Résoudre les problèmes liés à TensorFlow – TPU

Ce guide, ainsi que les questions fréquentes, fournissent une aide au dépannage pour les utilisateurs qui entraînent des modèles TensorFlow sur Cloud TPU. Si vous rencontrez des problèmes d'entraînement avec PyTorch ou JAX, vous pouvez consulter les documents de dépannage pour ces frameworks :

Pour obtenir des guides plus généraux sur l'utilisation de Cloud TPU, consultez les pages suivantes :

Présentation

Les problèmes courants rencontrés avec les Cloud TPU appartiennent aux catégories suivantes :

  1. Problèmes de connexion au TPU

  2. Déboguer les erreurs courantes

  3. Réduire l'utilisation de la mémoire

  4. Améliorer la vitesse d'entraînement

  5. Le débogage dégrade la justesse du modèle

Problèmes de connexion au serveur TPU

Cette section explique comment résoudre les problèmes où TensorFlow cesse de répondre ou renvoie une erreur lors de la connexion au TPU. L'étape de compilation du graphe TPU peut prendre beaucoup de temps pour les modèles volumineux. Laissez le script s'exécuter pendant au moins cinq minutes avant de conclure qu'il a cessé de répondre.

La première étape consiste à vérifier si le problème concerne le serveur lui-même ou votre pipeline d'entraînement TensorFlow. Pour ce faire, exécutez votre programme TensorFlow et vérifiez qu'il fonctionne correctement. S'il y a toujours des problèmes de connexion, cela confirme que le problème est lié au serveur TPU. Dans ce cas :

  1. Exécutez la commande suivante pour répertorier les TPU disponibles : Remplacez zone et project-id par votre zone et votre ID de projet.

    (vm)$ gcloud compute tpus tpu-vm list --zone zone --project project-id

    Cela permet d'afficher des messages de sortie tels que : 

    NAME       ZONE           ACCELERATOR_TYPE  NETWORK_ENDPOINT   NETWORK  RANGE          STATUS
TPU_NAME   us-central1-b  v2-8              10.240.1.2:8470    default  10.240.1.0  READY

  2. Vérifiez que ce TPU est défini comme étant READY.

  3. Si votre TPU n'est pas répertorié comme étant READY ou si vous avez encore des difficultés de connexion, redémarrez le serveur manuellement avec :

    (vm)$ gcloud compute tpus tpu-vm stop TPU_NAME && gcloud compute tpus tpu-vm start TPU_NAME

    Cette opération peut prendre plusieurs minutes.

  4. Exécutez à nouveau la commande gcloud compute tpus tpu-vm list ci-dessus et attendez que le TPU ait l'état READY. Cela peut prendre quelques minutes.

  5. Essayez d'exécuter de nouveau votre programme.

  6. Si vous rencontrez toujours des difficultés, demandez de l'aide via l'un des mécanismes décrits dans la section Obtenir de l'aide.

Si votre code s'exécute correctement, mais que votre modèle ne répond toujours pas, le problème se situe probablement au niveau de votre pipeline d'entraînement. Pour déboguer ce problème, commencez par remplacer TPUStrategy dans votre code par la stratégie par défaut. Lorsque vous utilisez la stratégie par défaut, où que vous utilisiez strategy.scope() ou strategy.run(), le modèle s'exécute sur le processeur (ou le GPU, le cas échéant) au lieu du TPU. Si le modèle s'exécute sur le processeur, mais pas sur le TPU, il doit y avoir un problème spécifique au TPU. Si le problème persiste, il est recommandé de le déboguer sur le processeur.

Perte de la connexion ssh pendant l'entraînement

Votre connexion ssh au Cloud TPU peut expirer lors d'un entraînement de longue durée (en particulier si vous utilisez Cloud Shell). À ce stade, aucune sortie n'est affichée dans la console TPU et il peut sembler que le TPU a cessé d'entraîner le modèle. Pour éviter cela, exécutez la session d'entraînement avec un multiplexeur de terminal ou un outil de gestion de session tel que tmux ou screen. La connexion ssh restera active quelle que soit la durée de l'entraînement.

Déboguer les erreurs courantes

Cette section explique comment résoudre les erreurs courantes que vous pouvez rencontrer lors de l'entraînement de modèles sur Cloud TPU.

