Introducción a la inferencia de Cloud TPU v5e
Descripción general y beneficios
Cloud TPU v5e es un acelerador de IA desarrollado por Google y optimizado para entrenamiento, ajuste y entrega basados en transformadores, texto a imagen y CNN (inferencia). Las porciones de TPU v5e pueden contener hasta 256 chips.
La entrega se refiere al proceso de implementar un modelo de aprendizaje automático entrenado en un entorno de producción, en el que se puede usar para las inferencias. Los SLO de latencia son un prioridad para la entrega.
En este documento, se analiza la entrega de un modelo en una TPU de host único. Porciones de TPU con 8 chips o menos tienen una VM o host de TPU y se denominan TPU de host único.
Comenzar
Necesitarás una cuota para las TPU v5e. Las TPU a pedido requieren tpu-v5s-litepod-serving
de la cuota de transferencia de registros. Las TPU reservadas requieren una cuota de tpu-v5s-litepod-serving-reserved
. Para obtener más información, comunícate con Ventas de Cloud.
Necesitarás una cuenta y un proyecto de Google Cloud para usar Cloud TPU. Para obtener más información, consulta Configura un entorno de Cloud TPU.
Las TPU v5e se aprovisionan con recursos en cola. Para obtener más información sobre las configuraciones v5e disponibles para la publicación, consulta Tipos de Cloud TPU v5e para la publicación.
Inferencia y entrega de modelos de Cloud TPU
La forma en que se entrega un modelo para la inferencia depende del framework de AA con el que se escribió el modelo. TPU v5e admite la entrega de modelos escritos en JAX, TensorFlow, y PyTorch.
Inferencia y entrega de modelos de JAX
Para entregar un modelo en una VM de TPU, debes hacer lo siguiente:
- Serializa tu modelo en un SavedModel de TensorFlow formato
- Usa el convertidor de inferencia para preparar el modelo guardado para la entrega
- Usa TensorFlow Serving para entregar el modelo
formato de modelo guardado
Un modelo guardado contiene un programa de TensorFlow completo, incluidos los parámetros y el procesamiento entrenados. No requiere el código de compilación del modelo original para ejecutarse.
Si tu modelo se escribió en JAX, deberás usar jax2tf
para serializarlo en el formato de SavedModel.
Conversor de inferencia
El convertidor de inferencia de Cloud TPU prepara y optimiza un modelo exportado en formato SavedModel para la inferencia de TPU. Puedes ejecutar el convertidor de inferencia en un shell local o en tu VM de TPU. Recomendamos usar la shell de tu VM de TPU porque tiene todas las herramientas de línea de comandos necesario para ejecutar el conversor. Para obtener más información sobre Inference Converter, consulta la Guía del usuario de Inference Converter.
Requisitos del convertidor de inferencia
Tu modelo debe exportarse de TensorFlow o JAX en la SavedModel.
Debes definir un alias de función para la función de TPU. Para obtener más información, consulta la Guía del usuario del convertidor de inferencia. En los ejemplos de esta guía, se usa
tpu_func
como el alias de la función de TPU.Asegúrate de que la CPU de la máquina sea compatible con Advanced Vector eXtensions (AVX) instrucciones, como la biblioteca de TensorFlow (la dependencia del el convertidor de inferencia de Cloud TPU) se compila para usar instrucciones de AVX. La mayoría de las CPUs tienen compatibilidad con AVX.
Inferencia y entrega de modelos de JAX
En esta sección, se describe cómo entregar modelos de JAX con jax2tf
y TensorFlow Serving.
- Usa
jax2tf
para serializar tu modelo en el formato de modelo guardado - Usa el convertidor de inferencia a fin de preparar el modelo guardado para la entrega
- Usa TensorFlow Serving para entregar el modelo
Usa jax2tf
para serializar un modelo JAX en el formato de modelo guardado
En la siguiente función de Python, se muestra cómo usar jax2tf
en el código de tu 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 obtener más información sobre jax2tf
, consulta Interoperabilidad de JAX y Cloud TPU.
Usa el convertidor de inferencia para preparar el modelo guardado para la entrega
Las instrucciones para usar el convertidor de inferencia se describen en la guía del convertidor de inferencia.
Usa TensorFlow Serving
Las instrucciones para usar TensorFlow Serving se describen en TensorFlow Serving:
Ejemplos de entrega de modelos de JAX
Requisitos previos
Configura tus credenciales de Docker y extrae la imagen de Docker del convertidor de inferencia y de la entrega de Cloud TPU:
sudo usermod -a -G docker ${USER} newgrp docker gcloud auth configure-docker \ us-docker.pkg.dev docker pull us-docker.pkg.dev/cloud-tpu-images/inference/tpu-inference-converter-cli:2.13.0 docker pull us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0
Conéctate a tu VM de TPU con SSH y, luego, instala el código de demostración de inferencia:
gcloud storage cp \ "gs://cloud-tpu-inference-public/demo" \ . \ --recursive
Instala las dependencias de la demostración de JAX:
pip install -r ./demo/jax/requirements.txt
Entrega el modelo BERT de JAX para la inferencia
Puedes descargar el modelo BERT previamente entrenado de Hugging Face.
