Fehlerbehebung bei TensorFlow – TPU

Dieser Leitfaden und die häufig gestellten Fragen enthalten Informationen zur Fehlerbehebung für Nutzer, die TensorFlow-Modelle auf Cloud TPU trainieren. Für die Fehlerbehebung PyTorch- oder JAX-Training nutzen können, finden Sie in den Dokumenten zur Fehlerbehebung dieser Frameworks:

Allgemeinere Anleitungen zur Verwendung von Cloud TPU finden Sie unter:

Übersicht

Häufige Probleme, die bei Cloud TPUs auftreten, fallen in die folgenden Kategorien:

  1. Probleme beim Herstellen einer Verbindung zur TPU

  2. Häufige Fehler beheben

  3. Arbeitsspeichernutzung reduzieren

  4. Verbesserung der Trainingsgeschwindigkeit

  5. Fehlerbehebung: geringere Modellgenauigkeit

Fehler beim Herstellen einer Verbindung zum TPU-Server

In diesem Abschnitt wird beschrieben, wie Sie Probleme beheben, wenn TensorFlow beim Herstellen einer Verbindung zur TPU keine Antwort mehr gibt oder einen Fehler ausgibt. Beachten Sie, dass der Schritt zur Kompilierung des TPU-Graphen bei großen Modellen sehr lange dauern kann. Das Skript sollte daher mindestens 5 Minuten lang ausgeführt werden, um zu ermitteln, ob wirklich keine Antworten mehr erfolgen.

Der erste Schritt besteht darin, zu überprüfen, ob es sich um ein Problem mit dem Server selbst oder mit Ihrer TensorFlow-Trainings-Pipeline handelt. Führen Sie dazu die Schritte der MNIST-Anleitung über Ihre TPU-Server-URL aus und überprüfen Sie, ob sie ordnungsgemäß funktioniert. Wenn weiterhin Probleme beim Herstellen der Verbindung mit der MNIST-Anleitung bestehen, bestätigt dies, dass ein Problem beim TPU-Server vorliegt. In diesem Fall gilt:

  1. Führen Sie den folgenden Befehl aus, um die verfügbaren TPUs aufzulisten. Ersetzen Sie zone und project-id durch Ihre Zonen- und Projekt-ID.

    (vm)$ gcloud compute tpus tpu-vm list --zone zone --project project-id

    Dabei wird beispielsweise Folgendes ausgegeben: 

    NAME       ZONE           ACCELERATOR_TYPE  NETWORK_ENDPOINT   NETWORK  RANGE          STATUS
demo-tpu   us-central1-b  v2-8              10.240.1.2:8470    default  10.240.1.0  READY

  2. Prüfen Sie, ob Sie den richtigen Wert an --tpu (demo-tpu in Beispiel oben) und dass diese TPU als READY aufgeführt ist.

  3. Wenn Ihre TPU nicht als READY gelistet ist oder Sie weiterhin keine Verbindung herstellen können, starten Sie den Server hiermit manuell neu:

    (vm)$ gcloud compute tpus tpu-vm stop $TPU_SERVER_NAME && gcloud compute tpus tpu-vm start $TPU_SERVER_NAME

    Im vorherigen Beispiel ist $TPU_SERVER_NAME demo-tpu. Dies kann einige Minuten dauern.

  4. Führen Sie den Befehl ... tpus list noch einmal aus und warten Sie, bis sich die TPU im READY. Dieser Vorgang kann einige Minuten dauern.

  5. Versuchen Sie, die MNIST-Anleitung noch einmal auszuführen.

  6. Wenn Sie weiterhin Probleme beim Ausführen der MNIST-Anleitung haben, können Sie über einen der unter Support beschriebenen Wege Unterstützung anfordern.

Wenn das MNIST-Beispiel korrekt ausgeführt wird, Ihr Modell aber immer noch nicht mehr reagiert, ist das Problem wahrscheinlich auf Ihre Trainingspipeline zurückzuführen. Ersetzen Sie dazu zuerst die TPU-Strategie in Ihrem Code durch die Standardstrategie. Wenn Sie die Standardstrategie verwenden, wird das Modell an allen Stellen, an denen Sie strategy.scope() oder strategy.run() verwenden, auf der CPU (oder GPU, falls vorhanden) und nicht auf der TPU ausgeführt. Wenn das Modell auf der CPU und nicht auf der TPU ausgeführt wird, liegt ein TPU-spezifisches Problem vor. Wenn das Problem weiterhin auftritt, empfiehlt es sich, das Problem auf der CPU zu beheben.

Unterbrechung der ssh-Verbindung während des Trainings

Ihre ssh-Verbindung zur Cloud TPU kann während einem lang andauernden Training (insbesondere, wenn Sie Cloud Shell verwenden). In diesem Fall wird in der TPU-Konsole keine Ausgabe angezeigt und es kann so aussehen, als hätte die TPU das Training beendet. Um dies zu vermeiden, führen Sie den Schulungseinheit mit einem Terminal-Multiplexer oder einem Tool zur Sitzungsverwaltung wie als tmux oder screen. Dadurch bleibt die ssh-Verbindung unabhängig von der Dauer des Trainings aktiv.