Impossible de créer un TPU

Lorsque vous créez un Cloud TPU, l'erreur suivante peut s'afficher :

googleapiclient.errors.HttpError: < HttpError 403 when requesting https://content-tpu.googleapis.com/v1/projects/{PROJECT}/locations/{ZONE}/nodes/{TPU_NAME}?alt=json returned "Request had insufficient authentication scopes."

Il s'agit d'un problème d'autorisations qui peut être résolu en exécutant la commande suivante :

gcloud auth login --update-adc

Cette commande met à jour vos identifiants par défaut de l'application (ADC) et devrait résoudre le problème. Pour en savoir plus, consultez gcloud auth login.

Formes dynamiques non compatibles

Message d'erreur

ValueError: shape [Shape] must have a fixed size for dimension
d that is known at graph construction time.

Frameworks et configurations concernés

Ce message ne s'affiche que lors de la compilation XLA avec TensorFlow.

Détails

Pour exécuter un modèle sur un TPU, Cloud TPU le compile à l'aide du compilateur XLA. Bien que cette étape de compilation améliore considérablement la vitesse d'entraînement et l'utilisation de la mémoire, les formes (tailles des dimensions) de tous les Tensors du graphe doivent être connues au moment de la compilation du graphe. Si la moindre forme ne peut pas être déterminée au moment de la compilation, la compilation TPU échoue avec le message d'erreur ci-dessus.

dataset.batch(batch_size) est une opération courante qui renvoie une forme dynamique, car le nombre d'échantillons restant dans un flux peut être inférieur à la taille de lot. Par conséquent, lors de l'entraînement sur le TPU, définissez drop remainder=True pour dataset.batch. Cette fonction supprime, le cas échéant, les derniers échantillons d'un fichier pour garantir que chaque lot possède une forme statique de taille batch_size. Exemple :

dataset = tf.data.Dataset.range(8)
dataset = dataset.batch(3, drop_remainder=True)

Opération TensorFlow non disponible

Message d'erreur

NotFoundError: No registered 'OpName' OpKernel for XLA_TPU_JIT
devices compatible with node

Frameworks et configurations concernés

Ce message peut s'afficher lors de l'entraînement avec TensorFlow.

Détails

Le modèle utilise une opération TensorFlow qui n’est pas disponible sur TPU.

Pour obtenir la liste des opérations disponibles sur TPU, ainsi que les opérations dont la compatibilité est prévue à l'avenir et les solutions de contournement, veuillez consulter le guide des opérations TensorFlow disponibles.

Message d'erreur de mémoire insuffisante

Message d'erreur

ResourceExhaustedError: Ran out of memory in memory space hbm; used:
YYY; limit: 7.48G.

Frameworks et configurations concernés

Ce message peut s'afficher lors de l'entraînement avec TensorFlow, PyTorch ou JAX.

Détails

Chaque TPU est composé de huit cœurs de TPU. Les TPU v2 disposent de 8 Go de RAM et les TPU v3 de 16 Go de RAM (ou HBM, mémoire à haut débit). Cette mémoire est utilisée pour stocker les Tensors des pondérations (variables), ainsi que les Tensors des résultats intermédiaires nécessaires aux calculs de gradients. Si le modèle est trop volumineux pour tenir dans la mémoire RAM du TPU, l'initialisation échoue et le message d'erreur est affiché. Consultez la section Réduire l'utilisation de la mémoire pour obtenir de l'aide.

Conseils pour réduire l'utilisation de la mémoire :

Problèmes d'arrêt de l'exécution

Si TensorFlow rencontre une erreur lors de l'exécution sur TPU, le script semble parfois arrêter de répondre plutôt que quitter l'interface système. Si cela se produit, appuyez sur la combinaison de touches CTRL+C sur le clavier pour déclencher un SIGQUIT qui force la fermeture immédiate de Python.

De la même façon, la commande CTRL+C pendant l'exécution TPU ne met pas fin immédiatement à TensorFlow, mais attend la fin de la boucle d'itération en cours pour s'arrêter proprement.

