Résoudre les problèmes liés à TensorFlow – TPU

Ce guide, ainsi que les questions fréquentes, propose une aide au dépannage pour les utilisateurs qui entraînent des modèles TensorFlow sur Cloud TPU. Si vous rencontrez des problèmes avec l'entraînement PyTorch ou JAX, vous pouvez consulter les documents de dépannage de ces frameworks:

Pour obtenir des guides plus généraux sur l'utilisation de Cloud TPU, consultez les pages suivantes:

Présentation

Les problèmes courants rencontrés avec les Cloud TPU appartiennent aux catégories suivantes :

  1. Problèmes de connexion au TPU

  2. Déboguer les erreurs courantes

  3. Réduire l'utilisation de la mémoire

  4. Améliorer la vitesse d'entraînement

  5. Le débogage dégrade la justesse du modèle

Problèmes de connexion au serveur TPU

Cette section explique comment résoudre les problèmes de dépannage lorsque TensorFlow cesse de répondre ou renvoie une erreur lors de la connexion au TPU. L'étape de compilation du graphe TPU peut prendre beaucoup de temps pour les modèles volumineux. Laissez le script s'exécuter pendant au moins cinq minutes avant de conclure qu'il a cessé de répondre.

La première étape consiste à vérifier si le problème concerne le serveur lui-même ou votre pipeline d'entraînement TensorFlow. Pour ce faire, exécutez le tutoriel MNIST en utilisant l'URL de votre serveur TPU et vérifiez qu'il fonctionne correctement. S'il y a toujours des problèmes de connexion avec le tutoriel MNIST, cela confirme que le problème est lié au serveur TPU. Dans ce cas :

  1. Exécutez la commande suivante pour répertorier les TPU disponibles. Remplacez zone et project-id par votre zone et votre ID de projet.

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

    Cela permet d'afficher des messages de sortie tels que : 

    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. Vérifiez que vous transmettez la valeur correcte à --tpu (demo-tpu dans l'exemple précédent) et que ce TPU est classé en tant que READY.

  3. Si votre TPU n'est pas répertorié comme étant READY ou si vous avez encore des difficultés de connexion, redémarrez le serveur manuellement à l'aide de cette commande :

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

    Dans l'exemple précédent, $TPU_SERVER_NAME correspond à demo-tpu. Cette opération peut prendre plusieurs minutes.

  4. Exécutez à nouveau la commande ... tpus list et attendez que le TPU soit dans un état READY. L'actualisation de l'état peut prendre plusieurs minutes.

  5. Essayez de relancer le tutoriel MNIST.

  6. Si vous ne parvenez toujours pas à exécuter le tutoriel MNIST, demandez de l'aide via l'un des mécanismes décrits dans la section Obtenir de l'aide.

Si l'exemple MNIST fonctionne correctement, mais que votre modèle ne répond toujours pas, le problème se situe probablement au niveau de votre pipeline d'entraînement. Pour déboguer ce problème, commencez par remplacer TPUStrategy dans votre code par la stratégie par défaut. Lorsque vous utilisez la stratégie par défaut, où que vous utilisiez strategy.scope() ou strategy.run(), le modèle s'exécute sur le processeur (ou le GPU, le cas échéant) au lieu du TPU. Si le modèle s'exécute sur le processeur et non sur le TPU, il doit y avoir un problème spécifique au TPU. Si l'application ne s'exécute toujours pas, il est recommandé de déboguer le problème sur le processeur.

Perte de connexion ssh pendant l'entraînement

Votre connexion ssh au Cloud TPU peut expirer lors d'un entraînement de longue durée (en particulier si vous utilisez Cloud Shell). À ce stade, aucune sortie n'est générée dans la console TPU, et il peut sembler que le TPU ait arrêté l'entraînement. Pour éviter cela, exécutez la session de formation avec un multiplexeur de terminaux ou un outil de gestion de session tel que tmux ou screen. La connexion ssh restera active, quelle que soit la durée de la formation.

Déboguer les erreurs courantes

Cette section explique comment résoudre les erreurs courantes que vous pouvez rencontrer lors de l'entraînement de modèles sur Cloud TPU.

Impossible de créer un TPU

Lorsque vous créez un Cloud TPU, le message d'erreur suivant peut s'afficher:

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."