Behebung von allgemeinen Fehlern

In diesem Abschnitt wird beschrieben, wie Sie häufige Fehler beheben, die beim Trainieren von Modellen in Cloud TPU auftreten können.

TPU kann nicht erstellt werden

Beim Erstellen einer Cloud TPU wird möglicherweise der folgende Fehler angezeigt:

googleapiclient.errors.HttpError: < HttpError 403 when requesting https://content-tpu.googleapis.com/v1/projects/{PROJECT}/locations/{ZONE}/nodes/{TPU_NAME}?alt=json returned "Request had insufficient authentication scopes."

Dies ist ein Berechtigungsproblem, das sich mit dem folgenden Befehl beheben lässt:

gcloud auth login --update-adc

Mit diesem Befehl werden Ihre Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC) aktualisiert und das Problem sollte behoben werden. Weitere Informationen finden Sie unter gcloud auth login.

Dynamische Formen werden nicht unterstützt

Fehlermeldung

ValueError: shape [Shape] must have a fixed size for dimension
d that is known at graph construction time.

Betroffene Frameworks und Konfigurationen

Diese Meldung tritt nur während der XLA-Kompilierung mit TensorFlow auf.

Details

Cloud TPU kompiliert das Modell, um ein Modell auf der TPU auszuführen mithilfe des XLA-Compilers. Während wodurch die Trainingsgeschwindigkeit und die Arbeitsspeichernutzung erheblich verbessert werden. die Formen (Dimensionsgrößen) aller Tensoren im Graphen müssen beim Kompilieren des Graphen bekannt sein. Wenn beim Kompilieren keine Formen erkannt werden können, schlägt die TPU-Kompilierung mit einem Fehler wie dem oben gezeigten fehl.

Eine gängige Operation, die eine dynamische Form zurückgibt, ist dataset.batch(batch_size). da die Anzahl der in einem Stream verbleibenden Stichproben möglicherweise unter die Batchgröße. Verwenden Sie daher beim Training auf der TPU drop remainder=True für dataset.batch. Dadurch werden möglicherweise die letzten Stichproben aus einer Datei gelöscht, damit jeder Batch die statische Form „batch_size“ aufweist. Beispiel:

dataset = tf.data.Dataset.range(8)
dataset = dataset.batch(3, drop_remainder=True)

Nicht verfügbare TensorFlow-Operation

Fehlermeldung

NotFoundError: No registered 'OpName' OpKernel for XLA_TPU_JIT
devices compatible with node

Betroffene Frameworks und Konfigurationen

Diese Meldung kann beim Training mit TensorFlow auftreten.

Details

Das Modell verwendet eine TensorFlow-Operation, die auf der TPU nicht verfügbar ist.

Hier finden Sie eine Liste der auf der TPU verfügbaren Vorgänge sowie Pläne für zukünftigen Support und finden Sie im Leitfaden zur verfügbaren TensorFlow-Ops.

Fehlermeldung aufgrund von fehlendem Speicherplatz

Fehlermeldung

ResourceExhaustedError: Ran out of memory in memory space hbm; used:
YYY; limit: 7.48G.

Betroffene Frameworks und Konfigurationen

Diese Meldung kann beim Training mit TensorFlow, PyTorch oder JAX auftreten.

Details

Jede Cloud TPU besteht aus acht TPU-Kernen. TPUs der Version 2 haben 8 GB und TPUs der Version 3 16 GB RAM (oder HBM, High-Bandwidth Memory). Dieser Speicher dient zum Speichern der Gewichtungssensoren (Variable) sowie der Zwischenergebnistensoren, die für die Gradientenberechnung benötigt werden. Wenn das Modell für den TPU-RAM zu groß ist, schlägt die Initialisierung fehl und die Fehlermeldung wird ausgegeben. Weitere Informationen finden Sie unter Arbeitsspeichernutzung reduzieren.

Tipps zum Reduzieren der Speichernutzung:

Probleme beim Beenden der Ausführung

Wenn TensorFlow während der TPU-Ausführung einen Fehler feststellt, scheint das Skript manchmal hängen zu bleiben, anstatt die Operation zu beenden und zur Shell zurückzukehren. In diesem Fall drücken Sie CTRL+C auf der Tastatur, um SIGQUIT auszulösen, Python sofort beenden.

Entsprechend wird mit der Tastenkombination CTRL+C während der TPU-Ausführung TensorFlow nicht sofort heruntergefahren, sondern bis zum Ende der aktuellen Iterationsschleife gewartet, um die Operation ordnungsgemäß zu beenden.

