Entrenamiento de Cloud TPU v5p

Cloud TPU v5p es la quinta generación de Cloud TPU de Google Cloud y el sucesor de la TPU v4. v5p está optimizada para el entrenamiento a gran escala y para ser una plataforma líder en el desarrollo de LLM fundamentales, modelos de difusión y IA generativa. En un nivel alto, v5p proporciona hasta el doble del rendimiento de v4 y, al mismo tiempo, incluye el doble de TPU en un pod (6,000 de la porción más grande en comparación con 3,000 en v4), lo que genera hasta 4 veces el rendimiento a nivel del pod. También se ejecuta a una frecuencia de reloj más alta (1.75 GHz en comparación con 1.05 GHz), agrega SparseCore para incorporaciones a gran escala y triplica la capacidad de la memoria de gran ancho de banda (HBM).

Conceptos de Cloud TPU v5p

Si es la primera vez que usas Cloud TPU, consulta la página principal de la documentación de TPU.

En la página Arquitectura del sistema de Cloud TPU, se describen los conceptos de Cloud TPU (por ejemplo, slices, hosts y TensorCores) y la arquitectura del sistema de Cloud TPU para todas las versiones de Cloud TPU.

Cada versión de Cloud TPU requiere tipos de aceleradores específicos para la capacitación o la inferencia. Estos tipos de aceleradores se describen en las configuraciones de v5p.

Administra recursos de TPU

Todos los comandos que puedes usar para administrar tus VMs de TPU se describen en Administrar TPU o Guía del usuario de recursos en cola para administrar recursos en cola.

Configuración del framework

En esta sección, se describe el proceso de configuración general para el entrenamiento de modelos con JAX o PyTorch con TPU v5p.

Configuración para JAX

Si tienes cortes de más de 4 chips, tendrás varias VMs. en una porción. En este caso, debes usar la marca --worker=all para ejecutar la instalación en todas las VMs de TPU con un solo comando:

gcloud compute tpus tpu-vm ssh ${TPU_NAME}  --project ${PROJECT_ID} \
--zone ${ZONE} \
--worker=all \
--command='pip install -U "jax[tpu]" -f https://storage.googleapis.com/jax-releases/libtpu_releases.html'

Puedes ejecutar el siguiente comando para comprobar la cantidad de dispositivos (el los resultados que se muestran aquí se produjeron con una porción v5p-32). Este código verifica que todo esté instalado correctamente comprobando que JAX vea los TensorCores de Cloud TPU y pueda ejecutar operaciones básicas:

gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--project ${PROJECT_ID} \
--zone ${ZONE} \
--worker=all \
--command='python3 -c "import jax; print(jax.device_count()); print(jax.local_device_count())"'

El resultado será similar al siguiente ejemplo:

SSH: Attempting to connect to worker 0...
SSH: Attempting to connect to worker 1...
SSH: Attempting to connect to worker 2...
SSH: Attempting to connect to worker 3...
16
4
16
4
16
4
16
4

jax.device_count() muestra la cantidad total de chips en la porción dada. jax.local_device_count() indica el recuento de chips a los que puede acceder una sola VM en esta porción.

# Check the number of chips in the given slice by summing the count of chips
# from all VMs through the
# jax.local_device_count() API call.
gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--project ${PROJECT_ID} \
--zone ${ZONE} \
--worker=all \
--command='python3 -c "import jax; xs=jax.numpy.ones(jax.local_device_count()); print(jax.pmap(lambda x: jax.lax.psum(x, \"i\"), axis_name=\"i\")(xs))"'

El resultado será similar al siguiente ejemplo:

SSH: Attempting to connect to worker 0...
SSH: Attempting to connect to worker 1...
SSH: Attempting to connect to worker 2...
SSH: Attempting to connect to worker 3...
[16. 16. 16. 16.]
[16. 16. 16. 16.]
[16. 16. 16. 16.]
[16. 16. 16. 16.]

Usa --node=all para ejecutar el comando en todos los trabajadores de Multislice.

gcloud compute tpus queued-resources ssh ${QUEUED_RESOURCE_ID} \
--project ${PROJECT_ID} --zone ${ZONE} --node=all --worker=all \
--command='python3 -c "import jax; print(jax.device_count()); print(jax.local_device_count())"'

Prueba los instructivos de JAX en este documento para obtener comenzaste con el entrenamiento v5p con JAX.