Il s'agit d'un problème d'autorisations. Pour le résoudre, exécutez la commande suivante:

gcloud auth login --update-adc

Cette commande met à jour vos Identifiants par défaut de l'application (ADC) et devrait résoudre le problème. Pour en savoir plus, consultez gcloud auth login.

Formes dynamiques non compatibles

Message d'erreur

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

Framework et configurations concernés

Ce message ne s'affiche que lors de la compilation XLA avec TensorFlow.

Détails

Pour exécuter un modèle sur un TPU, Cloud TPU le compile à l'aide du compilateur XLA. Bien que cette étape de compilation améliore considérablement la vitesse d'entraînement et l'utilisation de la mémoire, les formes (tailles des dimensions) de tous les Tensors du graphe doivent être connues au moment de la compilation du graphe. Si la moindre forme ne peut pas être déterminée au moment de la compilation, la compilation TPU échoue avec le message d'erreur affiché précédemment.

dataset.batch(batch_size) est une opération courante qui renvoie une forme dynamique, car le nombre d'échantillons restant dans un flux peut être inférieur à la taille de lot. Par conséquent, lors de l'entraînement sur le TPU, définissez drop remainder=True pour dataset.batch. Cette fonction supprime, le cas échéant, les derniers échantillons d'un fichier pour garantir que chaque lot possède une forme statique de batch_size. Exemple :

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

Opération TensorFlow non disponible

Message d'erreur

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

Framework et configurations concernés

Ce message peut s'afficher lors de l'entraînement avec TensorFlow.

Détails

Le modèle utilise une opération TensorFlow qui n'est pas disponible sur le TPU.

Pour obtenir la liste des opérations disponibles sur TPU, ainsi que les opérations dont la compatibilité est prévue à l'avenir et les solutions de contournement, consultez le guide des opérations TensorFlow disponibles.

Message d'erreur de mémoire insuffisante

Message d'erreur

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

Framework et configurations concernés

Ce message peut s'afficher lors de l'entraînement avec TensorFlow, PyTorch ou JAX.

Détails

Chaque Cloud TPU est composé de huit cœurs de TPU. Les TPU v2 disposent de 8 Go et les TPU v3 de 16 Go de RAM (ou HBM, mémoire à haut débit). Cette mémoire est utilisée pour stocker les Tensors des pondérations (variables), ainsi que les Tensors des résultats intermédiaires nécessaires aux calculs de gradients. Si le modèle est trop volumineux pour tenir dans la mémoire RAM du TPU, l'initialisation échoue et le message d'erreur est affiché. Consultez la section Réduire l'utilisation de la mémoire pour obtenir de l'aide.

Conseils pour réduire l'utilisation de la mémoire:

Problèmes d'arrêt de l'exécution

Si TensorFlow rencontre une erreur lors de l'exécution sur TPU, le script semble parfois cesser de répondre plutôt que quitter l'interface système. Si cela se produit, appuyez sur CTRL+C sur le clavier pour déclencher un SIGQUIT, ce qui force la fermeture immédiate de Python.

De la même façon, la commande CTRL+C pendant l'exécution TPU ne met pas fin immédiatement à TensorFlow, mais attend la fin de la boucle d'itération en cours pour s'arrêter proprement.

Si, après une fermeture de ce type, vous rencontrez de nouvelles erreurs lorsque vous vous reconnectez au TPU, réinitialisez manuellement le serveur TPU à l'aide des commandes suivantes: 

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

où tpu-name est extrait de la première colonne affichée par la commande gcloud compute tpus tpu-vm list et zone est la zone affichée dans la deuxième colonne.

Remplissage excessif du Tensor

Cause possible du problème de mémoire

Les Tensors stockés dans la mémoire du TPU sont remplis, c'est-à-dire que le TPU arrondit les tailles des Tensors stockés en mémoire pour effectuer les calculs plus efficacement. Ce remplissage se produit de manière transparente au niveau du matériel et n'affecte pas les résultats. Toutefois, dans certains cas, le remplissage peut entraîner une augmentation significative de l'utilisation de la mémoire et du temps d'exécution.