Falls bei einem neuen Verbindungsaufbau zum TPU-Server nach einer solchen Beendigung neue Fehler auftreten, setzen Sie den TPU-Server mit den folgenden Befehlen manuell zurück: 

gcloud compute tpus tpu-vm stop tpu-name --zone=zone
gcloud compute tpus tpu-vm start tpu-name --zone=zone

Dabei wird tpu-name aus der ersten Spalte entnommen, die vom gcloud compute tpus tpu-vm list und zone ist die Zone, die in in der zweiten Spalte.

Übermäßiges Padding von Tensoren

Mögliche Ursache des Speicherproblems

Tensoren im TPU-Speicher werden mit Leerzeichen aufgefüllt, d. h. die TPU rundet die Größen von Tensoren ab, die im Speicher abgelegt sind, damit Berechnungen effizienter durchgeführt werden. Das Padding erfolgt auf transparente Weise auf der Hardwareebene und hat keine Auswirkungen auf die Ergebnisse. In bestimmten Fällen kann Padding jedoch zu einer deutlich erhöhten Speicherauslastung und Ausführungszeit führen.

So reduzieren Sie die Arbeitsspeichernutzung

Die TPU-Software versucht, Tensoren im Speicher auszulegen, um die Rechenleistung zu maximieren und das Padding zu minimieren. Dieser Speicher-Layout-Prozess ist jedoch komplex. Zur Erzielung optimaler Ergebnisse sollte das Modell nach folgender Faustregel ausgelegt werden. Wenn der Speicheraufwand minimiert und die Recheneffizienz maximiert werden soll, muss eine der folgenden Bedingungen zutreffen:

  • Die Gesamt-Batchgröße sollte ein Vielfaches von 64 sein (8 pro TPU-Kern). Die Feature-Dimensionen sollten ein Vielfaches von 128 sein.

    Oder

  • Die Gesamt-Batchgröße sollte ein Vielfaches von 1.024 (128 pro TPU-Kern) sein. Die Feature-Dimensionen sollten ein Vielfaches von 8 sein.

Die Verwendung einer Batchgröße von 1.024 und von Feature-Dimensionen, die ein Vielfaches von 128 sind, ermöglicht eine optimale Effizienz, obwohl dies unter Umständen nicht für alle Modelle möglich ist. Der Einfachheit halber bezieht sich "Feature-Dimension" auf die versteckte Größe einer vollständig verbundenen Ebene oder die Anzahl der Ausgabekanäle in einer Faltung. Nicht alle Ebenen können dieser Regel entsprechen. Dies gilt insbesondere für die erste und die letzte Ebene des Netzwerks. Das ist in Ordnung und die meisten Modelle erfordern voraussichtlich ein gewisses Maß an Padding.

Arbeitsspeichernutzung reduzieren

Wenn beim Ausführen Ihres Modells auf der TPU ein Fehler aufgrund fehlenden Speichers auftritt, müssen Sie Maßnahmen ergreifen, um die Arbeitsspeichernutzung des Modells zu reduzieren.

Die effektivsten Möglichkeiten, um die Arbeitsspeichernutzung zu reduzieren, sind:

  • Übermäßiges Padding von Tensoren reduzieren
  • Batchgröße reduzieren

Batchgröße oder Modell zu groß

Mögliche Ursache des Speicherproblems

Beim Trainieren eines neuronalen Netzwerks auf einer CPU, GPU oder TPU hat die Speichernutzung zwei Ursachen:

  1. Die Arbeitsspeichernutzung ist proportional zur Anzahl der Gewichtungen im Modell.
  2. Speichern von Zwischenaktivierungen aus dem Vorwärtsdurchlauf, die für die Berechnung des Rückwärtsdurchlaufs erforderlich sind. Die Arbeitsspeichernutzung ist direkt proportional zur Batchgröße, zu den Ebenengrößen und zur Anzahl der Ebenen.

Daher hängt der von einem Modell benötigte Speicher weitgehend von der Batchgröße ab.

Der von einem Modell benötigte Speicher hängt von der Anzahl der Layers in Netzwerk.

Die TPU-Laufzeit versucht, Operatoren zu optimieren, um das Modell an den Arbeitsspeicher anzupassen (sogenannte Rematerialisierung, ähnlich wie die Gradienten-Prüfpunktausführung), dies ist jedoch nicht immer möglich.

So reduzieren Sie die Arbeitsspeichernutzung

Verringern Sie langsam die Batchgröße, bis sie in den Arbeitsspeicher passt. Die Batchgröße insgesamt ist ein Vielfaches von 64 (die Batchgröße pro Kern sollte ein Vielfaches von 8). Beachten Sie, dass größere Batches auf der TPU effizienter sind. Eine Gesamt-Batchgröße von 1.024 (128 pro Kern) ist im Allgemeinen ein guter Ausgangspunkt.

Wenn das Modell auch mit einer kleinen Batchgröße (z. B. 64) nicht auf der TPU ausgeführt werden kann, versuchen Sie, die Anzahl der Ebenen oder die Ebenengrößen zu reduzieren.

