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.
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):
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
:
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 comandogcloud 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
comotpu-v5-lite-podslice
,tpu-v5p-slice
outpu-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:
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.
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.
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.
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.
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
emresources
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
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
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.
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.
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.
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.
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.
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.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:
- 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. - 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:
- 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. - 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 $EXTERNAL_IP
A resposta será semelhante a esta:
Predict result: ['ImageNet ID: n07753592, Label: banana, Confidence: 0.94921875', 'ImageNet ID: n03532672, Label: hook, Confidence: 0.0223388672', 'ImageNet ID: n07749582, Label: lemon, Confidence: 0.00512695312
Etapa 4: limpeza
Para limpar os recursos, execute os seguintes comandos kubectl delete
:
kubectl delete -f tf/resnet50/loadbalancer.yml kubectl delete -f tf/resnet50/deployment.yml kubectl delete -f tf/resnet50/model-conversion.yml
Exclua o pool de nós e o cluster do GKE quando terminar de usá-los.
Inferência e disponibilização de modelos do PyTorch
Instale as dependências do Python para executar scripts do Python que enviam solicitações ao serviço de modelo do PyTorch:
pip install -r pt/densenet161/requirements.txt
Execute a demonstração de exibição do TorchServe Densenet161 E2E:
Gerar o arquivo do modelo.
- Aplique o arquivo do modelo:
kubectl apply -f pt/densenet161/model-archive.yml
- Verifique se o modelo foi instalado corretamente com o seguinte:
kubectl get pods densenet161-model-archive
Pode levar alguns minutos para que o
STATUS
leia oCompleted
.Disponibilize o modelo com o TorchServe:
Aplique a implantação da disponibilização do modelo:
kubectl apply -f pt/densenet161/deployment.yml
Verifique se o servidor está em execução conforme o esperado com o seguinte comando:
kubectl get deployment densenet161-deployment
Pode levar um minuto para que
AVAILABLE
leia3
.Aplique o serviço de balanceador de carga:
kubectl apply -f pt/densenet161/loadbalancer.yml
Verifique se o balanceador de carga está pronto para o tráfego externo com o seguinte comando:
kubectl get svc densenet161-service
Pode levar alguns minutos para que
EXTERNAL_IP
tenha um IP listado.
Envie a solicitação de teste para o servidor do modelo:
Receba o IP externo do balanceador de carga:
EXTERNAL_IP=$(kubectl get services densenet161-service --output jsonpath='{.status.loadBalancer.ingress[0].ip}')
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
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.