Configuración para PyTorch

El entorno de ejecución de PJRT es el único entorno de ejecución compatible con v5p, y PyTorch 2.1 y versiones posteriores usan PJRT como el entorno de ejecución predeterminado para todas las versiones de TPU. En esta sección, se describe cómo comenzar a usar PJRT en Pods v5p con PyTorch/XLA 2.2.0 para todos los trabajadores.

Instala dependencias

gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
--project ${PROJECT_ID} \
--zone ${ZONE} \
--worker=all \
--command='
sudo apt-get update
sudo apt-get install libopenblas-dev -y
pip3 install numpy
pip install torch~=2.2.0 torch_xla[tpu]~=2.2.0 -f https://storage.googleapis.com/libtpu-releases/index.html
'

Usa una secuencia de comandos de Python con PJRT para validar la instalación y mostrar los dispositivos TPU disponibles (los resultados que se muestran aquí se produjeron con una porción v5p-32).

gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
--project ${PROJECT_ID} --zone ${ZONE} --worker=all \
--command='
PJRT_DEVICE=TPU python3 -c "import torch_xla.core.xla_model as xm; print(xm.get_xla_supported_devices(\"TPU\"))"
'
SSH: Attempting to connect to worker 0...
SSH: Attempting to connect to worker 1...
SSH: Attempting to connect to worker 2...
SSH: Attempting to connect to worker 3...
['xla:0', 'xla:1', 'xla:2', 'xla:3']
['xla:0', 'xla:1', 'xla:2', 'xla:3']
['xla:0', 'xla:1', 'xla:2', 'xla:3']
['xla:0', 'xla:1', 'xla:2', 'xla:3']

Usa --node=all para ejecutar el comando en todos los trabajadores de Multislice.

gcloud compute tpus queued-resources ssh ${QUEUED_RESOURCE_ID} \
--project ${PROJECT_ID} --zone ${ZONE} --node=all --worker=all \
--command='
PJRT_DEVICE=TPU python3 -c "import torch_xla.core.xla_model as xm; print(xm.get_xla_supported_devices(\"TPU\"))"
'

Prueba los instructivos de PyTorch que se incluyen en este documento para comenzar a usar el entrenamiento de v5p con PyTorch.

Supervisa y crea perfiles

Cloud TPU v5p admite la supervisión y la generación de perfiles con los mismos métodos que las generaciones anteriores de Cloud TPU. Puedes Lee Crea perfiles de tu modelo con las herramientas de Cloud TPU para obtener más información sobre la generación de perfiles y la supervisión de las VMs de Cloud TPU para obtener más información sobre la supervisión.

Instructivos de entrenamiento

En esta sección, se incluyen instructivos de capacitación para un solo segmento. Para adaptar estos instructivos al entrenamiento de Multislice, puedes agregar la marca --node=all a los comandos SSH. Para conocer más detalles y prácticas recomendadas, consulta la Introducción a Multislice.

Instructivos de JAX

Train Diffusion 2.1

En este instructivo, se muestra cómo entrenar el modelo de difusión estable de HuggingFace con el conjunto de datos de Pokémon en Cloud TPU v5p.

El modelo de difusión estable es un modelo latente de texto a imagen que genera imágenes fotorrealistas a partir de cualquier entrada de texto. Para obtener más información, consulta los siguientes recursos:

Configurar

  1. Configura un bucket de almacenamiento para el resultado de tu modelo.

    gcloud storage buckets create gs://your_bucket \
     --project=your_project \
     --location=us-east5-a
  2. Crea variables de entorno:

    export GCS_BUCKET_NAME=your-bucket
    export PROJECT_ID=your-project-ID
    export ACCELERATOR_TYPE=v5p-32
    export ZONE=us-east5-a
    export RUNTIME_VERSION=v2-alpha-tpuv5
    export SERVICE_ACCOUNT=your-service-account
    export TPU_NAME=your-tpu-name
    export QUEUED_RESOURCE_ID=your-qr-name
    export QUOTA_TYPE=spot
    export VALID_UNTIL_DURATION=1d

