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 el entrenamiento, el ajuste y la entrega (inferencia) basados en transformadores, de texto a imagen y basados en CNN. 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 inferencias. Los SLO de latencia son una prioridad para la entrega.

En este documento, se analiza la entrega de un modelo en una TPU de host único. Las porciones de TPU con 8 chips o menos tienen una VM o host de TPU y se denominan TPU de host único.

Comenzar

Necesitarás cuota para las TPU v5e. Las TPU según demanda requieren una cuota de tpu-v5s-litepod-serving. 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. Si quieres obtener más información sobre las configuraciones de entrega v5e disponibles, consulta Tipos de Cloud TPU v5e para la entrega.

Inferencia y entrega de modelos de Cloud TPU

La forma en que entregas un modelo para la inferencia depende del framework de AA con el que se escribió tu modelo. TPU v5e es compatible con modelos de entrega escritos en JAX, TensorFlow y PyTorch.

Inferencia y entrega de modelos JAX

Para entregar un modelo en una VM de TPU, debes hacer lo siguiente:

  1. Serializa tu modelo en formato de SavedModel de TensorFlow
  2. Usa el convertidor de inferencia a fin de preparar el modelo guardado para la entrega
  3. Usa TensorFlow Serving para entregar el modelo

Formato del modelo guardado

Un modelo guardado contiene un programa de TensorFlow completo, incluidos los parámetros entrenados y los cálculos. No requiere el código de compilación del modelo original para ejecutarse.

Si tu modelo se escribió en JAX, deberás usar jax2tf para serializar tu modelo en el formato de modelo guardado.

Convertidor de inferencia

El convertidor de inferencia de Cloud TPU prepara y optimiza un modelo exportado en formato de SavedModel para la inferencia de TPU. Puedes ejecutar el convertidor de inferencias en una shell local o en tu VM de TPU. Recomendamos usar la shell de VM de TPU, ya que cuenta con todas las herramientas de línea de comandos necesarias para ejecutar el convertidor. Para obtener más información sobre el convertidor de inferencia, consulta la Guía del usuario del convertidor de inferencia.

Requisitos para el convertidor de inferencia

  1. Tu modelo debe exportarse desde TensorFlow o JAX en el formato de SavedModel.

  2. 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.

  3. Asegúrate de que la CPU de tu máquina admita las instrucciones de Advanced Vector eXtensions (AVX), ya que la biblioteca de TensorFlow (la dependencia del convertidor de inferencia de Cloud TPU) se compila para usar instrucciones AVX. La mayoría de las CPUs son compatibles con AVX.

Inferencia y entrega de modelos JAX

En esta sección, se describe cómo entregar modelos JAX mediante jax2tf y TensorFlow Serving.

  1. Usa jax2tf para serializar tu modelo en el formato de modelo guardado
  2. Usa el convertidor de inferencia a fin de preparar tu modelo guardado para la entrega
  3. Usa TensorFlow Serving para entregar el modelo

Usa jax2tf para serializar un modelo JAX al formato de modelo guardado

En la siguiente función de Python, se muestra cómo usar jax2tf dentro del 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 a fin de 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 JAX

Requisitos previos

  1. Configura tus credenciales de Docker y extrae el convertidor de inferencia y la imagen de Docker de 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

  2. Conéctate a la VM de TPU con SSH y, luego, instala el código de demostración de inferencia:

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

  3. Instala las dependencias de demostración de JAX:

    pip install -r ./demo/jax/requirements.txt

Entrega el modelo JAX BERT para inferencia

Puedes descargar el modelo BERT previamente entrenado de Hugging Face.

  1. Exporta un modelo guardado de TensorFlow compatible con TPU desde un modelo Flax de BERT:

    cd demo/jax/bert
python3 export_bert_model.py

  2. Inicia el contenedor del servidor del modelo 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

    Alrededor de 30 segundos después de iniciar el contenedor, verifica el registro del contenedor del servidor del modelo 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 listo 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 ...

