Esta página foi traduzida pela API Cloud Translation.

Introdução à inferência do Cloud TPU v5e

Informações gerais e benefícios

O Cloud TPU v5e é um acelerador de IA desenvolvido pelo Google otimizado para treinamento, ajuste e disponibilização (inferência) baseado em transformador, texto para imagem e CNN. As frações da TPU v5e podem conter até 256 chips.

Disponibilização refere-se ao processo de implantação de um modelo de machine learning treinado em um ambiente de produção, onde ele pode ser usado para inferência. Os SLOs de latência são uma prioridade na disponibilização.

Este documento discute a exibição de um modelo em uma TPU de host único. As frações de TPU com até oito chips têm uma VM ou um host da TPU e são chamadas de TPUs de host único.

Começar

Você vai precisar de cota para TPUs v5e. TPUs sob demanda exigem cota de tpu-v5s-litepod-serving. TPUs reservadas exigem cota de tpu-v5s-litepod-serving-reserved. Para mais informações, entre em contato com a equipe de vendas do Cloud.

Você precisará de uma conta e um projeto do Google Cloud para usar a Cloud TPU. Para mais informações, consulte Configurar um ambiente do Cloud TPU.

Provisione TPUs v5e usando recursos na fila. Para mais informações sobre as configurações disponíveis do v5e para exibição, consulte Tipos do Cloud TPU v5e para exibição.

Inferência e disponibilização de modelos do Cloud TPU

A forma como você exibe um modelo para inferência depende do framework de ML com que o modelo foi criado. A TPU v5e é compatível com modelos de veiculação escritos em JAX, TensorFlow e PyTorch.

Inferência e disponibilização de modelos JAX

Para disponibilizar um modelo em uma VM da TPU, é necessário:

Serializar o modelo no formato SavedModel do TensorFlow
Usar o conversor de inferência para preparar o modelo salvo para veiculação
Usar o TensorFlow Serving para disponibilizar o modelo

Formato SavedModel

Um SavedModel contém um programa completo do TensorFlow, incluindo parâmetros treinados e computação. Ele não requer o código de criação do modelo original para ser executado.

Se o modelo foi escrito em JAX, será necessário usar jax2tf para serializar o modelo no formato SavedModel.

Conversor de inferência

O Conversor de inferência do Cloud TPU prepara e otimiza um modelo exportado no formato SavedModel para inferência de TPU. É possível executar o conversor de inferência em um shell local ou na VM da TPU. Recomendamos o uso do shell da VM da TPU porque ele tem todas as ferramentas de linha de comando necessárias para executar o conversor. Para mais informações sobre o conversor de inferência, consulte o Guia do usuário do conversor de inferências.

Requisitos do conversor de inferência

Seu modelo precisa ser exportado do TensorFlow ou do JAX no formato SavedModel.
Defina um alias para a função da TPU. Para mais informações, consulte o Guia do usuário do conversor de inferências. Os exemplos neste guia usam tpu_func como o alias da função da TPU.
Verifique se a CPU da máquina é compatível com as instruções Advanced Vector eXtensions (AVX), já que a biblioteca do TensorFlow (a dependência do Cloud TPU Inference Converter) é compilada para usar as instruções do AVX. A maioria das CPUs tem suporte a AVX.

Observação: execute lscpu | grep avx para verificar se o conjunto de instruções AVX é compatível.

Inferência e disponibilização de modelos JAX

Nesta seção, descrevemos como disponibilizar modelos JAX usando o jax2tf e o TensorFlow Serving.

Usar jax2tf para serializar o modelo para o formato SavedModel
Usar o conversor de inferência para preparar seu modelo salvo para veiculação
Usar o TensorFlow Serving para disponibilizar o modelo

Usar `jax2tf` para serializar um modelo JAX para o formato SavedModel

A seguinte função do Python mostra como usar jax2tf no código do modelo:

# Inference function
def model_jax(params, inputs):
  return params[0] + params[1] * inputs

# Wrap the parameter constants as tf.Variables; this will signal to the model
# saving code to save those constants as variables, separate from the
# computation graph.
params_vars = tf.nest.map_structure(tf.Variable, params)

# Build the prediction function by closing over the `params_vars`. If you
# instead were to close over `params` your SavedModel would have no variables
# and the parameters will be included in the function graph.
prediction_tf = lambda inputs: jax2tf.convert(model_jax)(params_vars, inputs)

my_model = tf.Module()
# Tell the model saver what the variables are.
my_model._variables = tf.nest.flatten(params_vars)
my_model.f = tf.function(prediction_tf, jit_compile=True, autograph=False)
tf.saved_model.save(my_model)

Para mais informações sobre jax2tf, consulte Interoperação do JAX e do Cloud TPU.