Exporta un modelo guardado de TensorFlow compatible con TPU desde un modelo Flax BERT:
cd demo/jax/bert python3 export_bert_model.py
Inicia el contenedor del servidor de modelos de Cloud TPU:
docker run -t --rm --privileged -d \ -p 8500:8500 -p 8501:8501 \ --mount type=bind,source=/tmp/jax/bert_tpu,target=/models/bert \ -e MODEL_NAME=bert \ us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0
Aproximadamente 30 segundos después de que se inicie el contenedor, verifica el registro del contenedor del servidor de modelos y asegúrate de que los servidores gRPC y HTTP estén activos:
CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}') docker logs ${CONTAINER_ID}
Si ves una entrada de registro que termina con la siguiente información, el servidor está listas para entregar.
2023-04-08 00:43:10.481682: I tensorflow_serving/model_servers/server.cc:409] Running gRPC ModelServer at 0.0.0.0:8500 ... [warn] getaddrinfo: address family for nodename not supported 2023-04-08 00:43:10.520578: I tensorflow_serving/model_servers/server.cc:430] Exporting HTTP/REST API at:localhost:8501 ... [evhttp_server.cc : 245] NET_LOG: Entering the event loop ...
Envía una solicitud de inferencia al servidor de modelos.
python3 bert_request.py
El resultado será similar al siguiente ejemplo:
For input "The capital of France is [MASK].", the result is ". the capital of france is paris.." For input "Hello my name [MASK] Jhon, how can I [MASK] you?", the result is ". hello my name is jhon, how can i help you?."
Realizar una limpieza
Asegúrate de limpiar el contenedor de Docker antes de ejecutar otras demostraciones.
CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}') docker stop ${CONTAINER_ID}
Limpia los artefactos del modelo:
sudo rm -rf /tmp/jax/
Entregar la JAX Stable Diffusion para la inferencia
Puedes descargar el modelo de difusión estable previamente entrenado. de Hugging Face.
Descarga el modelo de difusión estable en un formato de modelo guardado de TF2 compatible con TPU:
cd demo/jax/stable_diffusion python3 export_stable_diffusion_model.py
Inicia el contenedor del servidor de modelos de Cloud TPU para el modelo:
docker run -t --rm --privileged -d \ -p 8500:8500 -p 8501:8501 \ --mount type=bind,source=/tmp/jax/stable_diffusion_tpu,target=/models/stable_diffusion \ -e MODEL_NAME=stable_diffusion \ us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0
Después de unos dos minutos, revisa el registro del contenedor del servidor de modelos para asegurarte de que se ejecutan los servidores gRPC y HTTP:
CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}') docker logs ${CONTAINER_ID}
Si ves que el registro finaliza con la siguiente información, significa que los servidores están listos para entregar solicitudes.
2023-04-08 00:43:10.481682: I tensorflow_serving/model_servers/server.cc:409] Running gRPC ModelServer at 0.0.0.0:8500 ... [warn] getaddrinfo: address family for nodename not supported 2023-04-08 00:43:10.520578: I tensorflow_serving/model_servers/server.cc:430] Exporting HTTP/REST API at:localhost:8501 ... [evhttp_server.cc : 245] NET_LOG: Entering the event loop ...
Envía una solicitud al servidor de modelos.
python3 stable_diffusion_request.py
Esta secuencia de comandos envía "Pintura de una ardilla patinando en Nueva York" como instrucción. La imagen de salida se guardará como
stable_diffusion_images.jpg
en tu directorio actual.Realizar una limpieza
Asegúrate de limpiar el contenedor de Docker antes de ejecutar otras demostraciones.
CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}') docker stop ${CONTAINER_ID}
Limpia los artefactos del modelo
sudo rm -rf /tmp/jax/
TensorFlow Serving
En las siguientes instrucciones, se muestra cómo puedes entregar tu modelo de TensorFlow en VMs de TPU.
Flujo de trabajo de TensorFlow Serving
Descarga la imagen de Docker de TensorFlow Serving para tu VM de TPU.
Configura variables de entorno de muestra
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
Descarga la imagen de Docker
docker pull ${IMAGE_NAME}
Configura las credenciales de Docker y extrae la imagen de Docker del convertidor de inferencia y de TensorFlow Serving.
sudo usermod -a -G docker ${USER} newgrp docker gcloud auth configure-docker \ us-docker.pkg.dev docker pull us-docker.pkg.dev/cloud-tpu-images/inference/tpu-inference-converter-cli:2.13.0 docker pull us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0
Descarga el código de demostración:
gcloud storage cp \ "gs://cloud-tpu-inference-public/demo" \ . \ --recursive
Instala las dependencias de la demostración de TensorFlow:
pip install -r ./demo/tf/requirements.txt
Entregar tu modelo de TensorFlow con TensorFlow Serving Imagen de Docker en tu VM de TPU.