    Descripciones de las marcas de comandos

    Variable Descripción
    ID DEL PROYECTO Nombre del proyecto de Google Cloud
    ACCELERATOR_TYPE Consulta la página Versiones de TPU para conocer la versión de TPU.
    ZONA Consulta el documento Regiones y zonas de TPU para conocer las zonas compatibles.
    RUNTIME_VERSION Para v5p, usa v2-alpha-tpuv5 para RUNTIME_VERSION.
    SERVICE_ACCOUNT Esta es la dirección de tu cuenta de servicio que puedes encontrar en la consola de Google Cloud -> IAM -> Cuentas de servicio. Por ejemplo: tpu-service-account@myprojectID.iam.gserviceaccount.com
    TPU_NAME El ID de texto asignado por el usuario de la TPU que se crea cuando se asigna la solicitud de recurso en cola.
    QUEUED_RESOURCE_ID El ID de texto asignado por el usuario de la solicitud de recurso en cola. Consulta el documento Recursos en cola para obtener información sobre los recursos en cola.
    QUOTA_TYPE Puede ser reserved o spot. Si no se especifica ninguno de estos, el valor predeterminado de QUOTA_TYPE es on-demand. Consulta cuotas para obtener información sobre los diferentes tipos de cuotas que admite Cloud TPU.
    VALID_UNTIL_DURATION Es la duración de la validez de la solicitud. Consulta Recursos en cola para obtener información sobre las diferentes duraciones válidas.
  3. Crea un recurso de TPU:

    gcloud compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
    --node-id ${TPU_NAME} \
    --project ${PROJECT_ID} \
    --zone ${ZONE} \
    --accelerator-type ${ACCELERATOR_TYPE} \
    --runtime-version ${RUNTIME_VERSION} \
    --valid-until-duration ${VALID_UNTIL_DURATION} \
    --service-account ${SERVICE_ACCOUNT} \
    --${QUOTA_TYPE}

    Podrás establecer una conexión SSH a tu VM de TPU una vez que el recurso en cola esté en el estado ACTIVE. Ejecuta el siguiente comando para verificar el estado de tu recurso en cola:

    gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID}  \
    --project ${PROJECT_ID} --zone ${ZONE}

    Cuando el recurso en cola esté en el estado ACTIVE, el resultado será similar al siguiente:

    state: ACTIVE
    
  4. Entrena el modelo

    gcloud compute tpus tpu-vm ssh $TPU_NAME --zone=$ZONE --project $PROJECT_ID --worker=all --command="
    git clone https://github.com/google/maxdiffusion
    cd maxdiffusion
    git reset --hard 57629bcf4fa32fe5a57096b60b09f41f2fa5c35d # This identifies the GitHub commit to use.
    pip3 install jax[tpu] -f https://storage.googleapis.com/jax-releases/libtpu_releases.html # Install the latest version of JAX
    pip3 install -r requirements.txt
    pip3 install .
    export LIBTPU_INIT_ARGS=""
    python -m src.maxdiffusion.models.train src/maxdiffusion/configs/base_2_base.yml run_name=my_run base_output_directory=gs://$GCS_BUCKET_NAME enable_profiler=False"

Limpia

Borra tu TPU y la solicitud de recurso en cola al final de tu sesión o para quitar las solicitudes de recursos en cola que se encuentren en el estado “FAILED” para cada estado. Para borrar un recurso en cola, borra las porciones y, luego, la solicitud de recurso en cola en 2 pasos:

   gcloud compute tpus tpu-vm delete ${TPU_NAME} --project=${PROJECT_ID} \
      --zone=${ZONE} --quiet
   gcloud compute tpus queued-resources delete ${QUEUED_RESOURCE_ID} \
      --project ${PROJECT_ID} --zone ${ZONE} --quiet

O bien, usa --force para borrar las porciones y la solicitud de recursos en cola en un solo paso:

# With --force
gcloud compute tpus queued-resources delete ${QUEUED_RESOURCE_ID}
--project ${PROJECT_ID} --zone ${ZONE} --quiet --force

Resultados de comparativas

La secuencia de comandos de entrenamiento de Stable Diffusion se ejecutó en las versiones v5p-8, v5p-32 y v5p-128. En la siguiente tabla, se muestra la capacidad de procesamiento.

v5p-8

v5p-32

v5p-128

Paso de entrenamiento

150

150

150

Tamaño del lote global

32

64

64

Capacidad de procesamiento (ejemplos/s)

12.10

18.08

19:10 a.m.