Usar o conversor de inferência para preparar o modelo salvo para veiculação

As instruções de uso do Conversor de inferência estão descritas no Guia do conversor de inferência.

Usar o TensorFlow Serving

As instruções para usar o TensorFlow Serving estão descritas em TensorFlow Serving.

Exemplos de disponibilização de modelos JAX

Pré-requisitos

Configure suas credenciais do Docker e extraia o conversor de inferência e a imagem do Docker de exibição do Cloud TPU:

sudo usermod -a -G docker ${USER}
newgrp docker
gcloud auth configure-docker \
   us-docker.pkg.dev
docker pull us-docker.pkg.dev/cloud-tpu-images/inference/tpu-inference-converter-cli:2.13.0
docker pull us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0

Conecte-se à VM da TPU com SSH e instale o código de demonstração de inferência:
```
gsutil -m cp -r \
"gs://cloud-tpu-inference-public/demo" \
.
```
Instale as dependências da demonstração do JAX:
```
pip install -r ./demo/jax/requirements.txt
```

Disponibilizar o modelo JAX BERT para inferência

É possível fazer o download do modelo BERT pré-treinado do Hugging Face.

Exporte um modelo salvo do TensorFlow compatível com TPU de um modelo BERT do Flax:
```
cd demo/jax/bert
python3 export_bert_model.py
```

Inicie o contêiner do servidor de modelo do Cloud TPU:

docker run -t --rm --privileged -d \
  -p 8500:8500 -p 8501:8501 \
  --mount type=bind,source=/tmp/jax/bert_tpu,target=/models/bert \
  -e MODEL_NAME=bert \
  us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0

Cerca de 30 segundos após o contêiner ser iniciado, verifique o registro do contêiner do servidor de modelos e confira se os servidores gRPC e HTTP estão ativos:

CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}')
docker logs ${CONTAINER_ID}

Se uma entrada de registro termina com as informações a seguir, o servidor está pronto para atender às solicitações.

2023-04-08 00:43:10.481682: I tensorflow_serving/model_servers/server.cc:409] Running gRPC ModelServer at 0.0.0.0:8500 ...
[warn] getaddrinfo: address family for nodename not supported
2023-04-08 00:43:10.520578: I tensorflow_serving/model_servers/server.cc:430] Exporting HTTP/REST API at:localhost:8501 ...
[evhttp_server.cc : 245] NET_LOG: Entering the event loop ...

Envie uma solicitação de inferência ao servidor do modelo.

python3 bert_request.py

A saída será semelhante a esta:

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?."

Fazer a limpeza.

Limpe o contêiner do Docker antes de executar outras demonstrações.

CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}')
docker stop ${CONTAINER_ID}

Limpe os artefatos do modelo:

sudo rm -rf /tmp/jax/

Disponibilizar o JAX Stable Diffusion para inferência

Faça o download do modelo de difusão estável pré-treinado no Hugging Face.

Faça o download do modelo de difusão estável em um formato de modelo salvo do TF2 compatível com TPU:

Observação: o download leva cerca de três minutos.
```
cd demo/jax/stable_diffusion
python3 export_stable_diffusion_model.py
```

Inicie o contêiner do servidor de modelo do Cloud TPU para o modelo:

docker run -t --rm --privileged -d \
  -p 8500:8500 -p 8501:8501 \
  --mount type=bind,source=/tmp/jax/stable_diffusion_tpu,target=/models/stable_diffusion \
  -e MODEL_NAME=stable_diffusion \
  us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0

Após cerca de dois minutos, verifique o registro do contêiner do servidor de modelo para confirmar que os servidores gRPC e HTTP estão em execução:

CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}')
docker logs ${CONTAINER_ID}

Se o registro terminar com as informações a seguir, isso significa que os servidores estão prontos para atender às solicitações.

2023-04-08 00:43:10.481682: I tensorflow_serving/model_servers/server.cc:409] Running gRPC ModelServer at 0.0.0.0:8500 ...
[warn] getaddrinfo: address family for nodename not supported
2023-04-08 00:43:10.520578: I tensorflow_serving/model_servers/server.cc:430] Exporting HTTP/REST API at:localhost:8501 ...
[evhttp_server.cc : 245] NET_LOG: Entering the event loop ...