Réduire l'utilisation de la mémoire

La couche logicielle TPU tente de disposer les Tensors en mémoire afin de maximiser l’efficacité des calculs et de minimiser le remplissage. Ce processus d’agencement de la mémoire est complexe, mais pour optimiser les résultats, le modèle doit respecter la règle empirique suivante. Pour minimiser la surcharge de mémoire et optimiser l'efficacité de calcul, l'une des conditions suivantes doit être remplie :

  • La taille totale du lot doit être un multiple de 64 (8 par cœur de TPU) et les dimensions des caractéristiques doivent être un multiple de 128.

    ou

  • La taille totale du lot doit être un multiple de 1 024 (128 par cœur de TPU), et les dimensions des caractéristiques doivent être un multiple de 8.

L'efficacité maximale est atteinte avec une taille de lot de 1 024 et des dimensions de caractéristiques multiples de 128, bien que cela ne soit pas toujours possible pour tous les modèles. Par souci de clarté, "dimension de caractéristique" désigne la taille cachée d'une couche entièrement connectée ou le nombre de canaux de sortie dans une convolution. Certaines couches ne peuvent pas se conformer à cette règle, en particulier les première et dernière couches du réseau. Ce n'est pas un problème et il est attendu que la plupart des modèles nécessitent un certain remplissage.

Réduire l'utilisation de la mémoire

Si vous rencontrez une erreur de mémoire insuffisante lors de l'exécution de votre modèle sur TPU, vous devez prendre des mesures pour réduire l'utilisation de la mémoire par le modèle.

Voici les moyens les plus efficaces de réduire l'utilisation de la mémoire:

  • Réduire le remplissage excessif du tenseur
  • Réduire la taille du lot

Taille de lot ou modèle trop importants

Cause possible du problème de mémoire

Lors de l'entraînement d'un réseau de neurones sur un processeur, un GPU ou un TPU, l'utilisation de la mémoire provient de deux sources :

  1. L'utilisation de la mémoire est proportionnelle au nombre de pondérations dans le modèle.
  2. Le stockage des activations intermédiaires provenant du calcul de propagation avant et utilisées pour le calcul de la rétropropagation. L'utilisation de la mémoire est directement proportionnelle à la taille du lot, à la taille et au nombre de couches.

Par conséquent, la mémoire requise par un modèle dépend largement de la taille de lot.

La mémoire requise par un modèle dépend du nombre de couches du réseau.

L'environnement d'exécution TPU tente d'optimiser les opérateurs pour ajuster le modèle en mémoire (appelé rematérialisation, semblable à la gestion des points de contrôle de gradient), mais il n'est pas toujours en mesure de le faire.

Réduire l'utilisation de la mémoire

Réduisez progressivement la taille de lot jusqu'à ce qu'un lot tienne en mémoire, en vous assurant que la taille totale de lot est un multiple de 64 (la taille de lot par cœur doit être un multiple de 8). N'oubliez pas que des tailles de lot plus importantes sont plus efficaces sur TPU. Une taille de lot totale de 1 024 (128 par cœur) est généralement un bon point de départ.

Si le modèle ne peut pas être exécuté sur TPU même avec une taille de lot faible (par exemple, 64), essayez de réduire le nombre ou la taille des couches.

Améliorer la vitesse d'entraînement

Si votre modèle est capable de fonctionner correctement sur TPU, mais que la vitesse d’entraînement n'est pas aussi rapide qu'espéré, cette section décrit plusieurs moyens potentiels d’améliorer la vitesse. Pour obtenir d'autres suggestions pour améliorer les performances de l'entraînement, consultez le guide des performances.

Trop peu d'étapes par exécution par boucle d'entraînement

Description du problème de performances

Transmettre l'argument steps_per_execution à Model.compile contrôle le nombre d'étapes d'entraînement exécutées entre les rappels de l'hôte. Chaque rappel d'hôte nécessite une communication importante entre le processeur hôte du serveur TPU et l'appareil TPU. Par conséquent, si steps_per_execution est trop faible, cela peut ralentir l'entraînement.

Comment savoir si votre modèle est affecté

Si un profil TPU révèle des rappels de processeur hôte fréquents entre les étapes de l'appareil TPU, votre entraînement peut bénéficier d'une valeur steps_per_execution plus élevée.