Si vous rencontrez de nouvelles erreurs lorsque vous vous reconnectez au TPU après une fermeture de ce type, réinitialisez manuellement le serveur TPU à l'aide des commandes suivantes : 

gcloud compute tpus tpu-vm stop tpu-name --zone=zone
gcloud compute tpus tpu-vm start tpu-name --zone=zone

où tpu-name est extrait de la première colonne affichée par la commande gcloud compute tpus tpu-vm list et zone est la zone affichée dans la deuxième colonne.

Remplissage excessif du Tensor

Cause possible du problème de mémoire

Les Tensors stockés dans la mémoire du TPU sont remplis, c'est-à-dire que le TPU arrondit les tailles des Tensors stockés en mémoire pour effectuer les calculs plus efficacement. Ce remplissage se produit de manière transparente au niveau du matériel et n'affecte pas les résultats. Toutefois, dans certains cas, le remplissage peut entraîner une augmentation significative de l'utilisation de la mémoire et du temps d'exécution.

Réduire l'utilisation de la mémoire

La couche logicielle TPU tente de disposer les Tensors en mémoire afin de maximiser l’efficacité des calculs et de minimiser le remplissage. Ce processus d’agencement de la mémoire est complexe, mais pour optimiser les résultats, le modèle doit respecter la règle empirique suivante. Pour minimiser la surcharge de mémoire et optimiser l'efficacité de calcul, l'une des conditions suivantes doit être remplie :

  • La taille totale du lot doit être un multiple de 64 (8 par cœur de TPU) et les dimensions des caractéristiques doivent être un multiple de 128.

    ou

  • La taille totale du lot doit être un multiple de 1 024 (128 par cœur de TPU), et les dimensions des caractéristiques doivent être un multiple de 8.

L'efficacité maximale est atteinte avec une taille de lot de 1 024 et des dimensions de caractéristiques multiples de 128, bien que cela ne soit pas toujours possible pour tous les modèles. Par souci de clarté, "dimension de caractéristique" désigne la taille cachée d'une couche entièrement connectée ou le nombre de canaux de sortie dans une convolution. Certaines couches ne peuvent pas se conformer à cette règle, en particulier les première et dernière couches du réseau. Ce n'est pas un problème et il est attendu que la plupart des modèles nécessitent un certain remplissage.

Réduire l'utilisation de la mémoire

Si vous rencontrez une erreur de mémoire insuffisante lors de l'exécution de votre modèle sur TPU, vous devez prendre des mesures pour réduire l'utilisation de la mémoire par le modèle.

Pour réduire l'utilisation de la mémoire, les méthodes les plus efficaces sont les suivantes :

  • Réduire le remplissage excessif du Tensor
  • Réduire la taille du lot

Taille de lot ou modèle trop important

Cause possible du problème de mémoire

Lors de l'entraînement d'un réseau de neurones sur un processeur, un GPU ou un TPU, l'utilisation de la mémoire provient de deux sources :

  1. L'utilisation de la mémoire est proportionnelle au nombre de pondérations dans le modèle.
  2. Le stockage des activations intermédiaires provenant du calcul de propagation avant et utilisées pour le calcul de la rétropropagation. L'utilisation de la mémoire est directement proportionnelle à la taille du lot, à la taille et au nombre de couches.

Par conséquent, la mémoire requise par un modèle dépend largement de la taille de lot.

La mémoire requise par un modèle dépend du nombre de couches du réseau.

L'environnement d'exécution TPU tente d'optimiser les opérateurs pour ajuster le modèle en mémoire (appelé rematérialisation, semblable à la gestion des points de contrôle de gradient), mais il n'est pas toujours en mesure de le faire.

Réduire l'utilisation de la mémoire

Réduisez progressivement la taille de lot jusqu'à ce qu'un lot tienne en mémoire, en vous assurant que la taille totale de lot est un multiple de 64 (la taille de lot par cœur doit être un multiple de 8). N'oubliez pas que des tailles de lot plus importantes sont plus efficaces sur TPU. Une taille de lot totale de 1 024 (128 par cœur) est généralement un bon point de départ.

Si le modèle ne peut pas être exécuté sur TPU même avec une taille de lot faible (par exemple, 64), essayez de réduire le nombre ou la taille des couches.

