cloud TPU Multislice.

Anleitungen für Trainingsarbeitslasten

Diese Anleitungen konzentrieren sich auf das Training von Arbeitslasten auf einem TPU-Slice mit mehreren Hosts (z. B. 4 v5e-Maschinen). Sie decken die folgenden Modelle ab:

• Hugging Face FLAX-Modelle: Trainiere die Streuung von Pokémon
• PyTorch/XLA: GPT2 in WikiText

Anleitungsressourcen herunterladen

Laden Sie die Python-Skripts und YAML-Spezifikationen der Anleitung für jedes vortrainierte Modell mit dem folgenden Befehl herunter:

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

Cluster erstellen und verbinden

Sie erstellen einen regionalen GKE-Cluster, damit die Kubernetes-Steuerungsebene in drei Zonen repliziert wird, was für eine höhere Verfügbarkeit sorgt. Erstellen Sie den Cluster in us-west4, us-east1 oder us-central2, je nachdem, welche TPU-Version Sie verwenden. Weitere Informationen zu TPUs und Zonen finden Sie unter Cloud TPU-Regionen und -Zonen.

Mit dem folgenden Befehl wird ein neuer regionaler GKE-Cluster erstellt, der die schnelle Release-Version abonniert hat und einen Knotenpool hat, der anfänglich einen Knoten pro Zone enthält. Der Befehl aktiviert auch die CSI-Treiberfeatures für Workload Identity und Cloud Storage FUSE in Ihrem Cluster, da in den Beispielinferenzarbeitslasten in dieser Anleitung Cloud Storage-Buckets zum Speichern von vortrainierten Modellen verwendet werden.

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

Führen Sie den folgenden Befehl aus, um CSI-Treiberfeatures für Workload Identity und Cloud Storage FUSE für vorhandene Cluster zu aktivieren:

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

Die Beispielarbeitslasten werden mit den folgenden Annahmen konfiguriert:

• Der Knotenpool verwendet tpu-topology=4x4 mit vier Knoten
• Der Knotenpool verwendet machine-type ct5lp-hightpu-4t

Führen Sie den folgenden Befehl aus, um eine Verbindung zum neu erstellten Cluster herzustellen:

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

Hugging Face FLAX-Modelle: Trainiere die Streuung von Pokémon

In diesem Beispiel wird das Modell „Stabile Diffusion“ aus HuggingFace mithilfe des Datasets Pokémon trainiert.

Das Modell „Stabile Diffusion“ ist ein latentes Text-zu-Bild-Modell, das aus jeder Texteingabe fotorealistische Bilder generiert. Weitere Informationen zur stabilen Diffusion finden Sie unter:

• Stabile Diffusion – Übersicht
• Codequelle für stabile Diffusion

Docker-Image erstellen

Das Dockerfile befindet sich im Ordner ai-on-gke/tutorials-and-examples/tpu-examples/training/diffusion/.

Bevor Sie den folgenden Befehl ausführen, sollten Sie dafür sorgen, dass Ihr Konto über die entsprechenden Berechtigungen verfügt, damit Docker per Push in das Repository übertragen kann.

Erstellen Sie das Docker-Image und übertragen Sie es per Push:

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

Arbeitslast bereitstellen

Erstellen Sie eine Datei mit folgendem Inhalt und nennen Sie sie tpu_job_diffusion.yaml. Füllen Sie das Bildfeld mit dem Bild aus, das Sie gerade erstellt haben.

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

Stellen Sie es dann mit folgendem Befehl bereit:

kubectl apply -f tpu_job_diffusion.yaml

Bereinigen

Nachdem der Job ausgeführt wurde, können Sie ihn so löschen:

kubectl delete -f tpu_job_diffusion.yaml

PyTorch/XLA: GPT2 in WikiText

In dieser Anleitung erfahren Sie, wie Sie GPT2 auf v5e-TPUs mit HuggingFace auf PyTorch/XLA unter Verwendung des Wikitext-Datasets ausführen.

Docker-Image erstellen

Das Dockerfile befindet sich im Ordner ai-on-gke/tutorials-and-examples/tpu-examples/training/gpt/.

Bevor Sie den folgenden Befehl ausführen, sollten Sie dafür sorgen, dass Ihr Konto über die entsprechenden Berechtigungen verfügt, damit Docker per Push in das Repository übertragen kann.