Envie uma solicitação ao servidor do modelo.
```
python3 stable_diffusion_request.py
```
O script envia "Pintura de um esquilo patinando em Nova York" como comando. A imagem de saída será salva como stable_diffusion_images.jpg no diretório atual.

Fazer a limpeza.

Limpe o contêiner do Docker antes de executar outras demonstrações.

CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}')
docker stop ${CONTAINER_ID}

Limpar os artefatos do modelo

sudo rm -rf /tmp/jax/

TensorFlow Serving

As instruções a seguir demonstram como disponibilizar seu modelo do TensorFlow em VMs de TPU.

Fluxo de trabalho do TensorFlow Serving

Faça o download da imagem Docker do TensorFlow Serving para sua VM da TPU.

Definir variáveis de ambiente de amostra

export YOUR_LOCAL_MODEL_PATH=model-path
export MODEL_NAME=model-name
# Note: this image name may change later.
export IMAGE_NAME=us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0

Fazer o download da imagem Docker

docker pull ${IMAGE_NAME}

Configure as credenciais do Docker e extraia o conversor de inferência e a imagem Docker do TensorFlow Serving.

sudo usermod -a -G docker ${USER}
newgrp docker
gcloud auth configure-docker \
   us-docker.pkg.dev
docker pull us-docker.pkg.dev/cloud-tpu-images/inference/tpu-inference-converter-cli:2.13.0
docker pull us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0

Faça o download do código de demonstração:

gsutil -m cp -r \
"gs://cloud-tpu-inference-public/demo" \
.

Instale as dependências de demonstração do TensorFlow:
```
pip install -r ./demo/tf/requirements.txt
```

Disponibilize seu modelo do TensorFlow usando a imagem do Docker do TensorFlow Serving na sua VM da TPU.

# PORT 8500 is for gRPC model server and 8501 is for HTTP/REST model server.
docker run -t --rm --privileged -d \
  -p 8500:8500 -p 8501:8501 \
  --mount type=bind,source=${YOUR_LOCAL_MODEL_PATH},target=/models/${MODEL_NAME} \
  -e MODEL_NAME=${MODEL_NAME} \
  ${IMAGE_NAME}

Use a API Serving Client para consultar o modelo.
- API REST Client
- API gRPC Client

Executar a demonstração do TensorFlow ResNet-50 Serving

Exportar um modelo TF2 salvo compatível com TPU do modelo Keras ResNet-50.
```
cd demo/tf/resnet-50
python3 export_resnet_model.py
```

Inicie o contêiner do servidor de modelo do TensorFlow para o modelo.

docker run -t --rm --privileged -d \
  -p 8500:8500 -p 8501:8501 \
  --mount type=bind,source=/tmp/tf/resnet_tpu,target=/models/resnet \
  -e MODEL_NAME=resnet \
  us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0

Verifique o registro do contêiner do servidor de modelos e confirme se o gRPC e o servidor HTTP estão ativos:

CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}')
docker logs ${CONTAINER_ID}

Se o registro terminar com as informações a seguir, o servidor está pronto para atender às solicitações. O processo leva cerca de 30 segundos.

2023-04-08 00:43:10.481682: I tensorflow_serving/model_servers/server.cc:409] Running gRPC ModelServer at 0.0.0.0:8500 ...
[warn] getaddrinfo: address family for nodename not supported
2023-04-08 00:43:10.520578: I tensorflow_serving/model_servers/server.cc:430] Exporting HTTP/REST API at:localhost:8501 ...
[evhttp_server.cc : 245] NET_LOG: Entering the event loop ...

Envie a solicitação ao servidor do modelo.

A imagem da solicitação é uma banana de https://i.imgur.com/j9xCCzn.jpeg .

python3 resnet_request.py

A saída será semelhante a esta:

Predict result: [[('n07753592', 'banana', 0.94921875), ('n03532672', 'hook', 0.022338867), ('n07749582', 'lemon', 0.005126953)]]

Fazer a limpeza.

Limpe o contêiner do Docker antes de executar outras demonstrações.

CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}')
docker stop ${CONTAINER_ID}

Limpe os artefatos do modelo:

sudo rm -rf /tmp/tf/

Inferência e disponibilização de modelos PyTorch

Para modelos escritos com PyTorch, o fluxo de trabalho é:

Escrever um gerenciador de modelos em Python para carregar e inferir usando TorchDynamo e PyTorch/XLA
Use TorchModelArchiver para criar um arquivo de modelo
Use TorchServe para exibir o modelo

TorchDynamo e PyTorch/XLA

O TorchDynamo (Dynamo) é um compilador JIT em nível de Python projetado para tornar os programas PyTorch mais rápidos. Ela fornece uma API limpa para os back-ends do compilador se conectarem. Ele modifica dinamicamente o bytecode Python antes da execução. Na versão 2.0 do PyTorch/XLA, há um back-end experimental para inferência e treinamento usando o Dynamo.

O Dynamo fornece um gráfico Torch FX (FX) quando reconhece um padrão de modelo, e o PyTorch/XLA usa uma abordagem de tensor lento para compilar o gráfico FX e retornar a função compilada. Para mais informações sobre a Dynamo, consulte:

Postagem de discussões sobre desenvolvedores sobre o Pytorch (em inglês)
Documentação do TorchDynamo
PyTorch 2.0 e XLA para mais detalhes

Confira um pequeno exemplo de código da execução da inferência densnet161 com torch.compile.

import torch
import torchvision
import torch_xla.core.xla_model as xm

def eval_model(loader):
  device = xm.xla_device()
  xla_densenet161 = torchvision.models.densenet161().to(device)
  xla_densenet161.eval()
  dynamo_densenet161 = torch.compile(
      xla_densenet161, backend='torchxla_trace_once')
  for data, _ in loader:
    output = dynamo_densenet161(data)

TorchServe

É possível usar a imagem do Docker torchserve-tpu fornecida para exibir seu modelo pytorch arquivado em uma VM da TPU.

Configure a autenticação do Docker:

sudo usermod -a -G docker ${USER}
newgrp docker
gcloud auth configure-docker \
    us-docker.pkg.dev

Extraia a imagem do Cloud TPU TorchServe Docker para sua VM da TPU:

CLOUD_TPU_TORCHSERVE_IMAGE_URL=us-docker.pkg.dev/cloud-tpu-images/inference/torchserve-tpu:v0.9.0-2.1
docker pull ${CLOUD_TPU_TORCHSERVE_IMAGE_URL}

Coletar artefatos de modelo

Para começar, forneça um gerenciador de modelos, que instrui o worker do servidor de modelo do TorchServe a carregar o modelo, processar os dados de entrada e executar a inferência. É possível usar os gerenciadores de inferência padrão do TorchServe (origem) ou desenvolver seu próprio gerenciador de modelo personalizado seguindo base_handler.py. Talvez também seja necessário fornecer o modelo treinado e o arquivo de definição do modelo.

No exemplo do Densenet 161 a seguir, usamos artefatos de modelo e o gerenciador de classificador padrão de imagens fornecido pelo TorchServe:

Configure algumas variáveis de ambiente:

CWD="$(pwd)"

WORKDIR="${CWD}/densenet_161"

mkdir -p ${WORKDIR}/model-store
mkdir -p ${WORKDIR}/logs

Faça o download e copie os artefatos do modelo do exemplo de classificador de imagem do TorchServe:

git clone https://github.com/pytorch/serve.git

cp ${CWD}/serve/examples/image_classifier/densenet_161/model.py ${WORKDIR}
cp ${CWD}/serve/examples/image_classifier/index_to_name.json ${WORKDIR}

Faça o download dos pesos do modelo:

wget https://download.pytorch.org/models/densenet161-8d451a50.pth -O densenet161-8d451a50.pth

mv densenet161-8d451a50.pth ${WORKDIR}

Crie um arquivo de configuração de modelo TorchServe para usar o back-end do Dynamo:

echo 'pt2: "torchxla_trace_once"' >> ${WORKDIR}/model_config.yaml

Você verá os seguintes arquivos e diretórios:

>> ls ${WORKDIR}
model_config.yaml
index_to_name.json
logs
model.py
densenet161-8d451a50.pth
model-store

Gerar um arquivo de modelo

Para exibir seu modelo PyTorch com o Cloud TPU TorchServe, você precisa empacotar o gerenciador de modelos e todos os artefatos dele em um arquivo de modelo (*.mar) usando o Torch Model Archiver.