MaxText

En este instructivo, se muestra cómo entrenar el MaxText con un modelo sintético conjunto de datos en Cloud TPU.

MaxText es un LLM de alto rendimiento, escalable de forma arbitraria, de código abierto y bien probado, escrito en Python/JAX puro y orientado a Cloud TPU. MaxText proporciona a los investigadores y desarrolladores una y adaptable para expandir las fronteras de Natural Language Investigación y desarrollo de procesamiento de datos (PLN).

Antes de ejecutar este instructivo, debes configura tu entorno de Cloud TPU.

  1. Configura variables de entorno

    export PROJECT_ID=your_project_ID
    export TPU_NAME=your_tpu_name # user defined TPU name
    export ACCELERATOR_TYPE=v5p-256
    export ZONE=us-east5-a
    export RUNTIME_VERSION=v2-alpha-tpuv5
    export RUN_NAME=your_experiment_run_name # user defined name for this run
    export GCS_BUCKET_NAME=your_bucket_name # Output cloud folder. Should start with gs://
    export MAXTEXT_OUTPUT_PATH=${GCS_BUCKET_NAME}/your_experiment_output_path
    export NUM_SLICES=1 # Update the value to a number >1 for Multislice.

    Descripciones de las marcas de comandos

    Variable Descripción
    ID DEL PROYECTO Nombre del proyecto de Google Cloud
    TPU_NAME Un nombre definido por el usuario para tu TPU.
    ACCELERATOR_TYPE Consulta la página Versiones de TPU para conocer la versión de TPU.
    ZONA Consulta el documento de regiones y zonas de TPU para conocer las zonas compatibles.
    RUNTIME_VERSION Para v5p, usa v2-alpha-tpuv5 para la versión del entorno de ejecución.
    RUN_NAME Es el nombre de la ejecución del experimento que proporcionó el usuario.

    Configuración opcional recomendada para Multislice:

    export NETWORK_NAME=your_network_name
    export FIREWALL_RULE_NAME=your_firewall_rule_name

    Si ejecutas cargas de trabajo de Multislice y deseas un rendimiento óptimo de la red, considera crear una red dedicada con una unidad de transmisión máxima (MTU) de 8,896 bytes y configurar las reglas de firewall adecuadas. Si bien es opcional, este paso puede mejorar significativamente el rendimiento, en especial cuando se aumenta la cantidad de rebanadas en la red del centro de datos (DCN). Creación de notas una red requiere el permiso compute.networks.create en el proyecto. En los siguientes ejemplos, se muestra cómo crear una red dedicada y un firewall .

    Crea una red dedicada:

    gcloud compute networks create ${NETWORK_NAME} \
    --mtu=8896 \
    --project=${PROJECT_ID} \
    --subnet-mode=auto \
    --bgp-routing-mode=regional

    Crea una regla de firewall:

    gcloud compute firewall-rules create ${FIREWALL_RULE_NAME} \
    --network ${NETWORK_NAME} --allow tcp,icmp,udp --project=${PROJECT_ID}
  2. Clona el repositorio de MaxText

    git clone https://github.com/google/maxtext.git
  3. Entrena el modelo

    En las siguientes secciones, se describen dos opciones para entrenar MaxText.

    Opción 1

    Si quieres que una secuencia de comandos administre todo el flujo de trabajo, desde el aprovisionamiento Cloud TPU y la instalación de dependencias para ejecutar el modelo y eliminando recursos, puedes usar multihost_job.py.

    cd maxtext && python3 multihost_job.py --PROJECT=${PROJECT_ID} --ZONE=${ZONE} \
    --NUM_SLICES=${NUM_SLICES} --TPU_TYPE=${ACCELERATOR_TYPE} \
    --VERSION=${RUNTIME_VERSION} --RUN_NAME=${RUN_NAME} #user defined run name \
    --BUCKET_NAME=${GCS_BUCKET_NAME} \ #used to store logs and configs
    --COMMAND="bash setup.sh && bash MaxText/configs/experimental/64b.sh RUN_NAME=${RUN_NAME} OUTPUT_PATH=${MAXTEXT_OUTPUT_PATH} PLATFORM=gce"

    Después de iniciar la secuencia de comandos, deberías ver un mensaje similar al siguiente en el registro. Se hace referencia a la ubicación del registro en el mensaje de salida. Haz clic en el primer vínculo para acceder de todos los trabajadores una vez que se completa el aprovisionamiento de TPU.

    ------------------------------------
    
    multihost_job finished running, TPUs are starting up to run your job remotely.
    
    Logs for your job are displayed here:
    https://console.cloud.google.com/logs/query;query=resource.type%3D%22gce_instance%22%20AND%0Alog_id%2528%22_log%22%2529;?project=PROJECT_ID
    
    To see the output of a single host, you may edit the slice and worker
    number in the `log_file_path` property here:
    
    https://console.cloud.google.com/logs/query;query=resource.type%3D%22gce_instance%22%20AND%0Alog_id%2528%22RUN_NAME_log%22%2529%20AND%0Alabels.%22agent.googleapis.com%2Flog_file_path%22%3D%20%22%2FRUN_NAME%2Fmain_command_log_slice_0_worker_0%22;?project=PROJECT_ID
    
    When your job is finished, the main command log is in your Cloud Storage
    bucket:
    https://console.cloud.google.com/storage/browser/YOUR_BUCKET_NAME/RUN_NAME?project=PROJECT_ID
    
    View the status of the created TPUs using:
    gcloud compute tpus queued-resources list --filter=RUN_NAME
    --zone=ZONE --project=PROJECT_ID
    
Opción 2

Para ejecutar la secuencia de comandos de entrenamiento varias veces en una Cloud TPU aprovisionada, usa la secuencia de comandos multihost_runner.py para usar el recurso.

  1. Configura variables para crear una TPU.

    export SERVICE_ACCOUNT=your_service_account
    export TPU_NAME=your_tpu_name
    export QUEUED_RESOURCE_ID=your_queued_resource_id
    export VALID_DURATION=1d
    export QUOTA_TYPE=quota_type
    --node-count ${NODE_COUNT} \
    --node-prefix ${NODE_PREFIX} # optional, the default is QUEUED_RESOURCE_ID
  2. Crea un recurso de TPU.

    gcloud compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
    --node-id ${TPU_NAME} \
    --project ${PROJECT_ID} \
    --zone ${ZONE} \
    --accelerator-type ${ACCELERATOR_TYPE} \
    --runtime-version ${RUNTIME_VERSION} \
    --valid-until-duration ${VALID_DURATION} \
    --service-account ${SERVICE_ACCOUNT} \
    --${QUOTA_TYPE}

    Podrás conectarte a tus VMs de TPU con SSH una vez que tu QueuedResource esté en el estado ACTIVE:

    Usa el comando describe para consultar el estado de tu recurso en cola.

    gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID}
    --project ${PROJECT_ID} --zone ${ZONE}

    Cuando tu recurso en cola se encuentre en estado ACTIVO, el resultado será similar al siguiente:

     state: ACTIVE
    
  3. Conéctate a la TPU con SSH

    gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
      --project ${PROJECT_ID} \
      --zone ${ZONE}
  4. Instala dependencias

    export TPU_NAME=your_tpu_name
    export MAXTEXT_OUTPUT_PATH=output-path
    cd maxtext && python3 multihost_runner.py --TPU_PREFIX=${TPU_NAME} \
    --COMMAND='bash setup.sh'
  5. Ejecuta el modelo con varias secuencias de comandos de configuración, como 32b.sh y 64b.sh. Si ejecutas la secuencia de comandos desde una VM de TPU, debes agregar la marca --INTERNAL_IP=true.

    python3 multihost_runner.py --TPU_PREFIX=${TPU_NAME} \
    --COMMAND="bash MaxText/configs/experimental/64b.sh RUN_NAME=${RUN_NAME}
    OUTPUT_PATH=${MAXTEXT_OUTPUT_PATH} PLATFORM=gce"

Limpia

Borra tus TPU y recursos en cola.

Resultados de comparativas

La secuencia de comandos de entrenamiento de MaxText se ejecutó de 32 B a 1160 B con precisión bf16. Los resultados de estas ejecuciones se muestran en la siguiente tabla.