Verbesserung der Trainingsgeschwindigkeit

Wenn Ihr Modell erfolgreich auf der TPU ausgeführt werden kann, die Trainingsgeschwindigkeit jedoch geringer als erwartet ist, finden Sie in diesem Abschnitt eine Beschreibung der verschiedenen Möglichkeiten zur Verbesserung der Geschwindigkeit. Weitere Informationen finden Sie im Leitfaden zur Leistung. finden Sie weitere Vorschläge zur Verbesserung der Trainingsleistung.

Zu wenige Schritte pro Ausführung und Trainingsschleife

Beschreibung des Leistungsproblems

Mit dem Argument steps_per_execution an Model.compile wird festgelegt, wie viele Trainingsschritte zwischen den Host-Callbacks ausgeführt werden. Jeder Host-Callback erfordert eine umfassende Kommunikation. zwischen der Host-CPU des TPU-Servers und dem TPU-Gerät, also wenn steps_per_execution zu klein ist, kann das das Training verlangsamen.

So ermitteln Sie, ob Ihr Modell betroffen ist

Wenn ein TPU-Profil häufige Host-CPU-Rückrufe zwischen TPU-Geräteschritten anzeigt, kann Ihr Training von einem höheren steps_per_execution-Wert profitieren.

So leiten Sie Gegenmaßnahmen ein

Setzen Sie steps_per_execution auf einen höheren Wert. steps_per_execution kann auf einen hohen Wert gesetzt werden. Das Logging von Nachrichten und das Speichern eines Checkpoints ist jedoch erst möglich, nachdem die angegebene Anzahl von Schritten ausgeführt wurde.

Engpass bei der Eingabeverarbeitung

Beschreibung des Leistungsproblems

Während die TPU an einem bestimmten Datenblock trainiert, bereitet die Eingabeverarbeitungsfunktion den nächsten Datenblock auf der CPU vor. Wenn Ihre Eingabe länger als die Modellfunktion dauert, bleibt die TPU inaktiv während Ihre Eingabefunktion Daten abruft.

So ermitteln Sie, ob Ihr Modell betroffen ist

Folgen Sie der Anleitung unter Cloud TPU Tools: Input Pipeline Analyzer, um die Analyse der Eingabe-Pipeline in TensorBoard aufzurufen:

Bild

Die Seite für die Analyse der Eingabe-Pipeline zeigt eine übersichtliche Zusammenfassung an, der zu entnehmen ist, ob die Eingabeverarbeitung bei Ihrem Modell einen Engpass verursacht hat. Auf derselben Seite wird auch die Ausführungszeit pro Operation angezeigt, sodass Sie problematische Operationen ermitteln können.

So leiten Sie Gegenmaßnahmen ein

Beim Laden von Daten mit der Dataset API gibt es mehrere mögliche Maßnahmen:

  1. Speichern Sie die Daten als Sammlung von tf.train.Example-Strukturen in TFRecord-Dateien und laden Sie sie mit TFRecordDataset. Beispiele finden Sie in der Dataset API-Anleitung und der ResNet-Anleitung.
  2. Verwenden Sie dataset.cache() oder dataset.prefetch(), um die Eingabedaten zu puffern. Dadurch wird verhindert, dass sporadische Verlangsamungen beim Dateizugriff zu Engpässen führen.
  3. Legen Sie den Parameter num_parallel_calls der Funktion dataset.map() fest, um Multithread-Vorgänge vom Typ map() zu aktivieren. Eine Heuristik für den Wert num_parallel_calls gibt die Anzahl der verfügbaren CPU-Kerne an.
  4. Führen Sie die teure Datenvorverarbeitung offline durch, sodass dafür nur einmal Kosten anfallen und nicht in jeder Epoche jedes Trainings.

Die gesamte Eingabeverarbeitung erfolgt auf CPUs, die sich auf dem TPU-Server befinden, nicht Die Geschwindigkeit des lokalen Computers spielt also keine Rolle.

Lange Schrittzeiten und geringe MXU-Auslastung

Beschreibung des Leistungsproblems

Die Cloud TPU kann Matrixmultiplikationen und -faltungen bei unglaublich hohen Geschwindigkeiten ausführen. Die meisten anderen TensorFlow-Operationen haben effiziente Implementierungen auf der TPU, diese sind im Verhältnis zu anderer Hardware jedoch nicht deren primäre Stärke. Daher sollte ein Modell von den Matrixmultiplikationen oder -faltungen dominiert werden, um die TPU optimal nutzen zu können.

So ermitteln Sie, ob Ihr Modell betroffen ist

Die Symptome in diesem Fall sind lange Schrittzeiten in Verbindung mit einer niedrigen MXU-Auslastung, die beim Profilieren der Leistung angezeigt werden.

