Introdução às TPUs no GKE

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

Ao trabalhar com o GKE, primeiro é necessário 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:

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 dois ou mais interconectadas da TPU. 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). Uma vez 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 (VM da TPU) para o pool de nós. Para adicionar uma fração de TPU adicional a uma cluster do GKE, você precisa criar 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 fatia, nenhum nó na fatia será implantado.

Se um nó em uma fatia da TPU de vários hosts precisar ser reparado, o GKE desativará todas as VMs da TPU na fatia, forçando a remoção de todos os pods do Kubernetes na carga de trabalho. Depois que todas as VMs de TPU na fatia estiverem ativas, os pods do Kubernetes poderão ser programados nas VMs de TPU na nova fatia.

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

Diagrama de fatia de TPU de vários hosts

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

Diagrama de pod da TPU v5e

Para conferir 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 frações de TPU de host único

Um pool de nós de fração de host único é um pool de nós que contém um ou mais e 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 do data center (DCN, na sigla em inglês), as TPUs anexadas às VMs não são interconectadas.

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

Diagrama do pool de nós de fatia de host único

Para conferir 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 máquina da TPU para pools de nós do GKE

Antes de criar pools de nós, é preciso escolher a versão da TPU e o tamanho do Fração de TPU que sua carga de trabalho exige. A TPU v4 é compatível com o GKE Versão padrão 1.26.1-gke.1500 e mais recentes, v5e no GKE Versão padrão 1.27.2-gke.2100 e mais recentes, e v5p na GKE Standard versão 1.28.3-gke.1024000 e mais recentes.

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

Para mais informações sobre as especificações de hardware das diferentes versões de TPU, consulte Arquitetura do sistema. Quando ao criar um pool de nós de TPU, selecione um tamanho de fração de TPU (uma topologia de TPU) com base na o tamanho do modelo e a quantidade de memória necessária. O tipo de máquina que você especificar ao criar pools de nós depende da versão e do tamanho das frações.

v5e

Confira a seguir os tipos de máquina e as topologias da TPU v5e com suporte para 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 e inferência de host único
ct5lp-hightpu-4t 2x2 4 1 Treinamento e inferência de host único
ct5lp-hightpu-8t 2x4 8 1 Treinamento e inferência de host único
ct5lp-hightpu-4t 2x4 8 2 Treinamento e 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 em 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 em 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 de rede. Para mais informações, consulte Tipos de aceleradores de treinamento v5e e os 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 a versão 1.27.2-gke.2100 ou mais recente do plano de controle. O GKE Autopilot precisa executar a versão 1.29.2-gke.1521000 ou mais recente do plano de controle. Para mais informações sobre a v5e, consulte Treinamento do 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 Alta Média Baixo

Para liberar espaço para VMs com mais ícones, o programador do GKE pode reprogramar e reprogramar VMs com menos ícones. Portanto, as VMs de 8 chips têm mais probabilidade de preemptivas VMs de 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 1 host e contém 4 ícones. Consulte Topologias v4 e Arquitetura do sistema de TPU para mais informações. Os tipos de máquina de fatia TPU v4 estão disponíveis em us-central2-b. Seus clusters do GKE Standard precisam executar a versão 1.26.1-gke.1500 ou mais recente do plano de controle. Autopilot do GKE os clusters precisam executar a versão 1.29.2-gke.1521000 ou posterior do plano de controle.