Minimiser le problème

Définissez steps_per_execution sur une valeur plus élevée. Notez que steps_per_execution peut être défini sur une valeur élevée, mais gardez à l'esprit que les messages de journalisation et l'enregistrement d'un point de contrôle ne peuvent se produire qu'après l'exécution du nombre d'étapes spécifié.

Goulot d'étranglement au niveau du traitement des entrées

Description du problème de performances

Pendant que le TPU effectue l'entraînement sur un bloc de données particulier, la fonction de traitement des entrées utilise le processeur pour préparer le bloc de données suivant. Si votre fonction d'entrée prend plus de temps que la fonction du modèle, le TPU reste inactif pendant que votre fonction d'entrée récupère les données.

Comment savoir si votre modèle est affecté

Suivez les instructions de la documentation Outils Cloud TPU : analyseur du pipeline d'entrées pour afficher l’analyse du pipeline d’entrées dans TensorBoard :

image

La page d'analyse du pipeline d'entrées présente un résumé clair indiquant si votre modèle présente un goulot d'étranglement au niveau du traitement des entrées. La même page affiche également le temps d'exécution par opération, ce qui vous permet d'identifier les opérations problématiques.

Minimiser le problème

Il existe plusieurs solutions au niveau du chargement de données grâce à l'API Dataset :

  1. Stockez vos données sous forme de collection de structures tf.train.Example dans des fichiers TFRecord, et chargez-les à l'aide de TFRecordDataset. Consultez le tutoriel sur l'API Dataset ou le tutoriel ResNet pour voir des exemples.
  2. Utilisez dataset.cache() ou dataset.prefetch() pour mettre en mémoire tampon les données d'entrée. Cela évite que les ralentissements sporadiques au niveau de l'accès aux fichiers ne créent un goulot d'étranglement.
  3. Spécifiez le paramètre num_parallel_calls de la fonction dataset.map() pour activer les opérations multithread map(). Une heuristique pour la valeur de num_parallel_calls consiste à utiliser le nombre de cœurs de processeur disponibles.
  4. Effectuez le prétraitement coûteux des données hors ligne comme une dépense unique, plutôt que de subir les frais occasionnés à chaque époque de chaque entraînement.

L'intégralité du traitement des entrées est effectué sur les processeurs situés sur le serveur TPU et non sur la machine locale. La vitesse de la machine locale n'est donc pas un facteur.

Temps d'étape lents et faible utilisation de la MXU

Description du problème de performances

Cloud TPU peut effectuer des multiplications et des convolutions de matrices à des vitesses incroyablement élevées. La plupart des autres opérations TensorFlow ont des mises en œuvre efficaces sur TPU, mais elles ne représentent pas le point fort des TPU par rapport à un autre type de matériel. Par conséquent, pour tirer pleinement parti du TPU, un modèle doit reposer essentiellement sur des multiplications ou convolutions de matrices.

Comment savoir si votre modèle est affecté

Dans ce cas, vous verrez des temps d'étape lents associés à une faible utilisation des MXU lorsque vous profilerez les performances.

Minimiser le problème

Essayez de réduire le nombre d'opérations qui ne sont pas des multiplications matricielles. Après avoir réduit le nombre de multiplications matricielles, effectuez de nouveaux benchmarks pour voir si les performances sont acceptables sur les TPU.

Remplissage excessif du Tensor

Description du problème de performances

Le TPU remplit les tenseurs en mémoire de manière à pouvoir utiliser efficacement ses unités de calcul. Le remplissage peut augmenter l'utilisation de la mémoire, ainsi que de la bande passante mémoire. Consultez la section sur le remplissage de Tensor pour comprendre et résoudre les problèmes de remplissage de Tensor.

Débit lent et faible utilisation de la mémoire

Description du problème de performances

En règle générale, l'utilisation de lots de grande taille accélère l'apprentissage sur TPU, en termes d'échantillons/seconde.

Comment savoir si votre modèle est affecté

La taille de lot de tout modèle doit toujours être d'au moins 64 (huit par cœur de TPU), car le TPU remplit systématiquement les Tensors pour atteindre cette taille. La taille de lot idéale pour l'apprentissage sur TPU est de 1 024 (128 par cœur de TPU), car cela élimine les inefficacités liées au transfert de mémoire et au remplissage.