So leiten Sie Gegenmaßnahmen ein

Versuchen Sie, die Anzahl der Vorgänge zu reduzieren, die keine Matrixmultiplikationen sind. Nach Reduzierung der Anzahl der Matrixmultiplikationen die Benchmark neu vergleichen um zu sehen, ob die Leistung von TPUs akzeptabel ist.

Übermäßiges Padding von Tensoren

Beschreibung des Leistungsproblems

Die TPU füllt Tensoren im Speicher auf, sodass die TPU ihre Recheneinheiten effizient nutzen kann. Durch Padding kann die Nutzung des Speichers und auch der Speicherbandbreite gesteigert werden. Weitere Informationen zu Problemen beim Padding von Tensoren und zu deren Behebung finden Sie im Abschnitt Padding von Tensoren.

Langsamer Durchsatz und geringe Arbeitsspeichernutzung

Beschreibung des Leistungsproblems

In der Regel führt die Verwendung größerer Batchgrößen im Hinblick auf Stichproben/Sekunde zu einer höheren Trainingsgeschwindigkeit auf der TPU.

So ermitteln Sie, ob Ihr Modell betroffen ist

Die Batchgröße jedes Modells sollte immer mindestens 64 betragen (8 pro TPU-Kern), da die TPU die Tensoren immer entsprechend der Größe auffüllt. Die ideale Batchgröße beim Training auf der TPU ist 1.024 (128 pro TPU-Kern), da hierdurch Ineffizienzen in Bezug auf die Speicherübertragung und das Padding beseitigt werden.

So leiten Sie Gegenmaßnahmen ein

Es empfiehlt sich, die größte Batchgröße zu verwenden, die in den Arbeitsspeicher passt und eine Vielfaches von 64. Der einfachste Weg, dies zu erreichen, besteht darin, mit 1.024 zu beginnen. Wenn dies zu einem Fehler aufgrund fehlenden Speichers führt, versuchen Sie, die Batchgröße zu reduzieren, bis das Modell erfolgreich ausgeführt wird. Wenn Sie die Batchgröße eines Modells ändern, müssen Sie möglicherweise andere Hyperparameter anpassen, um die gleiche Modellgenauigkeit wie die Lernrate zu erreichen. Dies muss jedoch von Fall zu Fall überprüft werden.

Ebenengrößen zu klein

Beschreibung des Leistungsproblems

Selbst wenn ein Modell von Matrixmultiplikationen oder -faltungen dominiert wird, läuft die TPU möglicherweise nicht mit voller Effizienz, wenn die Eingangstensoren klein sind. Im Vergleich zu anderer Hardware wird die TPU am effizientesten ausgeführt, wenn die Batchgröße und die Ebenengröße größer sind (z. B. Dimension >= 512).

So ermitteln Sie, ob Ihr Modell betroffen ist

Als allgemeine Regel gilt, dass Ebenengrößen kleiner als 128 eine schlechte Effizienz auf der TPU erreichen, da 128 die integrierte Dimension der TPU-Matrixmultiplikationseinheit ist. Für vollständig verbundene Ebenen wird zur Erzielung einer hohen Effizienz eine minimale versteckte Größe von 512 empfohlen. Beachten Sie, dass Faltungsebenen in der Regel müssen so groß sein wie vollständig verbundene Schichten, um eine gleichwertige Effizienz zu erzielen.

So leiten Sie Gegenmaßnahmen ein

Wenn die primäre Motivation für kleine Schichtgrößen in Ihrem Modell die Trainingsgeschwindigkeit ist, sollten Sie die Leistung Ihrer Modelle mit größeren Schichten auf der TPU noch einmal messen. Beispiel: Wenn die Ausgabegröße einer Ebene von 256 auf 512 erhöht wird, die Trainingszeit um 20% erhöhen, obwohl das Modell Berechnungen.

Modellprofilierung auf Operationsebene

Häufig ist es hilfreich, die Ausführungszeit und Speichernutzung auf der Operationsebene zu messen, um Leistungsengpässe zu identifizieren. Eine Anleitung dazu findest du unter
. Weitere Informationen finden Sie in der Anleitung Cloud TPU Tools: Trace Viewer.

Debugging verringert die Modellgenauigkeit

Eines der Ziele der Cloud TPU-Umgebung ist, dass jedes Modell, das auf einer CPU oder GPU trainiert wird, eine sehr ähnliche Accuracy erreicht, wenn es auf der TPU trainiert wird, und zwar mit möglicherweise geringeren Anpassungen an Hyperparametern wie Batchgröße und Lernrate. Gelegentlich können Nutzer jedoch eine Verschlechterung der Accuracy beobachten, wenn sie Modelle auf der TPU trainieren. Die Behebung solcher Probleme kann aufgrund der zufälligen Art des neuronalen Netzwerktrainings extrem frustrierend sein. In diesem Abschnitt wird erläutert, wie Sie die Ursache für die Verringerung der Modellgenauigkeit bei der Portierung eines Modells auf die TPU ermitteln können.

Informationen zur Datenfragmentierung (Datenparallelität)

Eines der Hauptziele von TensorFlow besteht darin, dass jeder Vorgang nahezu identische Ergebnisse liefert, unabhängig davon, ob er auf der CPU, GPU oder TPU ausgeführt wird. Hiervon gibt es bestimmte Ausnahmen, z. B. zufällige Vorgänge. Wenn Sie einen signifikanten Unterschied zwischen der Ausgabe nicht zufälliger Operationen auf der TPU und der CPU feststellen, melden Sie dies als Programmfehler.

Für die Trainingspipeline insgesamt besteht jedoch ein deutlicher Unterschied zwischen dem Training auf der CPU/GPU und der TPU. Beim Training auf einer TPU führt TensorFlow eine Datenfragmentierung durch. Jede Cloud TPU enthält 8 separate TPU-Kerne, die als unabhängige Verarbeitungseinheiten fungieren. Für jeden Schritt des Trainings erhält jeder TPU-Kern einen Batch von Daten, berechnet die Gewichtungsverläufe, tauscht die Gradienten gegen die anderen TPU-Kernen haben, und berechnet dann die Aktualisierung der Gewichtung. Standardmäßig wird der Verlust über die Kerne gemittelt, er kann aber auch summiert werden, indem der Parameter CrossShardOptimizer geändert wird.

Wenn der Gesamtverlust des Modells als der Durchschnitt (oder die Summe) der unabhängigen Verluste pro Stichprobe berechnet werden kann, entspricht dieses Verfahren mathematisch dem Training für einen einzelnen großen Batch.

Die gängigste nicht unabhängige Operation pro Stichprobe ist die Batchnormalisierung, die jeden Pro-Kern-Batch getrennt durchläuft. Wenn der Batch eine Gesamtgröße von beispielsweise 128 aufweist, beträgt die Batchgröße pro Kern 16 und jeder der 8 Kerne führt die Batchnormalisierung für die eigenen 16 Stichproben aus. In einigen Fällen hat die Durchführung der Batchnormalisierung für kleine Batches (z. B. weniger als 32) zu einer Verschlechterung der Genauigkeit geführt. Im Idealfall sollte die Gesamt-Batchgröße groß sein (z. B. 256 bis 1.024). Wenn eine solche Batchgröße zu groß ist, um in den Speicher zu passen, muss der Fragmentierungseffekt von Fall zu Fall bewertet werden.

Deterministisches Training

Ein Grund dafür, dass es schwierig ist, Fehler im Zusammenhang mit den Unterschieden bei der Modellgenauigkeit zu beheben, besteht darin, dass die Trainingssoftware in verschiedenen Frameworks (TensorFlow, PyTorch, JAX) jedes Mal, wenn ein Modell trainiert wird, eine unterschiedliche Gewichtungsinitialisierung und Datenfragmentierung verwendet. Es ist vorteilhaft, den Trainingsprozess so zu ändern, dass er deterministisch ist, damit mehrere Ausführungen nahezu identische Modelle erzeugen. Dieser Abschnitt zeigt, wie die MNIST-Anleitung deterministisch ausgeführt wird:

  1. Erstellen Sie eine erste Prüfpunktdatei durch Ausführen eines einzelnen Schritts auf der CPU. Mit diesem Schritt erzielen Sie eine deterministische Gewichtungsinitialisierung. Außerdem Stellen Sie sicher, dass Sie für jede Zufallsfunktion einen festen zufälligen Startwert verwenden, im Modell an. 
# Run training for 1 step to create an initial checkpoint.
python mnist_tpu.py \
  --use_tpu=False \
  --data_dir=${STORAGE_BUCKET}/data/ \
  --model_dir=${STORAGE_BUCKET}/init_output \
  --random_seed=12345 \
  --iterations=1
  --train_steps=1
  1. Ändern Sie alle Funktionen der Datenfragmentierung in Ihrer Eingabefunktion, um einen zufälligen Ausgangswert zu verwenden. Dies wurde bereits im Rahmen der MNIST-Anleitung durchgeführt. Dies funktioniert für die Vorgänge der Eingabedatenverarbeitung, da diese immer auf der CPU ausgeführt werden. Zufallsvorgänge in der Modellfunktion sind zwischen der TPU und der CPU möglicherweise nicht deterministisch. Bei jedem Anruf einen zufälligen Vorgang, übergeben Sie einen festen Seed-Wert, um dieselben Ergebnisse zu erhalten zwischen den Läufen. Beispiel: 
# In the flag definitions
tf.flags.DEFINE_integer("batch_size", None, "Random seed for training")

# In the input_fn
if FLAGS.random_seed is not None:
dataset = dataset.shuffle(seed=FLAGS.random_seed)
  1. Führen Sie das gleiche Modell zweimal auf der CPU aus, um zu prüfen, ob das Training deterministisch ist. Beachten Sie, dass das Training für eine angemessene Anzahl von Schritten (z. B. 1.000), jedoch nicht zur Konvergenz ausgeführt werden muss.