Cant. de parámetros

Tipo de acelerador

TFLOP/chip/s

Utilización de los flops del modelo

(MFU)

32,000 millones

v5p-128

3.28E+02

71.47%

64 B

v5p-128

3.23E+02

70.31%

128 B

v5p-256

3.15E+02

68,68%

128,000 millones

v5p-512

3.15E+02

68,53%

256 B

v5p-1024

3.16E+02

68,82%

512 B

v5p-1024

2.94E+02

63,99%

1,024 B

v5p-2048

2.49E+02

64,05%

1,024 B

v5p-4096

2.97E+02

64.80%

1,160 mil millones

v5p-7680

2.95E+02

64,27%

1,160 mil millones

v5p-12288

3.04E+02

66.23%

El modelo de parámetros de 256B se probó en v5p-512 y v5p-1024 con ponderaciones bf16 e int8. En la siguiente tabla, se muestran los resultados de estas pruebas.

v5p-512

v5p-512

v5p-1024

v5p-1024

Tamaño del lote global

(tokens)

5.24E+05

5.24E+05

1.05E+06

1.05E+06

Precisión

bf16

int8

bf16

int8

TFLOP/chip/s

307

408

308

414

Utilización de los flops del modelo

(MFU)

66.98%

88.85%

67,09%

90.23%

Instructivos de TensorFlow

Entrena ResNet en un solo host v5p

En este instructivo, se describe cómo entrenar ImageNet en una TPU v5p-8 con un conjunto de datos falso. Si quieres usar un conjunto de datos diferente, consulta Cómo preparar el conjunto de datos.

Configurar

  1. Crea variables de entorno:

    export PROJECT_ID=your-project-ID
    export ACCELERATOR_TYPE=v5p-32
    export ZONE=us-east1-c
    export RUNTIME_VERSION=tpu-vm-tf-2.17.0-pjrt
    export TPU_NAME=your-tpu-name
    export QUEUED_RESOURCE_ID=your-queued-resource-id
    export QUOTA_TYPE=quota-type

    Para este instructivo, usa v5p-8 como ACCELERATOR_TYPE.

  2. Crea un recurso de TPU:

    gcloud compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
      --node-id ${TPU_NAME} \
      --project ${PROJECT_ID} \
      --zone ${ZONE} \
      --accelerator-type ${ACCELERATOR_TYPE} \
      --runtime-version ${RUNTIME_VERSION} \
      --${QUOTA_TYPE}

    Podrás conectarte a la VM de TPU con SSH una vez que recurso en cola está en el estado ACTIVE Para verificar el estado de tu recurso en cola, usa el siguiente comando:

    gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID} \
      --project ${PROJECT_ID} \
      --zone ${ZONE}
  3. Conéctate a la TPU con SSH

    gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
      --project ${PROJECT_ID} \
      --zone ${ZONE}
  4. Configura algunas variables de entorno

    export MODELS_REPO=/usr/share/tpu/models
    export PYTHONPATH="${MODELS_REPO}:${PYTHONPATH}"
    export MODEL_DIR=gcp-directory-to-store-model
    export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
    export NEXT_PLUGGABLE_DEVICE_USE_C_API=true
    export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
  5. Cambia al directorio del repositorio de modelos y los requisitos de instalación.

    cd ${MODELS_REPO} && git checkout r2.15.0
    pip install -r official/requirements.txt

Entrena el modelo

  1. Ejecuta la secuencia de comandos de entrenamiento.

    python3 official/vision/train.py \
      --tpu=local \
      --experiment=resnet_imagenet \
      --mode=train_and_eval \
      --config_file=official/vision/configs/experiments/image_classification/imagenet_resnet50_tpu.yaml \
      --model_dir=${MODEL_DIR} \
      --params_override="runtime.distribution_strategy=tpu,task.train_data.input_path=${DATA_DIR}/train*,task.validation_data.input_path=${DATA_DIR}/validation*,task.train_data.global_batch_size=2048,task.validation_data.global_batch_size=2048,trainer.train_steps=100"

Limpia

Borra la TPU y los recursos en cola.

Entrena ResNet en un v5p multihost

En este instructivo, se describe cómo entrenar ImageNet en v5p-16 o más grande con un conjunto de datos falso. Si quieres usar un conjunto de datos diferente, consulta Prepara el conjunto de datos.