Erstellen Sie das Docker-Image und übertragen Sie es per Push:

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

Arbeitslast bereitstellen

Kopieren Sie den folgenden YAML-Code und speichern Sie ihn in einer Datei namens tpu_job_gpt.yaml. Geben Sie das soeben erstellte Bild in das Feld "Bild" ein.

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

Stellen Sie den Workflow bereit. Verwenden Sie dazu:

kubectl apply -f tpu_job_gpt.yaml

Bereinigen

Nachdem der Job ausgeführt wurde, können Sie ihn so löschen:

kubectl delete -f tpu_job_gpt.yaml

Anleitung: Arbeitslasten für Inferenz mit einem einzelnen Host

In dieser Anleitung wird gezeigt, wie Sie eine Inferenzarbeitslast mit einem einzelnen Host auf GKE v5e-TPUs für vortrainierte Modelle mit JAX, TensorFlow und PyTorch ausführen. Im Allgemeinen sind für den GKE-Cluster vier separate Schritte auszuführen:

1. Erstellen Sie einen Cloud Storage-Bucket und richten Sie den Zugriff auf den Bucket ein. Das vortrainierte Modell wird in einem Cloud Storage-Bucket gespeichert.

2. Vortrainiertes Modell herunterladen und in ein TPU-kompatibles Modell konvertieren Kubernetes-Pod anwenden, der das vortrainierte Modell herunterlädt, den Cloud TPU Converter verwendet und die konvertierten Modelle mit dem CSI-Treiber für Cloud Storage FUSE in einem Cloud Storage-Bucket speichert. Der Cloud TPU Converter benötigt keine spezielle Hardware. In dieser Anleitung erfahren Sie, wie Sie das Modell herunterladen und den Cloud TPU Converter im CPU-Knotenpool ausführen.

3. Starten Sie den Server für das konvertierte Modell. Wenden Sie ein Deployment an, das das Modell mithilfe eines Server-Frameworks bereitstellt, das von dem im nichtflüchtigen ROX-Volume (ReadOnlyMany) gespeicherten Volume unterstützt wird. Die Bereitstellungsreplikate müssen in einem v5e-Slice-Knotenpool mit einem Kubernetes-Pod pro Knoten in einem v5e-Slice-Knotenpool mit einem Kubernetes-Pod pro Knoten ausgeführt werden.

4. Stellen Sie einen Load-Balancer bereit, um den Modellserver zu testen. Der Server ist über den LoadBalancer-Dienst für externe Anfragen zugänglich. Es wurde ein Python-Skript mit einer Beispielanfrage bereitgestellt, um den Modellserver zu testen.

Das folgende Diagramm zeigt, wie Anfragen vom Load-Balancer weitergeleitet werden.

Hinweis: Diese Modelle dienen nur als Referenz und sind nicht leistungsoptimiert. Sie werden nicht für die Verwendung mit Benchmarking oder Produktionsdiensten empfohlen.

Beispiele für die Serverbereitstellung

Diese Beispielarbeitslasten werden mit den folgenden Annahmen konfiguriert:

• Der Cluster wird mit einem TPU v5-Knotenpool mit 3 Knoten ausgeführt
• Der Knotenpool verwendet den Maschinentyp ct5lp-hightpu-1t, wobei Folgendes gilt:
  • Topologie ist 1 x 1
  • Anzahl der TPU-Chips: 1

Das folgende GKE-Manifest definiert ein einzelnes Hostserver-Deployment.

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

Wenn Sie in Ihrem TPU-Knotenpool eine andere Anzahl von Knoten verwenden, ändern Sie das Feld replicas in die Anzahl der Knoten.

Wenn Ihr Standardcluster die GKE-Version 1.27 oder niedriger ausführt, fügen Sie dem Manifest das folgende Feld hinzu:

spec:
  securityContext:
    privileged: true

Sie müssen Kubernetes-Pods in GKE-Version 1.28 oder höher nicht im privilegierten Modus ausführen. Weitere Informationen finden Sie unter Container ohne privilegierten Modus ausführen.

