Fehlerbehebung bei PyTorch – TPU

Diese Anleitung enthält Informationen zur Fehlerbehebung, mit denen Sie Probleme beim Trainieren von PyTorch-Modellen auf Cloud TPU identifizieren und beheben können. Eine allgemeine Anleitung zum Einstieg in Cloud TPU finden Sie in der PyTorch-Kurzanleitung.

Fehlerbehebung bei langsamer Trainingsleistung

Wenn das Modell langsam trainiert wird, erstellen Sie einen Messwertbericht und prüfen Sie ihn.

Wenn Sie den Messwertbericht automatisch analysieren und eine Zusammenfassung bereitstellen möchten, führen Sie einfach Ihre Arbeitslast mit PT_XLA_DEBUG=1 aus.

Weitere Informationen zu Problemen, die dazu führen können, dass Ihr Modell langsam trainiert, finden Sie unter Bekannte Leistungseinschränkungen.

Leistungsprofilerstellung

Mit den folgenden Ressourcen können Sie ein detailliertes Profil Ihrer Arbeitslast erstellen, um Engpässe zu erkennen:

Weitere Debugging-Tools

Sie können Umgebungsvariablen angeben, um das Verhalten des PyTorch/XLA-Softwarestacks zu steuern.

Wenn der PyTorch-Prozess nicht mehr reagiert, melden Sie ein GitHub-Problem und fügen Sie Stacktraces hinzu.

Das debug_run.py-Dienstprogramm wird in Scripts/debug_run.py bereitgestellt, mit dem ein tar.gz-Archiv mit den Informationen erstellt werden kann, die zum Debuggen von PyTorch/XLA-Ausführungen erforderlich sind.

XLA-Tensoren verwalten

XLA-Tensor-Quirks beschreibt, was Sie bei der Arbeit mit XLA-Tensoren und gemeinsam genutzten Gewichtungen tun sollten und was nicht.