Ao criar uma fração de TPU v5p, use o tipo de máquina ct5p-hightpu-4t, que tem um host e contém quatro chips. Os tipos de máquina frações de 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 GKE Autopilot precisa executar a versão 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 com a flag --reservation-affinity do comando gcloud container node-pools create.
  • Apenas a variante de VMs spot das TPUs preemptivas é compatível: VMs spot são semelhantes às VMs preemptivas e estão sujeitas à mesma disponibilidade com limitações, mas não têm uma duração máxima de 24 horas.
  • Sem suporte para alocação de custos: alocação de custos do GKE e a medição de uso não incluem dados sobre o uso ou os custos das TPUs.
  • O escalonador automático pode calcular a capacidade: o escalonador automático de cluster pode calcular a capacidade incorretamente para novos nós que contêm VMs TPU antes que esses nós estejam disponíveis. O escalonador automático de clusters pode então realizar escalonar verticalmente verticais adicionais criar mais nós do que o necessário. O escalonador automático de clusters será reduzir escala vertical nós adicionais, se não forem necessários, após a operação normal de reduzir escala vertical vertical.
  • O escalonador automático cancela o escalonamento vertical: o escalonador automático de cluster cancela o escalonamento vertical dos pools de nós de TPU que permanecem no status de espera por mais de 10 horas. O autoescalador de cluster tentará realizar essas operações de escalonamento vertical posteriormente. Esse comportamento pode reduzir a capacidade de obtenção de TPU para clientes que não usam reservas.
  • O taint pode impedir a redução em escala: as cargas de trabalho que não são da TPU e têm tolerância para o taint da TPU podem impedir a redução em escala do pool de nós se forem recriadas durante a diminuição do pool de nós da TPU.

Garanta cotas suficientes de TPU e GKE

Talvez seja necessário aumentar algumas cotas relacionadas ao GKE na das regiões em que os recursos são criados.

As cotas a seguir 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 tão alta quanto o número máximo de nós do GKE que você prevê que serão criados * 100 GB.
  • Cota de endereços IP em uso: cada nó do Kubernetes consome um endereço IP. Portanto, essa cota precisa ser definida pelo menos tão alta quanto o número máximo de nós do GKE que você prevê que serão criados.

Para solicitar um aumento de 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 seus pedidos de aumento de cota sejam aprovados. Se você enfrentar dificuldades para conseguir a aprovação de suas solicitações de aumento de cota em um 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 é necessário migrar a reserva de TPU para um novo sistema de reservas do Compute Engine.

Há várias informações importantes sobre essa migração:

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

Criar um cluster do Google Kubernetes Engine

Consulte Criar um cluster no a documentação do Google Kubernetes Engine.

Criar um pool de nós de TPU

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

Execução sem o modo privilegiado

Se você quiser reduzir o escopo de permissão no contêiner, consulte o Modo de privilégio de 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, especifique dois seletores para cada nó no manifesto do Google Kubernetes Engine:

  • Defina cloud.google.com/gke-accelerator-type como tpu-v5-lite-podslice, tpu-v5p-slice ou tpu-v4-podslice.
  • Defina cloud.google.com/gke-tpu-topology como a topologia de TPU do nó.

As cargas de trabalho de treinamento e as cargas de trabalho de inferência seções contêm exemplos de manifestos que ilustram o uso desses seletores de nó.

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 com vários hosts não estiver íntegro, o GKE recriará 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

Você pode agregar frações menores em uma multislice para lidar com partes maiores cargas de trabalho de treinamento. Para mais informações, consulte Cloud TPU com vários setores.

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 (para exemplo, 4 máquinas v5e). Eles abrangem os seguintes modelos:

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

Fazer o download de recursos do tutorial

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

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

Criar e se conectar a um cluster

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

O comando a seguir cria um novo cluster regional do GKE está inscrito no canal de lançamento rápido com um pool de nós que inicialmente contém um nó por zona. O comando também ativa a federação de identidade da carga de trabalho para o GKE e os recursos do driver CSI do FUSE do Cloud Storage no cluster, porque as cargas de trabalho de inferência de 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 a federação de identidade da carga de trabalho para os recursos de driver CSI do Cloud Storage FUSE e do GKE 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

Os exemplos de cargas de trabalho são configurados 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 a Pokémon (link em inglês) no conjunto de dados.

O modelo Stable Diffusion é um modelo latente de texto para imagem que gera imagens fotorrealistas a partir de qualquer entrada de texto. Para mais informações sobre o Stable Difusão, consulte:

Criar imagem do Docker

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

Antes de executar o comando abaixo, verifique se a sua conta tem as permissões adequadas para que o Docker envie para o 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

Este tutorial mostra como executar o GPT2 em TPUs v5e usando o HuggingFace em PyTorch/XLA usando o conjunto de dados wikitext.