# PORT 8500 is for gRPC model server and 8501 is for HTTP/REST model server. docker run -t --rm --privileged -d \ -p 8500:8500 -p 8501:8501 \ --mount type=bind,source=${YOUR_LOCAL_MODEL_PATH},target=/models/${MODEL_NAME} \ -e MODEL_NAME=${MODEL_NAME} \ ${IMAGE_NAME}
Usa la API de cliente de publicación para consultar tu modelo.
Ejecuta la demostración de TensorFlow ResNet-50 Serving
Exporta un modelo guardado en TF2 compatible con TPU desde el modelo Keras ResNet-50.
cd demo/tf/resnet-50 python3 export_resnet_model.py
Iniciar el contenedor del servidor de modelos de TensorFlow para el modelo
docker run -t --rm --privileged -d \ -p 8500:8500 -p 8501:8501 \ --mount type=bind,source=/tmp/tf/resnet_tpu,target=/models/resnet \ -e MODEL_NAME=resnet \ us-docker.pkg.dev/cloud-tpu-images/inference/tf-serving-tpu:2.13.0
Verifica el registro del contenedor del servidor de modelos y asegúrate de que el servidor gRPC y HTTP estén activos:
CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}') docker logs ${CONTAINER_ID}
Si ves el registro que termina con la siguiente información, significa que el servidor está listo para entregar solicitudes. El proceso demora alrededor de 30 segundos.
2023-04-08 00:43:10.481682: I tensorflow_serving/model_servers/server.cc:409] Running gRPC ModelServer at 0.0.0.0:8500 ... [warn] getaddrinfo: address family for nodename not supported 2023-04-08 00:43:10.520578: I tensorflow_serving/model_servers/server.cc:430] Exporting HTTP/REST API at:localhost:8501 ... [evhttp_server.cc : 245] NET_LOG: Entering the event loop ...
Envía la solicitud al servidor de modelos.
La imagen de la solicitud es de un plátano de https://i.imgur.com/j9xCCzn.jpeg .
python3 resnet_request.py
El resultado será similar al siguiente ejemplo:
Predict result: [[('n07753592', 'banana', 0.94921875), ('n03532672', 'hook', 0.022338867), ('n07749582', 'lemon', 0.005126953)]]
Realizar una limpieza
Asegúrate de limpiar el contenedor de Docker antes de ejecutar otras demostraciones.
CONTAINER_ID=$(docker ps | grep "tf-serving-tpu" | awk '{print $1}') docker stop ${CONTAINER_ID}
Limpia los artefactos del modelo:
sudo rm -rf /tmp/tf/
Inferencia y entrega de modelos de PyTorch
Para los modelos escritos con PyTorch, el flujo de trabajo es el siguiente:
- Escribe un controlador de modelos de Python para la carga y la inferencia con
TorchDynamo
y PyTorch/XLA - Usa
TorchModelArchiver
para crear un archivo de modelo - Usa
TorchServe
para entregar el modelo
TorchDynamo y PyTorch/XLA
TorchDynamo (Dynamo) es un compilador JIT a nivel de Python diseñado para que los programas de PyTorch sean más rápidos. Proporciona una API clara para que se conecten los backends del compilador. Modifica de forma dinámica el código de bytes de Python justo antes de la ejecución. En la versión 2.0 de PyTorch/XLA, hay un backend experimental para la inferencia y el entrenamiento con Dynamo.
Dynamo proporciona un gráfico Torch FX (FX) cuando reconoce un patrón de modelo y PyTorch/XLA usa un enfoque de tensor diferido compilar el gráfico FX y mostrar la función compilada. Para obtener más información sobre Dynamo, consulta los siguientes vínculos:
- Publicación de debates sobre PyTorch Dev
- Documentación de TorchDynamo
- PyTorch 2.0 y XLA para obtener más detalles
Este es un pequeño ejemplo de código para ejecutar la inferencia de densenet161 con 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
Puedes usar la imagen de Docker torchserve-tpu
proporcionada para entregar tu archivo
pytorch en una VM de TPU.