Minimiser le problème

Il est recommandé d'utiliser la taille de lot la plus grande qui tienne en mémoire et soit un multiple de 64. La méthode la plus simple consiste à démarrer à 1 024. Si cela provoque une erreur de mémoire insuffisante, essayez de réduire la taille de lot jusqu'à ce que le modèle s'exécute correctement. Modifier la taille de lot d'un modèle peut nécessiter l'ajustement d'autres hyperparamètres, tels que le taux d'apprentissage, pour obtenir la même justesse de modèle, mais cela doit être évalué au cas par cas.

La taille des couches est trop faible

Description du problème de performances

Même lorsqu'un modèle est dominé par des multiplications ou convolutions de matrices, le TPU peut ne pas fonctionner à pleine efficacité si les Tensors d'entrée sont petits. Par rapport à d'autres types de matériel, le TPU fonctionne plus efficacement lorsque les lots et les couches sont de grande taille (par exemple, de dimension >= 512).

Comment savoir si votre modèle est affecté

En règle générale, les tailles de couche inférieures à 128 n'atteignent qu'une efficacité médiocre sur TPU, car 128 est la dimension intégrée de l'unité de multiplication matricielle TPU. Pour les couches entièrement connectées, une taille cachée minimale de 512 est recommandée pour obtenir une efficacité élevée. Notez que les couches convolutives n'ont généralement pas besoin d'être aussi grandes que des couches entièrement connectées pour atteindre un niveau d'efficacité équivalent.

Minimiser le problème

Si la vitesse d'entraînement est la principale motivation pour les petites tailles de couches dans votre modèle, effectuez une nouvelle analyse comparative de vos modèles avec des couches plus grandes sur le TPU. Par exemple, augmenter la taille de sortie d'une couche de 256 à 512 peut n'augmenter le temps d'entraînement que de 20 %, même si le modèle effectue deux fois plus de calculs.

Profilage de modèle au niveau des opérations

Il est souvent utile de mesurer le temps d'exécution et l'utilisation de la mémoire au niveau des opérations afin d'identifier les goulots d'étranglement des performances. Pour plus d'informations sur ce point,
consultez le guide Outils Cloud TPU: Lecteur de traces.

Le débogage dégrade la justesse du modèle

L'un des objectifs de l'écosystème Cloud TPU est que tout modèle entraîné sur un processeur ou un GPU atteigne une précision très similaire lorsqu'il est entraîné sur un TPU, avec éventuellement des ajustements mineurs au niveau d'hyperparamètres tels que la taille de lot et le taux d'apprentissage. Cependant, les utilisateurs peuvent parfois observer une dégradation de la justesse de certains modèles après entraînement sur un TPU. Déboguer de tels problèmes peut être extrêmement frustrant en raison de la nature aléatoire de l'entraînement des réseaux de neurones. Cette section explique comment identifier la cause première de toute dégradation de la justesse d'un modèle lors du transfert sur TPU.

Comprendre la segmentation de données (parallélisme des données)

L'un des principaux objectifs de TensorFlow est de faire en sorte que chaque opération produise des résultats quasi identiques, qu'elle soit exécutée sur processeur, GPU ou TPU. Il existe certaines exceptions à cette règle, telles que les opérations aléatoires. En général, si vous constatez une différence significative entre les résultats d'opérations non aléatoires sur TPU et sur processeur, signalez-le comme un bug.

Cependant, au niveau du pipeline d'entraînement dans son ensemble, il existe une différence significative entre l'entraînement sur le processeur/GPU et celui sur le TPU. Lors de l'entraînement sur un TPU, TensorFlow effectue la segmentation de données. Chaque Cloud TPU contient huit cœurs de TPU fonctionnant comme des unités de traitement indépendantes. Pour chaque étape de l'entraînement, chaque cœur de TPU reçoit un lot de données, calcule les gradients des pondérations, les échange avec les autres cœurs de TPU, puis calcule la mise à jour des pondérations. Par défaut, c'est la perte moyenne sur l'ensemble des cœurs qui est calculée, mais on peut aussi calculer la somme en modifiant le paramètre de CrossShardOptimizer.