Criar imagem do Docker

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

Antes de executar o comando abaixo, verifique se a sua conta tem as permissões adequadas para que o Docker envie para o 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 abaixo e salve-o em um arquivo chamado tpu_job_gpt.yaml. Preencher 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 o PyTorch. De modo geral, há quatro etapas separadas a serem realizadas no cluster do GKE:

  1. Crie um bucket do Cloud Storage e configure o acesso a ele. Você usa um O bucket do Cloud Storage é usado para armazenar o modelo pré-treinado.

  2. Faça o download e converta um modelo pré-treinado em um compatível com TPU. Aplique um pod do Kubernetes que faz o download do modelo pré-treinado, usa o Conversor da Cloud TPU e armazena os modelos convertidos em um bucket do Cloud Storage usando o driver FUSE CSI do Cloud Storage. O Cloud TPU Converter e não exige hardware especializado. Neste tutorial, mostramos como fazer o download o modelo e execute o Cloud TPU Converter no pool de nós da CPU.

  3. Inicie o servidor para o modelo convertido. Aplique uma implantação. que exibe o modelo usando um framework de servidor apoiado pelo volume armazenado em o volume permanente ReadOnlymuitos (ROX, na sigla em inglês). As réplicas de implantação precisam ser executadas em um pool de nós de fatia v5e com um pod do Kubernetes por nó. em um pool de nós de fatia v5e com um pod do Kubernetes por nó.

  4. Implante 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 um exemplo de solicitação para testar o servidor de modelo.

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

Um diagrama que mostra o roteamento do balanceador de carga

Exemplos de implantação de servidor

Esses exemplos de cargas de trabalho são configurados 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 do TPU é 1

O manifesto do GKE a seguir define um único host do Google Cloud.

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 do TPU, mude 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 manifesto:

spec:
  securityContext:
    privileged: true

Não é necessário executar pods do Kubernetes no modo privilegiado no GKE versão 1.28 ou mais recente. Para mais detalhes, consulte Executar contêineres sem o 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 ícones para o tipo de máquina correspondente.

Configuração

Faça o download dos scripts Python e dos manifestos YAML do tutorial usando os seguintes 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. Instale 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 seu ambiente local, use o Cloud Shell para fazer o download e executar os scripts do 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, edite o manifesto de implantação do servidor.

Para a demonstração da difusão estável do JAX, você vai precisar de um pool de nós de CPU com um tipo de máquina que tenha 16 Gi ou mais de memória disponível (por exemplo, e2-standard-4). Isso é configurado no comando gcloud container clusters create ou adicionando um pool de nós adicional ao cluster 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 do nós a serem criados no pool.

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 do disco persistente com acesso ReadWriteMany (RWX).
  • Para disponibilizar o modelo em várias TPUs de host único, vamos usar a mesma VPC apoiada pelo 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 bucket do Cloud Storage. Para melhorar o desempenho, especifique o local seu cluster do GKE está em execução.

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

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

    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 que você precisam.

    gcloud storage buckets add-iam-policy-binding gs://your-bucket-name \
    --member "serviceAccount:your-iam-service-acct@your-bucket-project-id.iam.gserviceaccount.com" \
    --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 o conta de serviço do IAM.
  3. Permita que a conta de serviço do Kubernetes personifique a conta de serviço do IAM. Para isso, adicione uma vinculação de política do IAM entre as duas contas de serviço. Essa vinculação permite que a conta de serviço do Kubernetes que atuam como a conta de serviço do IAM.

    gcloud iam service-accounts add-iam-policy-binding your-iam-service-acct@your-bucket-project-id.iam.gserviceaccount.com \
      --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 do cluster do GKE. Os buckets do Cloud Storage O cluster do GKE pode 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=your-iam-service-acct@your-bucket-project-id.iam.gserviceaccount.com

    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 o conta de serviço do IAM.
  5. Execute o comando a seguir para preencher o nome do bucket nos arquivos YAML do nesta 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 para o serviço de modelo JAX.

pip install -r jax/requirements.txt

Executar a demonstração de veiculação de BERT E2E do JAX:

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

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 em um diretório temporário.
  2. Usa a imagem do Cloud TPU Converter para converter o modelo pré-treinado de CPU para TPU e armazena o modelo no bucket do Cloud Storage que você criado durante a configuração.