Wenn Sie einen anderen Maschinentyp verwenden:

• Setzen Sie cloud.google.com/gke-tpu-topology auf die Topologie für den verwendeten Maschinentyp.
• Legen Sie beide google.com/tpu-Felder unter resources so fest, dass sie der Anzahl der Chips für den entsprechenden Maschinentyp entsprechen.

Einrichtung

Laden Sie die Python-Skripts und YAML-Manifeste der Anleitung mit dem folgenden Befehl herunter:

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

Wechseln Sie in das Verzeichnis single-host-inference:

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

Python-Umgebung einrichten

Für die Python-Skripts, die Sie in dieser Anleitung verwenden, ist Python 3.9 oder höher erforderlich. Denken Sie daran, das requirements.txt für jede Anleitung zu installieren, bevor Sie die Python-Testskripts ausführen.

Wenn Python in Ihrer lokalen Umgebung nicht richtig eingerichtet ist, können Sie die Python-Skripts in dieser Anleitung mit Cloud Shell herunterladen und ausführen.

Cluster einrichten

1. Erstellen Sie einen Cluster mit dem Maschinentyp 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. Erstellen Sie den TPU-Knotenpool mit einem einzelnen Host.

Bei den Beispielarbeitslasten wird Folgendes vorausgesetzt:

• Der Cluster wird mit einem TPU v5e-Knotenpool mit 3 Knoten ausgeführt.
• Der TPU-Knotenpool verwendet den Maschinentyp ct5lp-hightpu-1t.

Wenn Sie eine andere Clusterkonfiguration als zuvor beschrieben verwenden, müssen Sie das Manifest für die Serverbereitstellung bearbeiten.

Für die JAX Stable Diffusion-Demo benötigen Sie einen CPU-Knotenpool mit einem Maschinentyp mit mindestens 16 GB verfügbarem Arbeitsspeicher (z. B. e2-standard-4). Dies wird im Befehl gcloud container clusters create konfiguriert oder indem Sie dem vorhandenen Cluster mit dem folgenden Befehl einen zusätzlichen Knotenpool hinzufügen:

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

Ersetzen Sie Folgendes:

• your-pool-name: Der Name des Knotenpools, der erstellt werden soll.
• your-cluster-zone: Die Zone, in der der Cluster erstellt wurde.
• your-cluster-name: Der Name des Clusters, dem der Knotenpool hinzugefügt werden soll.
• your-machine-type: Der Maschinentyp der Knoten, die in Ihrem Knotenpool erstellt werden sollen.

Modellspeicher einrichten

Es gibt mehrere Möglichkeiten, Ihr Modell für die Bereitstellung zu speichern. In dieser Anleitung verwenden wir den folgenden Ansatz:

• Zum Konvertieren des vortrainierten Modells für die Arbeit mit TPUs verwenden wir eine Virtual Private Cloud, die von einem nichtflüchtigen Speicher mit ReadWriteMany-Zugriff (RWX) unterstützt wird.
• Zum Bereitstellen des Modells auf mehreren TPUs mit einem einzelnen Host verwenden wir dieselbe VPC, die vom Cloud Storage-Bucket unterstützt wird.

Führen Sie den folgenden Befehl aus, um einen Cloud Storage-Bucket zu erstellen.

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

Ersetzen Sie Folgendes:

• your-bucket-name: Der Name des Cloud Storage-Bucket.
• your-bucket-project-id: Die ID des Projekts, in dem Sie den Cloud Storage-Bucket erstellt haben.
• your-bucket-location: Der Speicherort Ihres Cloud Storage-Bucket. Geben Sie zur Verbesserung der Leistung den Standort an, an dem Ihr GKE-Cluster ausgeführt wird.

Führen Sie die folgenden Schritte aus, um Ihrem GKE-Cluster Zugriff auf den Bucket zu gewähren. In den folgenden Beispielen werden der Standard-Namespace und das Kubernetes-Standarddienstkonto verwendet, um die Einrichtung zu vereinfachen. Weitere Informationen finden Sie unter Zugriff auf Cloud Storage-Buckets mit GKE Workload Identity konfigurieren.

1. Erstellen Sie ein IAM-Dienstkonto für Ihre Anwendung oder verwenden Sie stattdessen ein vorhandenes IAM-Dienstkonto. Sie können ein beliebiges IAM-Dienstkonto in Ihrem Cloud Storage-Bucket-Projekt verwenden.