    Da das CPU-Training mit einem Einzelkern-TPU-Training verglichen wird, verwenden Sie eine vollständige Batchgröße, die auf einen einzelnen TPU-Kern passt (in der Regel die vollständige Batchgröße geteilt durch 8). TensorFlow garantiert keinen bitweisen Determinismus zwischen Ausführungen, aber der Verlust sollte den dabei erreichten Werten sehr nahe kommen:

Ursprüngliche Gewichte kopieren

gcloud storage cp ${STORAGE_BUCKET}/init_output/* ${STORAGE_BUCKET}/cpu_output_1/ --continue-on-error
gcloud storage cp ${STORAGE_BUCKET}/init_output/* ${STORAGE_BUCKET}/cpu_output_2/ --continue-on-error

Lauf 1

python mnist_tpu.py \
  --use_tpu=False \
  --data_dir=${STORAGE_BUCKET}/data/ \
  --model_dir=${STORAGE_BUCKET}/cpu_output_1 \
  --batch_size=128 \
  --random_seed=12345 \
  --train_steps=2000 \
  --eval_steps=10

Ausgabe 1

accuracy = 0.9910644, global_step = 1000, loss = 0.025323588

Lauf 2

python mnist_tpu.py \
  --use_tpu=False \
  --data_dir=${STORAGE_BUCKET}/data/ \
  --model_dir=${STORAGE_BUCKET}/cpu_output_1 \
  --batch_size=128 \
  --random_seed=12345 \
  --train_steps=2000 \
  --eval_steps=10

Ausgabe 2

accuracy = 0.9910644, global_step = 1000, loss = 0.025323414

Einzelkern-TPU-Training

Sobald Sie die MNIST-Anleitung deterministisch ausführen können, besteht der nächste Schritt darin, die CPU-trainierten Ergebnisse auf der TPU zu replizieren, wobei ein einzelner TPU-Kern verwendet wird, um festzustellen, ob das Problem mit der Datenfragmentierung oder der TPU-Ausführungsengine selbst zusammenhängt.

So führen Sie das Einzelkern-Training und die Bewertung in der MNIST-Anleitung aus:

Gleiche Gewichtungsinitialisierung wie die CPU verwenden

gcloud storage cp ${STORAGE_BUCKET}/init_output/* ${STORAGE_BUCKET}/tpu_output --continue-on-error

Training für 1.000 Schritte ausführen

python mnist.py \
    --use_tpu=True \
    --master=$GRPC_SERVER \
    --train_file=${STORAGE_BUCKET}/data/train.tfrecords \
    --model_dir=${STORAGE_BUCKET}/tpu_output \
    --random_seed=12345 \
    --num_shards=1 \
    --batch_size=128 \
    --train_steps=1000 \
    --eval_steps=10

Ausgabe

  accuracy = 0.9910644, global_step = 1000, loss = 0.02514153

Der Verlust stimmt nicht genau mit dem CPU-trainierten Modell überein, kommt diesem jedoch nahe. Ist Letzteres bei Ihrem Modell nicht der Fall, kann dies darauf hindeuten, dass ein Fehler in der TPU-Ausführungs-Engine vorliegt. Prüfen Sie Folgendes, bevor Sie einen Fehlerbericht senden:

  1. Sie übergeben num_shards=1 an TPUConfig.

  2. Sie haben keine zufälligen Operationen in Ihrer Modellfunktion und keine zufälligen Operationen in dass Ihre Eingabefunktion korrekt gesetzt wird.

  3. Sie verwenden für das CPU- und das TPU-Training dieselbe initiale Prüfpunktdatei.

Fehlerbehebung beim Mehrkern-TPU-Training

Wenn Ihr Modell den gleichen Verlust auf der CPU und der Einzelkern-TPU erreicht, liegt möglicherweise eines der folgenden Probleme vor:

(a) Die Verschlechterung ist auf die natürliche zufällige Varianz zurückzuführen, wenn neuronale Modelle mit unterschiedlichen Initialisierungen trainiert werden.

(b) Die Verschlechterung ist auf ein Problem bei der Datenfragmentierung auf der TPU zurückzuführen.

Um festzustellen, ob Problem (a) zutrifft, trainieren Sie das vollständige Modell auf der CPU/GPU und der Mehrkern-TPU mit der gleichen Gewichtungsinitialisierung, wie oben beschrieben erneut.