Este pod do Kubernetes está configurado para ser executado na CPU do pool de nós padrão. Execute o 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 a 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, edite o manifesto de implantação do servidor.

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

Verifique se o servidor está em execução com o seguinte:

kubectl get deployment bert-deployment

Pode levar um minuto para que AVAILABLE leia 3.

Aplicar o serviço do 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

Receber o IP externo do serviço do 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.

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

A exportação dos modelos de difusão estáveis exige que o cluster tenha um pool de nós de CPU com um tipo de máquina que tenha 16 GiB ou mais de memória disponível, conforme descrito em Configurar cluster.

O pod do Kubernetes executa as seguintes etapas:

  1. Faz o download e usa o script Python export_stable_diffusion_model.py no os recursos de exemplo para baixar o modelo de difusão estável pré-treinado para em um diretório temporário.
  2. Usa a imagem do conversor do Cloud TPU para converter o modelo pré-treinado da CPU para TPU e armazena o modelo no bucket do Cloud Storage que você criou durante a configuração de armazenamento.

Este pod do Kubernetes está configurado para ser executado no pool de nós de CPU padrão. Execute o 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 que o STATUS leia o Completed.

Inicie 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 do TPU é 1

Se você estiver usando uma configuração de cluster diferente da descrita anteriormente, edite 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 que AVAILABLE leia 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.

Enviar 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.

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 veiculação de ponta a ponta do TensorFlow ResNet-50:

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

pip install -r tf/resnet50/requirements.txt
Etapa 1: converter o modelo

Aplicar a 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 a 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

Verifique se o servidor está em execução conforme o esperado com o seguinte comando:

kubectl get deployment resnet-deployment

Pode levar um minuto para que AVAILABLE leia 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 o 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 de 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 os 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

Exclua o pool de nós e o cluster do GKE quando terminar de usá-los.

Inferência e disponibilização de modelos do PyTorch

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

pip install -r pt/densenet161/requirements.txt

Execute a demonstração de exibição do TorchServe Densenet161 E2E:

  1. Gerar 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 que o STATUS leia o Completed.

  2. Disponibilize o modelo com o TorchServe:

    1. Aplique a implantação da disponibilização do modelo:

      kubectl apply -f pt/densenet161/deployment.yml
    2. Verifique se o servidor está em execução conforme o esperado com o seguinte comando:

      kubectl get deployment densenet161-deployment

      Pode levar um minuto para que AVAILABLE leia 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 de 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

    Exclua o pool de nós e o cluster do GKE quando não precisar mais deles.

Como solucionar problemas comuns

Você pode encontrar 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 abaixo, verifique se está executando o contêiner da TPU no modo privilegiado ou se aumentou o ulimit dentro do contêiner. Para mais informações, consulte Como 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

Programando impasse

Suponha que você tenha dois jobs, A e B, e ambos sejam programados na TPU frações com uma determinada topologia de TPU (por exemplo, v4-32). Suponha também que você tem duas frações de TPU v4-32 no cluster do GKE; vamos chamaremos essa fração de X e de Y. Como seu cluster tem ampla capacidade para agendar os dois trabalhos, em teoria ambos devem ser agendados rapidamente – um trabalho em cada uma das duas frações v4-32 de TPU.

No entanto, sem um planejamento cuidadoso, é possível entrar em um cronograma um impasse. Suponha que o programador do Kubernetes programe um pod do Kubernetes a partir do job A na fração X e, em seguida, programa um pod do Kubernetes do job B na fração X. Em neste caso, considerando as regras de afinidade de pod do Kubernetes para o job A, o programador tentativa de 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 programados completamente em uma única fatia. O resultado será um impasse de programação.

Para evitar o risco de um deadlock de programação, use a antiafinidade de pods 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 de pool de nós de TPU com o Terraform

Também é possível usar o Terraform para gerenciar os recursos do cluster e do 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 em que quer criar um pool de nós de TPU de vários hosts, use o snippet do Terraform a seguir:

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

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.