在 Docker 容器中執行 TPU 工作負載

TPU 裝置

1. 建立 Cloud TPU VM

   gcloud compute tpus tpu-vm create your-tpu-name \
   --zone=europe-west4-a \
   --accelerator-type=v2-8 \
   --version=tpu-ubuntu2204-base

2. 使用 SSH 連線至 TPU VM

   gcloud compute tpus tpu-vm ssh your-tpu-name \
   --zone=europe-west4-a

3. 請確認您的 Google Cloud 使用者已獲授「Artifact Registry Reader」角色。詳情請參閱「授予 Artifact Registry 角色」。

4. 使用 PyTorch/XLA 夜間映像檔，在 TPU VM 中啟動容器

   sudo docker run --net=host -ti --rm --name your-container-name --privileged us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.6.0_3.10_tpuvm_cxx11 \
   bash

5. 設定 TPU 執行階段

   PyTorch/XLA 執行階段有兩種選項：PJRT 和 XRT。除非您有使用 XRT 的理由，否則建議您使用 PJRT。如要進一步瞭解不同的執行階段設定，請參閱 PJRT 執行階段說明文件。

   PJRT

   export PJRT_DEVICE=TPU

   XRT

   export XRT_TPU_CONFIG="localservice;0;localhost:51011"

6. 複製 PyTorch XLA 存放區

   git clone --recursive https://github.com/pytorch/xla.git

7. 訓練 ResNet50

   python3 xla/test/test_train_mp_imagenet.py --fake_data --model=resnet50 --num_epochs=1

訓練指令碼執行完畢後，請務必清理資源。

1. 輸入 exit 即可退出 Docker 容器
2. 輸入 exit 即可退出 TPU VM

3. 刪除 TPU VM

   gcloud compute tpus tpu-vm delete your-tpu-name --zone=europe-west4-a

TPU 配量

在 TPU 配量上執行 PyTorch 程式碼時，您必須同時在所有 TPU worker 上執行程式碼。其中一種方法是使用 gcloud compute tpus tpu-vm ssh 指令，並加上 --worker=all 和 --command 旗標。以下程序說明如何建立 Docker 映像檔，以便輕鬆設定每個 TPU worker。

1. 建立 TPU VM

   gcloud compute tpus tpu-vm create your-tpu-name \
   --zone=us-central2-b \
   --accelerator-type=v4-32 \
   --version=tpu-ubuntu2204-base

2. 將目前使用者新增至 Docker 群組

   gcloud compute tpus tpu-vm ssh your-tpu-name \
   --zone=us-central2-b \
   --worker=all \
   --command='sudo usermod -a -G docker $USER'

3. 複製 PyTorch XLA 存放區

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=us-central2-b \
   --command="git clone --recursive https://github.com/pytorch/xla.git"

4. 在所有 TPU 工作站上執行容器中的訓練指令碼

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=us-central2-b \
   --command="docker run --rm --privileged --net=host  -v ~/xla:/xla -e PJRT_DEVICE=TPU us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.6.0_3.10_tpuvm_cxx11 python /xla/test/test_train_mp_imagenet.py --fake_data --model=resnet50 --num_epochs=1"

   Docker 指令標記：

   • --rm 會在程序終止後移除容器。
   • --privileged 會將 TPU 裝置公開給容器。
   • --net=host 會將所有容器的通訊埠繫結至 TPU VM，以便 Pod 中的主機彼此通訊。
   • -e 會設定環境變數。

訓練指令碼執行完畢後，請務必清理資源。

使用下列指令刪除 TPU VM：

gcloud compute tpus tpu-vm delete your-tpu-name \
--zone=us-central2-b

TPU 裝置

1. 建立 TPU VM

   gcloud compute tpus tpu-vm create your-tpu-name \
   --zone=europe-west4-a \
   --accelerator-type=v2-8 \
   --version=tpu-ubuntu2204-base

2. 使用 SSH 連線至 TPU VM

   gcloud compute tpus tpu-vm ssh your-tpu-name  --zone=europe-west4-a

3. 在 TPU VM 中啟動 Docker 精靈

   sudo systemctl start docker

4. 啟動 Docker 容器

   sudo docker run --net=host -ti --rm --name your-container-name \
   --privileged us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.6.0_3.10_tpuvm_cxx11 \
   bash

5. 安裝 JAX

   pip install jax[tpu]

6. 安裝 FLAX

   pip install --upgrade clu
   git clone https://github.com/google/flax.git
   pip install --user -e flax

7. 安裝 tensorflow 和 tensorflow-dataset 套件

   pip install tensorflow
   pip install tensorflow-datasets

8. 執行 FLAX MNIST 訓練指令碼

   cd flax/examples/mnist
   python3 main.py --workdir=/tmp/mnist \
   --config=configs/default.py \
   --config.learning_rate=0.05 \
   --config.num_epochs=5

訓練指令碼執行完畢後，請務必清理資源。

1. 輸入 exit 即可退出 Docker 容器
2. 輸入 exit 即可退出 TPU VM

3. 刪除 TPU VM

   gcloud compute tpus tpu-vm delete your-tpu-name --zone=europe-west4-a

TPU 配量

在 TPU 配量上執行 JAX 程式碼時，您必須同時在所有 TPU 工作站上執行 JAX 程式碼。其中一種方法是使用 gcloud compute tpus tpu-vm ssh 指令，並加上 --worker=all 和 --command 旗標。以下程序說明如何建立 Docker 映像檔，以便輕鬆設定每個 TPU worker。

1. 在目前目錄中建立名為 Dockerfile 的檔案，然後貼上以下文字

   FROM python:3.10
   RUN pip install jax[tpu]
   RUN pip install --upgrade clu
   RUN git clone https://github.com/google/flax.git
   RUN pip install --user -e flax
   RUN pip install tensorflow
   RUN pip install tensorflow-datasets
   WORKDIR ./flax/examples/mnist

2. 準備 Artifact Registry

   gcloud artifacts repositories create your-repo \
   --repository-format=docker \
   --location=europe-west4 --description="Docker repository" \
   --project=your-project
   
   gcloud artifacts repositories list \
   --project=your-project
   
   gcloud auth configure-docker europe-west4-docker.pkg.dev

3. 建構 Docker 映像檔

   docker build -t your-image-name .

4. 請先為 Docker 映像檔新增標記，再推送至 Artifact Registry。如要進一步瞭解如何使用 Artifact Registry，請參閱「使用容器映像檔」。

   docker tag your-image-name europe-west4-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag

5. 將 Docker 映像檔推送至 Artifact Registry

   docker push europe-west4-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag

6. 建立 TPU VM

   gcloud compute tpus tpu-vm create your-tpu-name \
   --zone=europe-west4-a \
   --accelerator-type=v2-8 \
   --version=tpu-ubuntu2204-base

7. 從所有 TPU worker 的 Artifact Registry 提取 Docker 映像檔

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command='sudo usermod -a -G docker ${USER}'

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="gcloud auth configure-docker europe-west4-docker.pkg.dev --quiet"

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="docker pull europe-west4-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag"

8. 在所有 TPU 工作站上執行容器

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="docker run -ti -d --privileged --net=host --name your-container-name europe-west4-docker.pkg.dev/your-project/your-repo/your-image-name:your-tag bash"

9. 在所有 TPU 工作站上執行訓練指令碼

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="docker exec --privileged your-container-name python3 main.py --workdir=/tmp/mnist \
   --config=configs/default.py \
   --config.learning_rate=0.05 \
   --config.num_epochs=5"

訓練指令碼執行完畢後，請務必清理資源。

1. 關閉所有 worker 上的容器

   gcloud compute tpus tpu-vm ssh your-tpu-name --worker=all \
   --zone=europe-west4-a \
   --command="docker kill your-container-name"

2. 刪除 TPU VM

   gcloud compute tpus tpu-vm delete your-tpu-name \
   --zone=europe-west4-a