Si la perte totale du modèle peut être calculée comme la moyenne (ou la somme) de pertes indépendantes par échantillon, cette procédure est alors mathématiquement équivalente à un entraînement sur un seul lot de grande taille.

L'opération la plus courante qui n'est pas indépendante par échantillon est la normalisation de lot, qui s'exécute sur chaque "lot par cœur" séparément. Par exemple, si la taille de lot totale est de 128, la taille de lot par cœur est de 16 et chacun des huit cœurs réalise la normalisation du lot sur ses 16 échantillons propres. Dans certains cas, une dégradation de la justesse a été observée avec la normalisation par lot sur de petits lots (moins de 32, par exemple). Dans un scénario idéal, la taille totale des lots doit être importante (par exemple, de 256 à 1 024). Pour les lots trop volumineux pour tenir en mémoire, l’effet de la segmentation doit être évalué au cas par cas.

Entraînement déterministe

Une des raisons pour lesquelles il est difficile de déboguer les différences de justesse d'un modèle tient au fait que, dans différents frameworks (TensorFlow, PyTorch, JAX), le logiciel d'entraînement utilise une initialisation des poids et un brassage des données différents chaque fois qu'un modèle est entraîné. Il est avantageux de modifier la procédure d'entraînement pour qu'elle devienne déterministe, de sorte que plusieurs exécutions produisent des modèles quasiment identiques. Cette section montre comment exécuter le tutoriel MNIST de manière déterministe:

  1. Générez un fichier de point de contrôle initial en exécutant un seul pas sur le processeur. Ce pas permet d’initialiser les pondérations de manière déterministe. Assurez-vous également d'utiliser une graine aléatoire fixe pour toute fonction aléatoire du modèle. 
# 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. Modifiez les fonctions de brassage des données de votre fonction d'entrée pour utiliser une graine aléatoire. C'est déjà le cas dans le tutoriel MNIST. Cela fonctionne pour les opérations de traitement des données en entrée, car celles-ci sont toujours exécutées sur le processeur. Les opérations aléatoires dans la fonction du modèle peuvent ne pas être déterministes entre le TPU et le processeur. Chaque fois que vous appelez une opération aléatoire, transmettez un nombre source fixe pour vous assurer que les résultats sont identiques entre les exécutions. Exemple : 
# 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. Exécutez le même modèle deux fois sur le processeur pour vérifier que l'entraînement est déterministe. Notez que l'entraînement doit être exécuté pour un nombre raisonnable de pas (par exemple, 1 000), mais pas nécessairement jusqu'à convergence.

    Comme l'entraînement sur processeur est comparé à l'entraînement sur un TPU monocœur, utilisez une taille de lot pouvant tenir sur un seul cœur de TPU (généralement, la taille de lot complète divisée par huit). TensorFlow ne garantit pas un déterminisme bit par bit entre les exécutions, mais la perte doit être très proche :

Copier les pondérations initiales

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

Course 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

Sortie 1

accuracy = 0.9910644, global_step = 1000, loss = 0.025323588

Course 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

Sortie 2

accuracy = 0.9910644, global_step = 1000, loss = 0.025323414

Entraînement TPU monocœur

Une fois que vous pouvez exécuter le tutoriel MNIST de manière déterministe, l'étape suivante consiste à répliquer sur TPU les résultats entraînés sur le processeur, en utilisant un seul cœur de TPU pour déterminer si le problème est lié à la segmentation des données ou au moteur d'exécution du TPU lui-même.

Voici comment exécuter un entraînement et une évaluation monocœur avec le tutoriel MNIST :

Utiliser la même initialisation des poids que le processeur

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

Exécuter l'entraînement pour 1 000 pas

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

Sortie

  accuracy = 0.9910644, global_step = 1000, loss = 0.02514153

La perte ne correspondra pas exactement au modèle entraîné sur processeur, mais elle devrait être proche. Si ce n'est pas le cas pour votre modèle, cela peut indiquer que vous avez trouvé un bug dans le moteur d'exécution du TPU. Avant de soumettre un rapport de bug, vérifiez les points suivants :

  1. Vous transmettez num_shards=1 à TPUConfig.

  2. Vous ne disposez d'aucune opération aléatoire dans votre fonction de modèle et toutes les opérations aléatoires de votre fonction d'entrée sont correctement initialisées.