  3. Envía una solicitud de inferencia al servidor del modelo.

    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?."

  4. 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 JAX Stable Diffusion para la inferencia

Puedes descargar el modelo de difusión estable previamente entrenado de Hugging Face.

  1. Descarga el modelo de dispersión estable en un formato de modelo guardado de TF2 compatible con TPU:

    cd demo/jax/stable_diffusion
python3 export_stable_diffusion_model.py

  2. Inicia el contenedor del servidor del modelo 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 del modelo para asegurarte de que los servidores gRPC y HTTP se estén ejecutando:

    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 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 ...

  3. 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.

  4. 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

  1. 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}

  2. Configura las credenciales de Docker y extrae el convertidor de inferencia y la imagen de Docker 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

  3. Descarga el código de demostración:

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

  4. Instala las dependencias de demostración de TensorFlow:

    pip install -r ./demo/tf/requirements.txt

  5. Entrega tu modelo de TensorFlow con la imagen de Docker de TensorFlow Serving 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}

  6. Usa la API del cliente de entrega para consultar tu modelo.

Ejecuta la demostración de TensorFlow ResNet-50 Serving

  1. Exporta un modelo guardado de TF2 compatible con TPU desde el modelo Keras ResNet-50.

    cd demo/tf/resnet-50
python3 export_resnet_model.py

  2. Inicia el contenedor del servidor del modelo 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 del modelo y asegúrate de que el servidor gRPC y HTTP estén funcionando:

    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. Tarda 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 ...

  3. Envía la solicitud al servidor del modelo.

    La imagen solicitada es una banana 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)]]

  4. 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:

  1. Escribe un controlador de modelos de Python para realizar inferencias y cargar con TorchDynamo y PyTorch/XLA.
  2. Usa TorchModelArchiver para crear un archivo de modelo.
  3. Usa TorchServe para entregar el modelo

TorchDynamo y PyTorch/XLA

TorchDynamo (Dynamo) es un compilador JIT a nivel de Python diseñado para acelerar los programas PyTorch. Proporciona una API limpia 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, existe un backend experimental para inferencia y entrenamiento con Dynamo.

Dynamo proporciona un gráfico de Torch FX (FX) cuando reconoce un patrón de modelo, y PyTorch/XLA usa un enfoque de tensor diferido para compilar el grafo de FX y mostrar la función compilada. Para obtener más información sobre Dynamo, consulta:

A continuación, se muestra un ejemplo de código pequeño 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 modelo Pytorch archivado 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}

Recopilar artefactos del modelo

Para comenzar, debes proporcionar un controlador de modelos que le indique al trabajador del servidor del modelo 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 personalizado 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 del modelo y el controlador de clasificador de imágenes predeterminado que proporciona TorchServe:

  1. Configura algunas variables de entorno:

    CWD="$(pwd)"

WORKDIR="${CWD}/densenet_161"

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

  2. Descarga y copia los artefactos del modelo del ejemplo del clasificador de imágenes de 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}

  3. Descarga los pesos del modelo:

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

mv densenet161-8d451a50.pth ${WORKDIR}

  4. Crea un archivo de configuración de modelo 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

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 (*.mar) del modelo mediante Torch Model Archiver.

Genera un archivo de modelo 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 modelo generado en el directorio model-store:

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

Entregar solicitudes de inferencia

Ahora que tienes el archivo de modelo, puedes iniciar el servidor de modelos de TorchServe y entregar solicitudes de inferencia.

  1. Inicia el servidor del 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

  2. Estado del servidor del modelo de consultas:

    curl http://localhost:8080/ping

    Si el servidor del modelo está en funcionamiento, verás lo siguiente:

    {
  "status": "Healthy"
}

    Para consultar las versiones predeterminadas del modelo registrado actualmente, usa lo siguiente:

    curl http://localhost:8081/models

    Deberías ver el modelo registrado:

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

    Si deseas descargar una imagen para su uso de 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 del modelo, 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
}

  3. 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: