Entraînement Cloud TPU v5p

Cloud TPU v5p est la cinquième génération de Cloud TPU de Google Cloud et le successeur du TPU v4. v5p est optimisé pour l'entraînement à grande échelle et pour être une plate-forme de premier plan pour le développement de LLM fondamentaux, de modèles de diffusion et d'IA générative. De manière générale, v5p offre jusqu'à deux fois les performances de v4, tout en compressant deux fois plus de TPU dans un pod (6 000 unités pour la plus grande tranche contre 3 000 unités dans v4), ce qui multiplie les performances par quatre au niveau du pod. Il fonctionne également à une fréquence d'horloge plus élevée (1,75 GHz contre 1,05 GHz), ajoute SparseCore pour les représentations vectorielles continues à grande échelle et triple la capacité de la mémoire à haut débit (HBM).

Concepts de Cloud TPU v5p

Si vous débutez avec Cloud TPU, consultez la page d'accueil de la documentation sur les TPU.

Les concepts de Cloud TPU (par exemple, les tranches, les hôtes et les TensorCores) et l'architecture système de Cloud TPU pour toutes les versions de Cloud TPU sont décrits sur la page Architecture système de Cloud TPU.

Chaque version de Cloud TPU nécessite des types d'accélérateurs spécifiques pour l'entraînement ou l'inférence. Ces types d'accélérateurs sont décrits dans les configurations v5p.

Gérer les ressources TPU

Toutes les commandes de ce document partent du principe que vous créez une VM TPU v5p. Pour en savoir plus sur les commandes permettant de créer des VM TPU, consultez la section Gérer les TPU ou le guide de l'utilisateur des ressources en file d'attente pour gérer les ressources en file d'attente. Pour faciliter l'exécution des commandes, les exemples de code de ce document utilisent les variables d'environnement suivantes:

export PROJECT_ID=your-project
export ACCELERATOR_TYPE=v5p-8
export ZONE=us-east5-a
export RUNTIME_VERSION=v2-alpha-tpuv5
export TPU_NAME=your-tpu-name

Descriptions des variables d'environnement

PROJECT_ID
Projet Google Cloud dans lequel vous créez votre TPU.
ACCELERATOR_TYPE
Le type d'accélérateur spécifie la version et la taille du Cloud TPU que vous souhaitez créer. Pour en savoir plus sur les types d'accélérateurs compatibles avec chaque version de TPU, consultez la section Versions de TPU.
ZONE
Zone dans laquelle vous prévoyez de créer votre Cloud TPU.
RUNTIME_VERSION
Version du logiciel du TPU
TPU_NAME
Nom défini par l'utilisateur du TPU que vous utilisez.

Configuration du framework

Cette section décrit le processus de configuration général pour l'entraînement de modèles à l'aide de JAX ou de PyTorch avec un TPU v5p.

Configuration pour JAX

Si les formes de tranche contiennent plus de quatre chips, vous aurez plusieurs VM dans une même tranche. Dans ce cas, vous devez utiliser l'option --worker=all pour exécuter l'installation sur toutes les VM TPU à l'aide d'une seule commande:

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'

Vous pouvez exécuter la commande suivante pour vérifier le nombre d'appareils (les sorties affichées ici ont été produites avec une tranche v5p-32). Ce code vérifie que tout est correctement installé en vérifiant que JAX voit les TensorCores Cloud TPU et qu'il peut exécuter des opérations de base:

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())"'

Le résultat doit ressembler à ce qui suit : 

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() indique le nombre total de chips dans la tranche donnée. jax.local_device_count() indique le nombre de puces accessibles par une seule VM dans cette tranche.

# 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))"'

Le résultat doit ressembler à ce qui suit : 

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.]

Utilisez --node=all pour exécuter la commande sur tous les nœuds de travail 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())"'

Suivez les tutoriels JAX de ce document pour vous lancer dans l'entraînement v5p à l'aide de JAX.

Configuration pour PyTorch

Le runtime PJRT est le seul runtime compatible avec la version v5p, et PyTorch 2.1 et versions ultérieures utilisent PJRT comme runtime par défaut pour toutes les versions de TPU. Cette section explique comment commencer à utiliser PJRT sur des pods v5p avec PyTorch/XLA 2.2.0 pour tous les nœuds de calcul.

Installer des dépendances

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
pip install numpy
pip install torch torch_xla[tpu]~=2.5.0 -f https://storage.googleapis.com/libtpu-releases/index.html
pip3 install --pre torch torchvision --index-url https://download.pytorch.org/whl/nightly/cpu
'

Utilisez un script Python avec PJRT pour valider votre installation. Le script affiche les appareils TPU disponibles (les sorties affichées ici ont été produites avec une tranche 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']

Utilisez --node=all pour exécuter la commande sur tous les nœuds de travail 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\"))"
'

Suivez les tutoriels PyTorch de ce document pour vous lancer dans l'entraînement v5p à l'aide de PyTorch.

Surveiller et profiler

Cloud TPU v5p prend en charge la surveillance et le profilage à l'aide des mêmes méthodes que les générations précédentes de Cloud TPU. Pour en savoir plus sur le profilage, consultez Profiler votre modèle avec les outils Cloud TPU. Pour en savoir plus sur la surveillance, consultez Surveiller les VM Cloud TPU.

Tutoriels de formation

Cette section se concentre sur les tutoriels d'entraînement pour une seule tranche. Pour adapter ces tutoriels à l'entraînement multicouche, ajoutez l'option --node=all aux commandes SSH. Pour en savoir plus et connaître les bonnes pratiques, consultez la présentation de la fonctionnalité Multislice.

Tutoriels JAX

Entraîner Diffusion 2.1

Ce tutoriel vous explique comment entraîner le modèle Stable Diffusion de HuggingFace à l'aide de l'ensemble de données Pokémon sur Cloud TPU v5p.

Le modèle Stable Diffusion est un modèle de texte vers image latent qui génère des images photoréalistes à partir de n'importe quelle entrée textuelle. Pour en savoir plus, consultez les ressources suivantes :

Prérequis

  1. Créez des variables d'environnement :

    export GCS_BUCKET_NAME=your-bucket
export PROJECT_ID=your-project-ID
export ACCELERATOR_TYPE=v5p-32
export ZONE=europe-west4-b
export LOCATION=europe-west4
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

    Description des options de commande

    Variable Description
    PROJECT_ID Nom du projet Google Cloud
    ACCELERATOR_TYPE Consultez la page Versions de TPU pour connaître la version de votre TPU.
    ZONE Pour connaître les zones compatibles, consultez le document Régions et zones TPU.
    EMPLACEMENT Région Google Cloud dans laquelle créer le bucket de stockage Cloud Storage.
    RUNTIME_VERSION Pour v5p, utilisez v2-alpha-tpuv5 pour RUNTIME_VERSION.
    SERVICE_ACCOUNT Il s'agit de l'adresse de votre compte de service, que vous pouvez trouver dans la console Google Cloud -> IAM -> Comptes de service. Par exemple: tpu-service-account@monIDdeprojet.iam.gserviceaccount.com
    TPU_NAME ID de texte attribué par l'utilisateur du TPU créé lors de l'allocation de la requête de ressource mise en file d'attente.
    QUEUED_RESOURCE_ID ID de texte attribué par l'utilisateur à la requête de ressource mise en file d'attente. Pour en savoir plus sur les ressources en file d'attente, consultez la documentation sur les ressources en file d'attente.
    QUOTA_TYPE Peut être reserved ou spot. Si aucune de ces valeurs n'est spécifiée, la valeur par défaut de QUOTA_TYPE est on-demand. Consultez la section Quotas pour en savoir plus sur les différents types de quotas compatibles avec Cloud TPU.
    VALID_UNTIL_DURATION Durée de validité de la requête. Pour en savoir plus sur les différentes durées valides, consultez la section Ressources mises en file d'attente.

  2. Configurez un bucket de stockage pour la sortie de votre modèle.

    gcloud storage buckets create gs://$GCS_BUCKET_NAME \
 --project=$PROJECT_ID \
 --location=$LOCATION

  3. Créez une ressource 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}

    Vous pourrez vous connecter en SSH à votre VM TPU une fois que votre ressource en file d'attente sera à l'état ACTIVE. Vérifiez l'état de votre ressource mise en file d'attente en exécutant la commande suivante:

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

    Lorsque la ressource mise en file d'attente est dans l'état ACTIVE, le résultat ressemble à ce qui suit:

    state: ACTIVE

  4. Entraîner le modèle

    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"

Effectuer un nettoyage

Supprimez votre TPU et votre requête de ressource mise en file d'attente à la fin de votre session, ou supprimez les requêtes de ressources mises en file d'attente qui sont à l'état "ÉCHEC". Pour supprimer une ressource en file d'attente, supprimez les segments, puis la requête de ressource en file d'attente en deux étapes:

   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

Vous pouvez également utiliser --force pour supprimer les tranches et la demande de ressources mise en file d'attente en une seule étape:

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

Résultats du benchmark

Le script d'entraînement Stable Diffusion a été exécuté sur les versions v5p-8, v5p-32 et v5p-128. Le tableau suivant présente le débit.

v5p-8

v5p-32

v5p-128

Étape d'entraînement

150

150

150

Taille du lot global

32

64

64

Débit (exemples/s)

12.10

18.08

19.10

MaxText

Ce tutoriel vous explique comment entraîner le modèle MaxText à l'aide d'un ensemble de données synthétique sur Cloud TPU.

MaxText est un LLM Open Source hautes performances, évolutif de manière arbitraire et bien testé, écrit en Python/JAX pur et ciblant les Cloud TPU. MaxText offre aux chercheurs et aux développeurs un outil accessible et adaptable pour faire progresser la recherche et le développement du traitement du langage naturel (TLN).

Avant d'exécuter ce tutoriel, vous devez configurer votre environnement Cloud TPU.

  1. Configurer des variables d'environnement

    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.

    Description des options de commande

    Variable Description
    PROJECT_ID Nom du projet Google Cloud
    TPU_NAME Nom défini par l'utilisateur pour votre TPU.
    ACCELERATOR_TYPE Consultez la page Versions de TPU pour connaître la version de votre TPU.
    ZONE Pour connaître les zones compatibles, consultez le document Régions et zones TPU.
    RUNTIME_VERSION Pour v5p, utilisez v2-alpha-tpuv5 pour la version d'exécution.
    RUN_NAME Nom de l'exécution du test fourni par l'utilisateur.

    Configuration facultative recommandée pour Multislice:

    export NETWORK_NAME=your_network_name
export FIREWALL_RULE_NAME=your_firewall_rule_name

    Si vous exécutez des charges de travail multislice et que vous souhaitez des performances réseau optimales, envisagez de créer un réseau dédié avec une unité de transmission maximale (MTU) de 8 896 octets et de configurer des règles de pare-feu appropriées. Bien que facultative, cette étape peut considérablement améliorer les performances, en particulier lors de l'augmentation du nombre de tranches sur le réseau du centre de données (DCN). Notez que la création d'un réseau nécessite l'autorisation compute.networks.create dans le projet. Les exemples suivants montrent comment créer un réseau et une règle de pare-feu dédiés.

    Créez un réseau dédié:

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

    Créez une règle de pare-feu :

    gcloud compute firewall-rules create ${FIREWALL_RULE_NAME} \
--network ${NETWORK_NAME} --allow tcp,icmp,udp --project=${PROJECT_ID}

  2. Cloner le dépôt MaxText

    git clone https://github.com/google/maxtext.git

  3. Entraîner le modèle

    Les sections suivantes décrivent deux options d'entraînement de MaxText.

    Option 1

    Si vous souhaitez qu'un script gère l'ensemble du workflow, du provisionnement des Cloud TPU et de l'installation des dépendances à l'exécution de votre modèle et à la suppression des ressources, vous pouvez utiliser 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"

    Une fois le script lancé, un message semblable au suivant doit s'afficher dans le journal. L'emplacement du journal est référencé dans le message de sortie. Cliquez sur le premier lien pour accéder aux journaux de tous les nœuds de calcul une fois le provisionnement des TPU terminé.

    ------------------------------------

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
Option 2

Pour exécuter le script d'entraînement plusieurs fois sur un Cloud TPU provisionné, utilisez le script multihost_runner.py pour utiliser la ressource.

  1. Configurez des variables pour créer un 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. Créez une ressource 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}

    Vous pourrez vous connecter à vos VM TPU à l'aide de SSH une fois que votre QueuedResource sera dans l'état ACTIVE:

    Utilisez la commande describe pour interroger l'état de votre ressource mise en file d'attente.

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

    Lorsque votre ressource mise en file d'attente est à l'état "ACTIVE", la sortie est semblable à la suivante:

     state: ACTIVE

  3. Se connecter à votre TPU à l'aide de SSH

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

  4. Installer des dépendances

    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. Exécutez le modèle avec différents scripts de configuration, tels que 32b.sh, 64b.sh. Si vous exécutez le script à partir d'une VM TPU, vous devez ajouter l'option --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"

Effectuer un nettoyage

Supprimez votre TPU et vos ressources en file d'attente.

Résultats du benchmark

Le script d'entraînement MaxText a été exécuté de 32 octets à 1 160 octets avec une précision bf16. Les résultats de ces exécutions sont présentés dans le tableau suivant.

Nombre de paramètres

Type d'accélérateur

TFLOP/chip/sec

Utilisation des FLOPS du modèle

(MFU)

32B

v5p-128

3,28E+02

71,47%

64 octets

v5p-128

3,23E+02

70,31%

128 octets

v5p-256

3,15E+02

68,68%

128 octets

v5p-512

3,15E+02

68,53%

256 octets

v5p-1024

3,16E+02

68,82%

512 octets

v5p-1024

2,94E+02

63,99%

1 024 octets

v5p-2048

2,49E+02

64,05%

1 024 octets

v5p-4096

2,97E+02

64,80%

1 160 B

v5p-7680

2,95E+02

64,27%

1 160 B

v5p-12288

3,04E+02

66,23%

Le modèle de 256 B de paramètres a été testé sur v5p-512 et v5p-1024 à l'aide de pondérations bf16 et int8. Le tableau suivant affiche les résultats de ces tests.

v5p-512

v5p-512

v5p-1024

v5p-1024

Taille du lot global

(jetons)

5,24E+05

5,24E+05

1,05E+06

1,05E+06

Précision

bf16

int8

bf16

int8

TFLOP/chip/sec

307

408

308

414

Utilisation des FLOPS du modèle

(MFU)

66,98%

88,85%

67,09%

90,23%

Tutoriels TensorFlow

Entraîner ResNet sur un seul hôte v5p

Ce tutoriel explique comment entraîner ImageNet sur un TPU v5p-8 à l'aide d'un faux ensemble de données. Si vous souhaitez utiliser un autre ensemble de données, consultez la section Préparer l'ensemble de données.

Prérequis

  1. Créez des variables d'environnement :

    export PROJECT_ID=your-project-ID
export ACCELERATOR_TYPE=v5p-32
export ZONE=us-east1-c
export RUNTIME_VERSION=tpu-vm-tf-2.18.0-pjrt
export TPU_NAME=your-tpu-name
export QUEUED_RESOURCE_ID=your-queued-resource-id
export QUOTA_TYPE=quota-type

    Pour ce tutoriel, utilisez v5p-8 comme ACCELERATOR_TYPE.

  2. Créez une ressource 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}

    Vous pourrez vous connecter à votre VM TPU à l'aide de SSH une fois que votre ressource mise en file d'attente sera dans l'état ACTIVE. Pour vérifier l'état de votre ressource mise en file d'attente, utilisez la commande suivante:

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

  3. Se connecter à votre TPU à l'aide de SSH

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

  4. Définir des variables d'environnement

    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. Accédez au répertoire du dépôt de modèles et aux exigences d'installation.

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

Entraîner le modèle

  1. Exécutez le script d'entraînement.

    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"

Effectuer un nettoyage

Supprimez votre TPU et vos ressources en file d'attente.

Entraîner ResNet sur un v5p multi-hôte

Ce tutoriel explique comment entraîner ImageNet sur v5p-16 ou plus à l'aide d'un ensemble de données factice. Si vous souhaitez utiliser un autre ensemble de données, consultez Préparer l'ensemble de données.

  1. Créez des variables d'environnement :

    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-2.18.0-pod-pjrt
export QUEUED_RESOURCE_ID=your-queued-resource-id
export QUOTA_TYPE=quota-type

    ACCELERATOR_TYPE peut être égal à v5p-16 ou supérieur.

  2. Créez une ressource 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}

    Vous pourrez vous connecter à votre VM TPU à l'aide de SSH une fois que votre ressource mise en file d'attente sera dans l'état ACTIVE.

    Utilisez la commande describe pour interroger l'état de votre ressource mise en file d'attente:

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

  3. Se connecter à votre TPU (nœud de calcul 0) à l'aide de SSH

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

  4. Définir des variables d'environnement

    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. Accédez au répertoire du dépôt de modèles et aux exigences d'installation.

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

Entraîner le modèle

  1. Exécutez le script d'entraînement.

    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"

Effectuer un nettoyage

Supprimez votre TPU et vos ressources en file d'attente.

PyTorch/XLA

Llama 2

Ce tutoriel explique comment entraîner le modèle Llama 2 7B sur v5p à l'aide d'une fourchette du dépôt HuggingFace sur PyTorch/XLA avec la parallélisation générale et évolutive pour les graphiques de calcul ML (GSPMD, General and Scalable Parallelization for ML Computation Graphs).

Configuration

  1. Créez des variables d'environnement.

    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. Créer une ressource 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}

    Vous pourrez vous connecter à votre VM TPU à l'aide de SSH une fois que votre QueuedResource sera dans l'état ACTIVE:

    Utilisez la commande describe pour interroger l'état de votre ressource mise en file d'attente.

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

    Lorsque votre ressource mise en file d'attente est dans l'état ACTIVE, la sortie ressemble à ce qui suit: 

     state: ACTIVE

  3. Installez Pytorch/XLA et les dépendances requises.

    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 torch_xla[tpu]~=2.5.0 -f https://storage.googleapis.com/libtpu-releases/index.html
'

  4. Téléchargez le dépôt HuggingFace et les conditions d'installation.

    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. Téléchargez la configuration du modèle 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. Entraîner le modèle

    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 vous exécutez une application dans un environnement multicouche, vous devez définir l'indicateur --spmd_dcn_parallelism sur le nombre de tranches.

SPMD_USER_GUIDE fournit un guide utilisateur plus détaillé qui explique toutes les différentes variables d'environnement et les boutons d'activation/de désactivation du script HF. Notez que LIBTPU_INIT_ARGS sera intégré à PyTorch/XLA et activé par défaut dans les prochaines versions.

Effectuer un nettoyage

Supprimez votre TPU et vos ressources en file d'attente.

Résultats du benchmark

Le débit des trois tailles de modèle Llama 2 est inclus dans le tableau suivant.

v5p-8

v5p-128

v5p-128

Taille du modèle

7B

13B

70 milliards

Taille du lot global

96

1 024

128

Forme de la grille de segmentation

(4, 1)

(64, 1)

(16, 4)

Utilisation des FLOPS du modèle

(MFU)

56,67%

55,80%

51,85%

Assistance et commentaires

N'hésitez pas à nous faire part de vos commentaires. Pour nous faire part de vos commentaires ou demander de l'aide, remplissez le formulaire d'assistance ou de commentaires pour Cloud TPU.