   Hinweis: Wenn Sie ein vorhandenes IAM-Dienstkonto verwenden, überspringen Sie diesen Schritt.

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

   Ersetzen Sie Folgendes:

   • your-iam-service-acct: der Name des neuen IAM-Dienstkontos.
   • your-bucket-project-id: die ID des Projekts, in dem Sie Ihr IAM-Dienstkonto erstellt haben. Das IAM-Dienstkonto muss sich im selben Projekt wie Ihr Cloud Storage-Bucket befinden.

2. Sorgen Sie dafür, dass Ihr IAM-Dienstkonto die erforderlichen Speicherrollen hat.

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

   Ersetzen Sie Folgendes:

   • your-bucket-name: Der Name Ihres Cloud Storage-Buckets
   • your-iam-service-acct: der Name des neuen IAM-Dienstkontos.
   • your-bucket-project-id: die ID des Projekts, in dem Sie Ihr IAM-Dienstkonto erstellt haben.

3. Erlauben Sie dem Kubernetes-Dienstkonto, die Identität des IAM-Dienstkontos anzunehmen. Fügen Sie dazu eine IAM-Richtlinienbindung zwischen den beiden Dienstkonten hinzu. Durch diese Bindung kann das Kubernetes-Dienstkonto als IAM-Dienstkonto verwendet werden.

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

   Ersetzen Sie Folgendes:

   • your-iam-service-acct: der Name des neuen IAM-Dienstkontos.
   • your-bucket-project-id: die ID des Projekts, in dem Sie Ihr IAM-Dienstkonto erstellt haben.
   • your-project-id: die ID des Projekts, in dem Sie den GKE-Cluster erstellt haben. Die Cloud Storage-Buckets und der GKE-Cluster können sich im selben Projekt oder in verschiedenen Projekten befinden.

4. Kennzeichnen Sie das Kubernetes-Dienstkonto mit der E-Mail-Adresse des IAM-Dienstkontos.

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

   Ersetzen Sie Folgendes:

   • your-iam-service-acct: der Name des neuen IAM-Dienstkontos.
   • your-bucket-project-id: die ID des Projekts, in dem Sie Ihr IAM-Dienstkonto erstellt haben.

5. Führen Sie den folgenden Befehl aus, um den Bucket-Namen in die YAML-Dateien dieser Demo einzufügen:

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

   Ersetzen Sie your-bucket-name durch den Namen Ihres Cloud Storage-Buckets.

6. Erstellen Sie das nichtflüchtige Volume und den Anspruch auf nichtflüchtige Volumes mit dem folgenden Befehl:

   kubectl apply -f pvc-pv.yaml
   

Inferenz und Bereitstellung von JAX-Modellen

Installieren Sie Python-Abhängigkeiten, um in dieser Anleitung Python-Skripte auszuführen, die Anfragen an den JAX-Modelldienst senden.

pip install -r jax/requirements.txt

Demo für JAX BERT E2E-Bereitstellung ausführen:

In dieser Demo wird ein vortrainiertes BERT-Modell von Hugging Face verwendet.

Hinweis: Sie müssen die Anleitung für die setup ausführen, bevor Sie die Demo für die E2E-Bereitstellung ausführen.

Der Kubernetes-Pod führt die folgenden Schritte aus:

1. Lädt das Python-Skript export_bert_model.py aus den Beispielressourcen herunter und verwendet es, um das vortrainierte bert-Modell in ein temporäres Verzeichnis herunterzuladen.
2. Verwendet das Cloud TPU Converter-Bild, um das vortrainierte Modell von CPU in TPU zu konvertieren und das Modell im Cloud Storage-Bucket zu speichern, den Sie während der setup erstellt haben.

Dieser Kubernetes-Pod ist so konfiguriert, dass er auf der CPU des Standardknotenpools ausgeführt wird. Führen Sie den Pod mit dem folgenden Befehl aus:

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

Prüfen Sie so, ob das Modell korrekt installiert wurde:

kubectl get pods install-bert

Es kann einige Minuten dauern, bis STATUS Completed liest.

