Memecahkan masalah PyTorch - TPU

Tidak digunakan lagi: Halaman ini berlaku untuk PyTorch/XLA, yang tidak digunakan lagi dan digantikan oleh TorchTPU. Repositori PyTorch/XLA akan diarsipkan pada 15 November 2026. Mulai workload PyTorch baru dengan TorchTPU dan migrasikan workload PyTorch/XLA yang ada ke TorchTPU.

Panduan ini memberikan informasi pemecahan masalah untuk membantu Anda mengidentifikasi dan menyelesaikan masalah yang mungkin Anda alami saat melatih model PyTorch di Cloud TPU. Untuk panduan yang lebih umum tentang cara memulai Cloud TPU, lihat Panduan memulai: Membuat instance TPU.

Catatan: Jika Anda tidak dapat menyelesaikan masalah menggunakan panduan ini, lihat Mendapatkan Dukungan untuk mendapatkan bantuan lebih lanjut.

Memecahkan masalah performa pelatihan yang lambat

Jika model Anda dilatih secara lambat, buat dan tinjau laporan metrik.

Untuk menganalisis laporan metrik secara otomatis dan memberikan ringkasan, jalankan workload Anda dengan PT_XLA_DEBUG=1.

Untuk mengetahui informasi selengkapnya tentang masalah yang mungkin menyebabkan model Anda dilatih secara lambat, lihat Peringatan performa yang diketahui.

Pembuatan profil performa

Untuk membuat profil workload Anda secara mendalam guna menemukan bottleneck, tinjau referensi berikut:

• Pembuatan profil performa PyTorch/XLA
• Contoh skrip pelatihan MNIST dengan pembuatan profil

Alat proses debug lainnya

Anda dapat menentukan variabel lingkungan untuk mengontrol perilaku stack software PyTorch/XLA.

Jika Anda menemukan bug yang tidak terduga dan memerlukan bantuan, laporkan masalah di GitHub.

Mengelola tensor XLA

Keunikan tensor XLA menjelaskan hal yang harus dan tidak boleh Anda lakukan saat menggunakan tensor XLA dan bobot bersama.