Wenn Sie sicher sind, dass der Genauigkeitsabfall statistisch signifikant ist, handelt es sich bei den Problemen im Zusammenhang mit der Datenfragmentierung mit hoher Wahrscheinlichkeit um die Folgenden:

  1. Wenn das Modell Batchnormalisierung verwendet, kann eine Gesamt-Batchgröße von weniger als 256 (z. B. weniger als 32 pro Kern) die Accuracy verringern.
  2. Wenn eine Verlustfunktionen pro Batch sind sie von der Fragmentierung betroffen. Solche Verlustfunktionen sind in der Regel ziemlich speziell. Beispiel: Karras et al. 2017 verwendet beim Trainieren eines generativen kontradiktorischen Netzwerks einen Batchdiskriminator.

gcloud Fehlerbehebung bei der Einrichtung

Problem
gcloud components update zeigt die folgende Fehlermeldung an:
ERROR: (gcloud.components.update)
You cannot perform this action because the Cloud SDK component manager is
disabled for this installation.
Lösung
Wenn Sie gcloud verwenden möchten, ist dazu eine gcloud-Installation erforderlich, die nicht über einen Paketmanager verwaltet wird. Führen Sie die folgenden Schritte aus, um Installieren Sie gcloud aus dem Quellcode:
  sudo apt-get remove google-cloud-sdk
  curl -O https://dl.google.com/dl/cloudsdk/channels/rapid/downloads/google-cloud-sdk-311.0.0-linux-x86_64.tar.gz
  tar -xzf google-cloud-sdk-311.0.0-linux-x86_64.tar.gz
  ./google-cloud-sdk/install.sh
  source ~/.bashrc
Problem

gcloud compute tpus tpu-vm ssh ${TPU_NAME} --zone ${ZONE}-Befehl wird folgende Fehlermeldung angezeigt:

Waiting for SSH key to propagate.
ssh: connect to host 34.91.136.59 port 22: Connection timed out
ssh: connect to host 34.91.136.59 port 22: Connection timed out
ssh: connect to host 34.91.136.59 port 22: Connection timed out
ERROR: (gcloud.compute.tpus.tpu-vm.ssh) Could not SSH into the instance.  It is possible that your SSH key has not propagated to the instance yet. Try running this command again.  If you still cannot connect, verify that the firewall and instance are set to accept ssh traffic.
Lösung

Möglicherweise liegt ein Problem mit der SSH-Schlüsselverteilung vor. Verschieben Sie zur Fehlerbehebung die automatisch generierten Schlüssel an einen Sicherungsspeicherort, damit gcloud sie neu erstellt:

mv ~/.ssh/google_compute_engine ~/.ssh/old-google_compute_engine
mv ~/.ssh/google_compute_engine.pub ~/.ssh/old-google_compute_engine.pub

Fehlerbehebungsprotokolle

Unterstützte Cloud TPU-Frameworks, JAX, PyTorch und TensorFlow auf TPUs mithilfe einer gemeinsam genutzten Bibliothek namens libtpu, die auf dem jede TPU-VM. Diese Bibliothek enthält den zur Kompilierung verwendeten XLA-Compiler TPU-Programme, die zum Ausführen kompilierter Programme verwendet werden, und den TPU-Treiber, der von der Laufzeit für den Low-Level-Zugriff auf die TPU verwendet wird.

Die Bibliothek libtpu protokolliert Informationen, die für die Fehlerbehebung hilfreich sein können. Standardmäßig werden diese Logs auf jeder Cloud TPU-VM in /tmp/tpu_logs geschrieben. Die folgenden Umgebungsvariablen können vor dem Training festgelegt werden , um das Protokollierungsverhalten zu ändern:

TPU_LOG_DIR: das Verzeichnis, in das Logs geschrieben werden
Der Standardspeicherort des Verzeichnisses ist /tmp/tpu_logs. Das Verzeichnis ist erstellt werden, falls er noch nicht vorhanden ist, aber es werden keine übergeordneten Verzeichnisse erstellt. Wenn beim Suchen oder Erstellen des angegebenen Verzeichnisses ein Fehler auftritt, wird eine Meldung in stderr ausgegeben. Das Programm wird dadurch jedoch nicht angehalten und die Protokollierung wird deaktiviert. Legen Sie den Verzeichnisnamen auf „deaktiviert“ fest. bis das Logging auf dem Laufwerk vollständig deaktivieren.
TPU_MIN_LOG_LEVEL: der Mindestschweregrad, der auf die Festplatte protokolliert wird
Als Optionen sind 0 (INFO), 1 (WARNUNG), 2 (FEHLER) und 3 (FATAL) verfügbar. Der Standardwert ist 0.
TPU_STDERR_LOG_LEVEL: der Mindestschweregrad, der in stderr zusätzlich zum Laufwerk (falls zutreffend) protokolliert wird
Die Auswahlmöglichkeiten sind dieselben wie bei TPU_MIN_LOG_LEVEL. Der Standardwert ist 3.
TPU_MAX_LOG_SIZE_MB: die maximale Größe in Megabyte der einzelnen Protokolldateien
Eine neue Protokolldatei wird automatisch gestartet, wenn die vorherige die folgende erreicht: ungefähr diese Größe hat. Die Standardeinstellung ist 1.024.