TF-Modellserver für das Modell starten

Bei den Beispielarbeitslasten in dieser Anleitung wird Folgendes vorausgesetzt:

• Der Cluster wird mit einem TPU v5-Knotenpool mit drei Knoten ausgeführt
• Der Knotenpool verwendet den Maschinentyp ct5lp-hightpu-1t, der einen TPU-Chip enthält.

Wenn Sie eine andere Clusterkonfiguration als zuvor beschrieben verwenden, müssen Sie das Manifest für die Serverbereitstellung bearbeiten.

Bereitstellung anwenden

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

Überprüfen Sie mit folgendem Code, ob der Server ausgeführt wird:

kubectl get deployment bert-deployment

Es kann eine Minute dauern, bis AVAILABLE 3 liest.

Load-Balancer-Dienst anwenden

kubectl apply -f jax/bert/loadbalancer.yaml

Prüfen Sie mit den folgenden Schritten, ob der Load-Balancer für externen Traffic bereit ist:

kubectl get svc tf-bert-service

Es kann einige Minuten dauern, bis für EXTERNAL_IP eine IP-Adresse angezeigt wird.

Anfrage an den Modellserver senden

Rufen Sie die externe IP-Adresse vom Load-Balancer-Dienst ab:

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

Führen Sie ein Skript aus, um eine Anfrage an den Server zu senden:

python3 jax/bert/bert_request.py $EXTERNAL_IP

Erwartete Ausgabe:

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?."

Bereinigen

Zum Bereinigen von Ressourcen führen Sie kubectl delete in umgekehrter Reihenfolge aus.

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

Demo für JAX Stable Diffusion E2E-Bereitstellung ausführen

In dieser Demo wird das vortrainierte Stable Diffusion-Modell von Hugging Face verwendet.

Hinweis: Sie müssen die Anleitung zur Einrichtung ausführen, bevor Sie die Demo für die E2E-Bereitstellung ausführen.

TPU-kompatibles TF2-Modell aus Flax Stable Diffusion-Modell exportieren

Zum Exportieren der stabilen Diffusion-Modelle muss der Cluster einen CPU-Knotenpool mit einem Maschinentyp haben, der über 16 Gi+ verfügbaren Arbeitsspeicher verfügt, wie unter Cluster einrichten beschrieben.

Der Kubernetes-Pod führt die folgenden Schritte aus:

1. Lädt das Python-Skript export_stable_diffusion_model.py aus den Beispielressourcen herunter und verwendet es, um das vortrainierte stabile Diffusion-Modell in ein temporäres Verzeichnis herunterzuladen.
2. Verwendet das Cloud TPU Converter-Bild, um das vortrainierte Modell von CPU in TPU zu konvertieren und das Modell in dem Cloud Storage-Bucket zu speichern, den Sie während der Speichereinrichtung erstellt haben.

Dieser Kubernetes-Pod ist für die Ausführung im Standard-CPU-Knotenpool konfiguriert. Führen Sie den Pod mit dem folgenden Befehl aus:

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

Prüfen Sie so, ob das Modell korrekt installiert wurde:

kubectl get pods install-stable-diffusion

Es kann einige Minuten dauern, bis STATUS Completed liest.

Servercontainer des TF-Modells für das Modell starten

Die Beispielarbeitslasten wurden unter Berücksichtigung der folgenden Annahmen konfiguriert:

• Der Cluster wird mit einem TPU v5-Knotenpool mit drei Knoten ausgeführt
• Der Knotenpool verwendet den Maschinentyp ct5lp-hightpu-1t. Dabei gilt:
  • Topologie ist 1 x 1
  • Anzahl der TPU-Chips: 1

Wenn Sie eine andere Clusterkonfiguration als zuvor beschrieben verwenden, müssen Sie das Manifest für die Serverbereitstellung bearbeiten.

Wenden Sie die Bereitstellung an:

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

Prüfen Sie, ob der Server wie erwartet ausgeführt wird:

kubectl get deployment stable-diffusion-deployment

Es kann eine Minute dauern, bis AVAILABLE 3 liest.

Wenden Sie den Load-Balancer-Dienst an:

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

Prüfen Sie mit den folgenden Schritten, ob der Load-Balancer für externen Traffic bereit ist:

kubectl get svc tf-stable-diffusion-service

Es kann einige Minuten dauern, bis für EXTERNAL_IP eine IP-Adresse angezeigt wird.