  3. Vous utilisez le même fichier de point de contrôle initial pour l'entraînement sur processeur et sur TPU.

Déboguer l'entraînement TPU multicœur

Si votre modèle atteint effectivement la même perte sur processeur et sur TPU monocœur, le problème est probablement l'un des éléments suivants :

(a) La dégradation est due à la variance aléatoire naturelle survenant lorsque l'on entraîne des modèles neuronaux avec différentes initialisations.

(b) La dégradation est due à un problème lié à la segmentation des données sur le TPU.

Pour déterminer si votre problème relève du cas (a), entraînez de nouveau le modèle complet sur processeur/GPU et sur TPU multicœur en utilisant la même initialisation des pondérations.

Si vous êtes certain que la dégradation de la justesse est statistiquement significative, les problèmes les plus probables liés à la segmentation des données sont les suivants :

  1. Si votre modèle utilise la normalisation par lot, une taille de lot totale inférieure à 256 (par exemple, inférieure à 32 par cœur) peut réduire la justesse.
  2. Les fonctions de perte par lot sont affectées par la segmentation. Ces fonctions de perte sont généralement assez spécialisées. Par exemple, Karras et al. (2017) utilisent un discriminateur par lot lors de l'entraînement d'un réseau antagoniste génératif.

Résoudre les problèmes de configuration de gcloud

Problème
gcloud components update affiche le message d'erreur suivant:
ERROR: (gcloud.components.update)
You cannot perform this action because the Cloud SDK component manager is
disabled for this installation.
Solution
Pour utiliser gcloud, vous devez utiliser une installation gcloud qui n'est pas gérée via un gestionnaire de paquets. Pour installer gcloud à partir du code source, procédez comme suit:
  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
Problème

La commande gcloud compute tpus tpu-vm ssh ${TPU_NAME} --zone ${ZONE} affiche le message d'erreur suivant:

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.
Solution

Une erreur s'est peut-être produite lors de la propagation de la clé SSH. Déplacez les clés générées automatiquement vers un emplacement de sauvegarde pour forcer gcloud à les recréer :

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

Journaux de débogage

Les frameworks Cloud TPU compatibles, JAX, PyTorch et TensorFlow, accèdent aux TPU à l'aide d'une bibliothèque partagée appelée libtpu, qui est présente sur chaque VM TPU. Cette bibliothèque inclut le compilateur XLA utilisé pour compiler les programmes TPU, l'environnement d'exécution TPU utilisé pour exécuter les programmes compilés et le pilote TPU utilisé par l'environnement d'exécution pour l'accès de bas niveau au TPU.

La bibliothèque libtpu consigne des informations qui peuvent être utiles pour le débogage. Par défaut, ces journaux sont écrits dans /tmp/tpu_logs sur chaque VM Cloud TPU. Vous pouvez définir les variables d'environnement suivantes avant de commencer l'entraînement pour modifier le comportement de journalisation:

TPU_LOG_DIR: répertoire dans lequel les journaux sont écrits
L'emplacement du répertoire est défini par défaut sur /tmp/tpu_logs. Le répertoire est créé s'il n'existe pas déjà, mais aucun répertoire parent n'est créé. En cas d'erreur lors de la recherche ou de la création du répertoire spécifié, un message est imprimé dans stderr, mais le programme n'est pas arrêté et la journalisation est désactivée. Définissez le nom du répertoire sur "désactivé" pour désactiver complètement la journalisation sur le disque.
TPU_MIN_LOG_LEVEL: gravité minimale qui sera journalisée sur le disque
Les valeurs possibles sont : 0 (INFO), 1 (WARNING), 2 (ERROR) et 3 (FATAL). La valeur par défaut est 0.
TPU_STDERR_LOG_LEVEL: gravité minimale qui sera enregistrée dans stderr, en plus du disque, le cas échéant
Les choix sont les mêmes que pour TPU_MIN_LOG_LEVEL. La valeur par défaut est 3.
TPU_MAX_LOG_SIZE_MB: taille maximale en mégaoctets de chaque fichier journal
Un nouveau fichier journal est automatiquement lancé lorsque le précédent atteint environ cette taille. Valeur par défaut : 1 024.