  1. Crea variables de entorno:

    export PROJECT_ID=your_project_ID
    export TPU_NAME=your_tpu_name
    export ZONE=us-east1-c
    export ACCELERATOR_TYPE=v5p-16
    export RUNTIME_VERSION=tpu-vm-tf-2.17.0-pod-pjrt
    export QUEUED_RESOURCE_ID=your-queued-resource-id
    export QUOTA_TYPE=quota-type

    ACCELERATOR_TYPE puede ser v5p-16 o mayor.

  2. Crea un recurso de TPU:

    gcloud compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
      --node-id ${TPU_NAME} \
      --project ${PROJECT_ID} \
      --zone ${ZONE} \
      --accelerator-type ${ACCELERATOR_TYPE} \
      --runtime-version ${RUNTIME_VERSION} \
      --${QUOTA_TYPE}

    Podrás conectarte a tu VM de TPU con SSH una vez que el recurso en fila esté en el estado ACTIVE.

    Usa el comando describe para consultar el estado del recurso en cola:

    gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID} \
      --project ${PROJECT_ID} \
      --zone ${ZONE}
  3. Conéctate a tu TPU (trabajador cero) con SSH

    gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
      --project ${PROJECT_ID} \
      --zone ${ZONE}
  4. Configura algunas variables de entorno

    export TPU_NAME=your_tpu_name
    export MODELS_REPO=/usr/share/tpu/models
    export PYTHONPATH="${MODELS_REPO}:${PYTHONPATH}"
    export MODEL_DIR=gcp-directory-to-store-model
    export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
    export TPU_LOAD_LIBRARY=0
  5. Cambia al directorio del repositorio de modelos y los requisitos de instalación.

    cd $MODELS_REPO && git checkout r2.15.0
    pip install -r official/requirements.txt

Entrena el modelo

  1. Ejecuta la secuencia de comandos de entrenamiento.

    python3 official/vision/train.py \
      --tpu=${TPU_NAME} \
      --experiment=resnet_imagenet \
      --mode=train_and_eval \
      --config_file=official/vision/configs/experiments/image_classification/imagenet_resnet50_tpu.yaml \
      --model_dir=${MODEL_DIR} \
      --params_override="runtime.distribution_strategy=tpu,task.train_data.input_path=${DATA_DIR}/train*,task.validation_data.input_path=${DATA_DIR}/validation*,task.train_data.global_batch_size=2048,task.validation_data.global_batch_size=2048,trainer.train_steps=100"

Limpia

Borra la TPU y los recursos en cola.

PyTorch/XLA

Llama 2

En este instructivo, se explica cómo entrenar el modelo Llama 2 7B en v5p con una bifurcación del repositorio de HuggingFace en PyTorch/XLA con paralelización general y escalable para gráficos de procesamiento de AA (GSPMD).

Configuración

  1. Crea variables para el ID del proyecto, el tipo de acelerador, la zona, la versión del entorno de ejecución y el nombre de la TPU.

    export PROJECT_ID=your_project_ID
    export ACCELERATOR_TYPE=v5p-8
    export ZONE=us-east5-a
    export RUNTIME_VERSION=v2-alpha-tpuv5
    export SERVICE_ACCOUNT=your_service_account
    export TPU_NAME=your_tpu_name
    export QUEUED_RESOURCE_ID=your_queued_resource_id
    export QUOTA_TYPE=quota_type
    export VALID_DURATION=1d
  2. Crea un recurso de TPU

    gcloud compute tpus queued-resources create ${QUEUED_RESOURCE_ID} \
    --node-id ${TPU_NAME} \
    --project ${PROJECT_ID} \
    --zone ${ZONE} \
    --accelerator-type ${ACCELERATOR_TYPE} \
    --runtime-version ${RUNTIME_VERSION} \
    --valid-until-duration ${VALID_DURATION} \
    --service-account ${SERVICE_ACCOUNT} \
    --${QUOTA_TYPE}

    Podrás conectarte a la VM de TPU con SSH una vez que QueuedResource está en el estado ACTIVE:

    Usa el comando describe para consultar el estado de tu recurso en cola.

    gcloud compute tpus queued-resources describe ${QUEUED_RESOURCE_ID} \
    --project ${PROJECT_ID} \
    --zone ${ZONE}