Anfrage an den Modellserver senden

Rufen Sie eine externe IP-Adresse vom Load-Balancer ab:

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

Skript zum Senden einer Anfrage an den Server ausführen

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

Erwartete Ausgabe:

Der Prompt lautet Painting of a squirrel skating in New York und das Ausgabebild wird als stable_diffusion_images.jpg im aktuellen Verzeichnis gespeichert.

Hinweis: Da das vortrainierte Modell relativ groß ist, dauert es etwa zwei Minuten, bis der bereitstellende Dienst das Modell lädt. Wenn beim Senden einer Anfrage an den Modellserver Fehler auftreten, versuchen Sie es nach zwei Minuten noch einmal.

Bereinigen

Zum Bereinigen von Ressourcen führen Sie kubectl delete in umgekehrter Reihenfolge aus.

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

Demonstration der TensorFlow ResNet-50 E2E-Bereitstellung ausführen:

Installieren Sie Python-Abhängigkeiten, um Python-Anleitungsskripts auszuführen, die Anfragen an den TF-Modelldienst senden.

pip install -r tf/resnet50/requirements.txt

Schritt 1: Modell konvertieren

Modellkonvertierung anwenden:

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

Prüfen Sie so, ob das Modell korrekt installiert wurde:

kubectl get pods resnet-model-conversion

Es kann einige Minuten dauern, bis STATUS Completed liest.

Schritt 2: Modell mit TensorFlow-Bereitstellung bereitstellen

Modellbereitstellungsbereitstellung anwenden:

kubectl apply -f tf/resnet50/deployment.yml

Überprüfen Sie mit dem folgenden Befehl, ob der Server wie erwartet ausgeführt wird:

kubectl get deployment resnet-deployment

Es kann eine Minute dauern, bis AVAILABLE 3 liest.

Wenden Sie den Load-Balancer-Dienst an:

kubectl apply -f tf/resnet50/loadbalancer.yml

Prüfen Sie mit den folgenden Schritten, ob der Load-Balancer für externen Traffic bereit ist:

kubectl get svc resnet-service

Es kann einige Minuten dauern, bis für EXTERNAL_IP eine IP-Adresse angezeigt wird.

Schritt 3: Testanfrage an Modellserver senden

Rufen Sie die externe IP-Adresse vom Load-Balancer ab:

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

Führen Sie das Testanfrageskript (HTTP) aus, um die Anfrage an den Modellserver zu senden.

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

Die Antwort sollte in etwa so aussehen:

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

Schritt 4: Bereinigen

Führen Sie die folgenden kubectl delete-Befehle aus, um Ressourcen zu bereinigen:

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

Achten Sie darauf, dass Sie den GKE-Knotenpool und den GKE-Cluster löschen, wenn Sie sie nicht mehr benötigen.

Inferenz und Bereitstellung von PyTorch-Modellen

Installieren Sie Python-Abhängigkeiten, um in dieser Anleitung Python-Skripts auszuführen, die Anfragen an den PyTorch-Modelldienst senden:

pip install -r pt/densenet161/requirements.txt

Demo zum Ausführen von TorchServe Densenet161 E2E-Bereitstellung:

1. Modellarchiv generieren.

   1. Modellarchiv anwenden:

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

   1. Prüfen Sie so, ob das Modell korrekt installiert wurde:

   kubectl get pods densenet161-model-archive
   

   Es kann einige Minuten dauern, bis STATUS Completed liest.

2. Bereitstellen des Modells mit TorchServe:

   1. Modellbereitstellungs-Deployment anwenden:

      kubectl apply -f pt/densenet161/deployment.yml
      

   2. Überprüfen Sie mit dem folgenden Befehl, ob der Server wie erwartet ausgeführt wird:

      kubectl get deployment densenet161-deployment
      

      Es kann eine Minute dauern, bis AVAILABLE 3 liest.

   3. Wenden Sie den Load-Balancer-Dienst an:

      kubectl apply -f pt/densenet161/loadbalancer.yml
      

      Prüfen Sie mit dem folgenden Befehl, ob der Load-Balancer für externen Traffic bereit ist:

      kubectl get svc densenet161-service
      

      Es kann einige Minuten dauern, bis für EXTERNAL_IP eine IP-Adresse angezeigt wird.