Gere um arquivo de modelo com torch-model-archiver:

MODEL_NAME=Densenet161

docker run \
    --privileged  \
    --shm-size 16G \
    --name torch-model-archiver \
    -it \
    -d \
    --rm \
    --mount type=bind,source=${WORKDIR},target=/home/model-server/ \
    ${CLOUD_TPU_TORCHSERVE_IMAGE_URL} \
    torch-model-archiver \
        --model-name ${MODEL_NAME} \
        --version 1.0 \
        --model-file model.py \
        --serialized-file densenet161-8d451a50.pth \
        --handler image_classifier \
        --export-path model-store \
        --extra-files index_to_name.json \
        --config-file model_config.yaml

O arquivo do modelo gerado no diretório model-store vai aparecer:

>> ls ${WORKDIR}/model-store
Densenet161.mar

Disponibilizar solicitações de inferência

Agora que você tem o arquivo de modelo, é possível iniciar o servidor de modelo TorchServe e exibir solicitações de inferência.

Inicie o servidor do modelo TorchServe:

docker run \
    --privileged  \
    --shm-size 16G \
    --name torchserve-tpu \
    -it \
    -d \
    --rm \
    -p 7070:7070 \
    -p 7071:7071 \
    -p 8080:8080 \
    -p 8081:8081 \
    -p 8082:8082 \
    -p 9001:9001 \
    -p 9012:9012 \
    --mount type=bind,source=${WORKDIR}/model-store,target=/home/model-server/model-store \
    --mount type=bind,source=${WORKDIR}/logs,target=/home/model-server/logs \
    ${CLOUD_TPU_TORCHSERVE_IMAGE_URL} \
    torchserve \
        --start \
        --ncs \
        --models ${MODEL_NAME}.mar \
        --ts-config /home/model-server/config.properties

Integridade do servidor do modelo de consulta:

curl http://localhost:8080/ping

Se o servidor de modelo estiver em execução, você verá:

{
  "status": "Healthy"
}

Para consultar as versões padrão do modelo registrado atual, use:

curl http://localhost:8081/models

Você verá o modelo registrado:

{
  "models": [
    {
      "modelName": "Densenet161",
      "modelUrl": "Densenet161.mar"
    }
  ]
}

Para fazer o download de uma imagem para inferência, use:

curl -O https://raw.githubusercontent.com/pytorch/serve/master/docs/images/kitten_small.jpg

mv kitten_small.jpg ${WORKDIR}

Para enviar uma solicitação de inferência ao servidor do modelo, use:

curl http://localhost:8080/predictions/${MODEL_NAME} -T ${WORKDIR}/kitten_small.jpg

Uma resposta semelhante a esta vai aparecer:

{
  "tabby": 0.47878125309944153,
  "lynx": 0.20393909513950348,
  "tiger_cat": 0.16572578251361847,
  "tiger": 0.061157409101724625,
  "Egyptian_cat": 0.04997897148132324
}

Registros do servidor do modelo

Use os seguintes comandos para acessar os registros:
```
ls ${WORKDIR}/logs/
cat ${WORKDIR}/logs/model_log.log
```
A seguinte mensagem será exibida no seu registro:
```
"Compiled model with backend torchxla\_trace\_once"
```

Limpar

Interrompa o contêiner do Docker:

rm -rf serve
rm -rf ${WORKDIR}

docker stop torch-model-archiver
docker stop torchserve-tpu

Criação de perfil

Depois de configurar a inferência, é possível usar criadores de perfil para analisar o desempenho e a utilização da TPU. Para mais informações sobre a criação de perfil, consulte:

Introdução à inferência do Cloud TPU v5e

Informações gerais e benefícios

Começar

Inferência e disponibilização de modelos do Cloud TPU

Inferência e disponibilização de modelos JAX

Formato SavedModel

Conversor de inferência

Requisitos do conversor de inferência

Inferência e disponibilização de modelos JAX

Usar jax2tf para serializar um modelo JAX para o formato SavedModel

Usar o conversor de inferência para preparar o modelo salvo para veiculação

Usar o TensorFlow Serving

Exemplos de disponibilização de modelos JAX

Pré-requisitos

Disponibilizar o modelo JAX BERT para inferência

Disponibilizar o JAX Stable Diffusion para inferência

TensorFlow Serving

Fluxo de trabalho do TensorFlow Serving

Executar a demonstração do TensorFlow ResNet-50 Serving

Inferência e disponibilização de modelos PyTorch

TorchDynamo e PyTorch/XLA

TorchServe

Coletar artefatos de modelo

Gerar um arquivo de modelo

Disponibilizar solicitações de inferência

Limpar

Criação de perfil

Usar `jax2tf` para serializar um modelo JAX para o formato SavedModel