Configura la autenticación para Docker:
sudo usermod -a -G docker ${USER}
newgrp docker
gcloud auth configure-docker \
us-docker.pkg.dev
Extrae la imagen de Docker de TorchServe de Cloud TPU a tu VM de TPU:
CLOUD_TPU_TORCHSERVE_IMAGE_URL=us-docker.pkg.dev/cloud-tpu-images/inference/torchserve-tpu:v0.9.0-2.1
docker pull ${CLOUD_TPU_TORCHSERVE_IMAGE_URL}
Recopila artefactos de modelos
Para comenzar, debes proporcionar un controlador de modelos, que le indique al trabajador del servidor de modelos de TorchServe que cargue tu modelo, procese los datos de entrada y ejecute la inferencia. Puedes usar los controladores de inferencia predeterminados de TorchServe (fuente) o desarrollar tu propio controlador de modelos personalizados siguiendo base_handler.py. Es posible que también debas proporcionar el modelo entrenado y el archivo de definición del modelo.
En el siguiente ejemplo de Densenet 161, usamos artefactos de modelo y la configuración controlador del clasificador de imágenes que proporciona TorchServe:
Configura algunas variables de entorno:
CWD="$(pwd)" WORKDIR="${CWD}/densenet_161" mkdir -p ${WORKDIR}/model-store mkdir -p ${WORKDIR}/logs
Descarga y copia artefactos de modelo desde el ejemplo del clasificador de imágenes 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}
Descarga los pesos del modelo:
wget https://download.pytorch.org/models/densenet161-8d451a50.pth -O densenet161-8d451a50.pth mv densenet161-8d451a50.pth ${WORKDIR}
Crea un archivo de configuración del modelo de TorchServe para usar el backend de Dynamo:
echo 'pt2: "torchxla_trace_once"' >> ${WORKDIR}/model_config.yaml
Deberías ver los siguientes archivos y directorios:
>> ls ${WORKDIR} model_config.yaml index_to_name.json logs model.py densenet161-8d451a50.pth model-store
Genera un archivo de modelo de archivo
Para entregar tu modelo de PyTorch con TorchServe de Cloud TPU, debes empaquetar
el controlador del modelo y todos los artefactos del modelo en un archivo de modelo
(*.mar)
con Torch Model Archiver
Genera un archivo de almacenamiento de modelos con torch-model-archiver:
MODEL_NAME=Densenet161
docker run \
--privileged \
--shm-size 16G \
--name torch-model-archiver \
-it \
-d \
--rm \
--mount type=bind,source=${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
Deberías ver el archivo de almacenamiento del modelo generado en el directorio model-store:
>> ls ${WORKDIR}/model-store
Densenet161.mar
Publica solicitudes de inferencia
Ahora que tienes el archivo de modelo, puedes iniciar el servidor de modelo TorchServe y entregar solicitudes de inferencia.
Inicia el servidor de modelos TorchServe:
docker run \ --privileged \ --shm-size 16G \ --name torchserve-tpu \ -it \ -d \ --rm \ -p 7070:7070 \ -p 7071:7071 \ -p 8080:8080 \ -p 8081:8081 \ -p 8082:8082 \ -p 9001:9001 \ -p 9012:9012 \ --mount type=bind,source=${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
Consulta el estado del servidor de modelos:
curl http://localhost:8080/ping
Si el servidor de modelos está en funcionamiento, verás lo siguiente:
{ "status": "Healthy" }
Para consultar las versiones predeterminadas del modelo registrado actual, usa lo siguiente:
curl http://localhost:8081/models
Deberías ver el modelo registrado:
{ "models": [ { "modelName": "Densenet161", "modelUrl": "Densenet161.mar" } ] }
Si quieres descargar una imagen para su uso en inferencia, haz lo siguiente:
curl -O https://raw.githubusercontent.com/pytorch/serve/master/docs/images/kitten_small.jpg mv kitten_small.jpg ${WORKDIR}
Para enviar una solicitud de inferencia al servidor de modelos, usa lo siguiente:
curl http://localhost:8080/predictions/${MODEL_NAME} -T ${WORKDIR}/kitten_small.jpg
Deberías ver una respuesta similar a la siguiente:
{ "tabby": 0.47878125309944153, "lynx": 0.20393909513950348, "tiger_cat": 0.16572578251361847, "tiger": 0.061157409101724625, "Egyptian_cat": 0.04997897148132324 }
Registros del servidor de modelos
Usa los siguientes comandos para acceder a los registros:
ls ${WORKDIR}/logs/ cat ${WORKDIR}/logs/model_log.log
Deberías ver el siguiente mensaje en tu registro:
"Compiled model with backend torchxla\_trace\_once"
Limpia
Detén el contenedor de Docker:
rm -rf serve
rm -rf ${WORKDIR}
docker stop torch-model-archiver
docker stop torchserve-tpu
Generación de perfiles
Después de configurar la inferencia, puedes usar generadores de perfiles para analizar el rendimiento y el uso de TPU. Para obtener más información sobre la generación de perfiles, consulta lo siguiente:
- Crea perfiles en Cloud TPU
- Perfilación de TensorFlow
- Generación de perfiles de PyTorch
- Generación de perfiles de JAX