3. Testanfrage an Modellserver senden:

   1. Rufen Sie die externe IP-Adresse vom Load-Balancer ab:

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

   2. Führen Sie das Testanfrageskript aus, um die Anfrage (HTTP) an den Modellserver zu senden:

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

      Sie sollten eine Antwort wie die folgende sehen:

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

4. Bereinigen Sie Ressourcen mit den folgenden kubectl delete-Befehlen:

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

   Achten Sie darauf, dass Sie den GKE-Knotenpool und den GKE-Cluster löschen, wenn Sie sie nicht mehr benötigen.

Fehlerbehebung – allgemeine Probleme

Informationen zur GKE-Fehlerbehebung finden Sie unter Fehlerbehebung bei TPU in GKE.

TPU-Initialisierung fehlgeschlagen

Wenn der folgende Fehler auftritt, prüfen Sie, ob Sie den TPU-Container entweder im privilegierten Modus ausführen oder die Anzahl der ulimit in Ihrem Container erhöht haben. Weitere Informationen finden Sie unter Ohne privilegierten Modus ausführen.

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

Planungs-Deadlock

Angenommen, Sie haben zwei Jobs (Job A und Job B) und beide sollen auf TPU-Slices mit einer bestimmten TPU-Topologie (z. B. v4-32) geplant werden. Nehmen wir außerdem an, dass Sie zwei v4-32-TPU-Slices im GKE-Cluster haben. Wir nennen diese Slice X und Slice Y. Da Ihr Cluster genügend Kapazität hat, um beide Jobs zu planen, sollten beide Jobs theoretisch schnell geplant werden – ein Job für jeden der beiden TPU-v4-32-Slices.

Ohne sorgfältige Planung kann es jedoch zu einem Planungs-Deadlock kommen. Angenommen, der Kubernetes-Planer plant einen Kubernetes-Pod aus Job A in Segment X und dann einen Kubernetes-Pod aus Job B in Segment X. In diesem Fall versucht der Planer unter Berücksichtigung der Kubernetes-Pod-Affinitätsregeln für Job A, alle verbleibenden Kubernetes-Pods für Job A in Segment X zu planen. Dasselbe gilt für Job B. Daher können weder Job A noch Job B vollständig für ein einzelnes Slice geplant werden. Das Ergebnis ist ein Planungs-Deadlock.

Um das Risiko eines Planungs-Deadlocks zu vermeiden, können Sie die Kubernetes-Pod-Anti-Affinität mit cloud.google.com/gke-nodepool als topologyKey verwenden, wie im folgenden Beispiel gezeigt:

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

TPU-Knotenpoolressourcen mit Terraform erstellen

Sie können auch Terraform verwenden, um Ihre Cluster- und Knotenpoolressourcen zu verwalten.

TPU-Slice-Knotenpool mit mehreren Hosts in einem vorhandenen GKE-Cluster erstellen

Wenn Sie einen vorhandenen Cluster haben, in dem Sie einen TPU-Knotenpool mit mehreren Hosts erstellen möchten, können Sie das folgende Terraform-Snippet verwenden:

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"
  }
}

Ersetzen Sie die folgenden Werte:

• your-project: Ihr Google Cloud-Projekt, in dem Sie die Arbeitslast ausführen.
• your-node-pool: Der Name des Knotenpools, den Sie erstellen.
• us-central2: Die Region, in der Sie die Arbeitslast ausführen.
• us-central2-b: Die Zone, in der Sie Ihre Arbeitslast ausführen.
• your-reservation-name: Der Name Ihrer Reservierung.

TPU-Slice-Knotenpool mit einzelnem Host in einem vorhandenen GKE-Cluster erstellen

Verwenden Sie das folgende Terraform-Snippet:

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"
    }
  }
}

Ersetzen Sie die folgenden Werte:

• your-project: Ihr Google Cloud-Projekt, in dem Sie die Arbeitslast ausführen.
• your-node-pool: Der Name des Knotenpools, den Sie erstellen.
• us-central2: Die Region, in der Sie die Arbeitslast ausführen.
• us-central2-b: Die Zone, in der Sie Ihre Arbeitslast ausführen.