    Cuando tu recurso en cola se encuentra en estado ACTIVO, la salida será similar al siguiente ejemplo:

     state: ACTIVE
    

  3. Instala Pytorch/XLA y las dependencias requeridas.

    gcloud compute tpus tpu-vm ssh ${TPU_NAME}  \
    --project ${PROJECT_ID} \
    --zone  ${ZONE} \
    --worker=all \
    --command='
    sudo apt-get update
    sudo apt-get install libopenblas-dev -y
    pip3 install numpy
    pip3 install typing-extensions
    pip install torch~=2.2.0 torch_xla[tpu]~=2.2.0 -f https://storage.googleapis.com/libtpu-releases/index.html
    '
  4. Descarga el repositorio de HuggingFace y los requisitos de instalación.

    gcloud compute tpus tpu-vm ssh ${TPU_NAME}
    --project=${PROJECT_ID} \
    --zone=${ZONE} \
    --worker=all \
    --command='
    git clone -b llama2-google-next-training https://github.com/pytorch-tpu/transformers.git
    cd transformers
    pip3 install git+file://$PWD
    pip3 install datasets accelerate evaluate scikit-learn'
  5. Descarga la configuración del modelo 7B.

    gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
    --project=${PROJECT_ID} \
    --zone=${ZONE} \
    --worker=all \
    --command="curl https://huggingface.co/TheBloke/Llama-2-7B-fp16/raw/main/config.json --output ~/config.json"
  6. Entrena el modelo

    gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
    --project=${PROJECT_ID} \
    --zone=${ZONE} \
    --worker=all \
    --command='
    export PJRT_DEVICE=TPU
    export XLA_USE_BF16=1
    export XLA_IR_DEBUG=1
    export XLA_HLO_DEBUG=1
    
    export LIBTPU_INIT_ARGS="--xla_enable_async_collective_permute=true
    --xla_tpu_enable_async_collective_fusion_multiple_steps=true
    --xla_tpu_enable_async_collective_fusion=true
    --xla_tpu_overlap_compute_collective_tc=true
    --xla_enable_async_all_gather=true
    --xla_jf_spmd_threshold_for_windowed_einsum_mib=0"
    
    export PROFILE_EPOCH=0
    export PROFILE_STEP=3
    export PROFILE_DURATION_MS=20000
    export PROFILE_LOGDIR=/tmp/home/
    
    cd transformers
    python examples/pytorch/language-modeling/run_clm.py \
     --tokenizer_name hf-internal-testing/llama-tokenizer \
     --dataset_name wikitext \
     --dataset_config_name wikitext-2-raw-v1 \
     --per_device_train_batch_size 96 \
     --per_device_eval_batch_size 8 \
     --num_train_epochs 1 \
     --do_train \
     --output_dir /tmp/output \
     --overwrite_output_dir \
     --config_name ~/config.json \
     --save_strategy no \
     --logging_strategy no \
     --remove_unused_columns no \
     --optim adafactor \
     --torch_dtype bfloat16 \
     --dataloader_drop_last yes \
     --block_size 2048 \
     --spmd_2d_sharding 1 \
     --spmd_grad_chkpt
    '

Si ejecutas en un entorno de varias porciones, debes establece la marca --spmd_dcn_parallelism en el número de porciones.

SPMD_USER_GUIDE proporciona una guía del usuario más detallada que explica todas las diferentes variables de entorno y los botones de activación de la secuencia de comandos de HF. Ten en cuenta que el elemento LIBTPU_INIT_ARGS se incorporará a PyTorch/XLA y se activará de forma predeterminada en versiones futuras.

Limpia

Borra tus TPU y recursos en cola.

Resultados de las comparativas

La capacidad de procesamiento de los tres tamaños de modelo de Llama 2 se incluye en los siguientes elementos: desde una tabla de particiones.

v5p-8

v5p-128

v5p-128

Tamaño del modelo

7,000 millones

13B

70,000 millones

Tamaño del lote global

96

1024

128

Forma de malla de fragmentación

(4, 1)

(64, 1)

(16, 4)

Utilización de flops del modelo

(MFU)

56,67%

55.80%

51,85%

Asistencia y comentarios

Todos los comentarios son bienvenidos. Para compartir comentarios o solicitar asistencia, Completa el formulario de comentarios o asistencia de Cloud TPU.