Améliorer la vitesse d'entraînement

Si votre modèle est capable de fonctionner correctement sur TPU, mais que la vitesse d’entraînement n'est pas aussi rapide qu'espéré, cette section décrit plusieurs moyens potentiels d’améliorer la vitesse. Pour obtenir d'autres suggestions sur la façon d'améliorer les performances d'entraînement, consultez le guide des performances.

Trop peu d'étapes par exécution et par boucle d'entraînement

Description du problème de performances

Le transfert de l'argument steps_per_execution à Model.compile contrôle le nombre d'étapes d'entraînement exécutées entre les rappels d'hôte. Chaque rappel d'hôte nécessite une communication importante entre le processeur hôte du serveur TPU et l'appareil TPU. Par conséquent, si steps_per_execution est trop petit, cela peut ralentir l'entraînement.

Comment savoir si votre modèle est affecté

Si un profil TPU révèle des rappels fréquents du processeur hôte entre les étapes de l'appareil TPU, votre entraînement peut bénéficier d'une valeur steps_per_execution plus élevée.

Minimiser le problème

Définissez steps_per_execution sur une valeur plus élevée. Notez que steps_per_execution peut être défini sur une valeur élevée, mais gardez à l'esprit que les messages de journalisation et l'enregistrement d'un point de contrôle ne peuvent avoir lieu qu'après l'exécution du nombre d'étapes spécifié.

Goulot d'étranglement au niveau du traitement des entrées

Description du problème de performances

Pendant que le TPU effectue l'entraînement sur un bloc de données particulier, la fonction de traitement des entrées utilise le processeur pour préparer le bloc de données suivant. Si votre fonction d'entrée prend plus de temps que la fonction du modèle, le TPU reste inactif pendant que votre fonction d'entrée récupère les données.

Comment savoir si votre modèle est affecté

Suivez les instructions de la documentation Outils Cloud TPU : analyseur du pipeline d'entrées pour afficher l’analyse du pipeline d’entrées dans TensorBoard :

image

La page d'analyse du pipeline d'entrées présente un résumé clair indiquant si votre modèle présente un goulot d'étranglement au niveau du traitement des entrées. La même page affiche également le temps d'exécution par opération, ce qui vous permet d'identifier les opérations problématiques.

Minimiser le problème

Il existe plusieurs solutions au niveau du chargement de données grâce à l'API Dataset :

  1. Stockez vos données sous forme de collection de structures tf.train.Example dans des fichiers TFRecord, et chargez-les à l'aide de TFRecordDataset. Consultez le tutoriel sur l'API Dataset ou le tutoriel ResNet pour voir des exemples.
  2. Utilisez dataset.cache() ou dataset.prefetch() pour mettre en mémoire tampon les données d'entrée. Cela évite que les ralentissements sporadiques au niveau de l'accès aux fichiers ne créent un goulot d'étranglement.
  3. Spécifiez le paramètre num_parallel_calls de la fonction dataset.map() pour activer les opérations multithread map(). Une heuristique pour la valeur de num_parallel_calls consiste à utiliser le nombre de cœurs de processeur disponibles.
  4. Effectuez le prétraitement coûteux des données hors ligne comme une dépense unique, plutôt que de subir les frais occasionnés à chaque époque de chaque entraînement.

L'intégralité du traitement des entrées est effectué sur les processeurs situés sur le serveur TPU et non sur la machine locale. La vitesse de la machine locale n'est donc pas un facteur.

Temps d'exécution lents et faible utilisation de la MXU

Description du problème de performances

Cloud TPU peut effectuer des multiplications et des convolutions de matrices à des vitesses incroyablement élevées. La plupart des autres opérations TensorFlow ont des mises en œuvre efficaces sur TPU, mais elles ne représentent pas le point fort des TPU par rapport à un autre type de matériel. Par conséquent, pour tirer pleinement parti du TPU, un modèle doit reposer essentiellement sur des multiplications ou convolutions de matrices.

Comment savoir si votre modèle est affecté

Dans ce cas, vous constaterez des temps de traitement lents et une faible utilisation de l'unité MXU lorsque vous profilerez les performances.

Minimiser le problème

Essayez de réduire le nombre d'opérations qui ne sont pas des multiplications matricielles. Après avoir réduit le nombre de multiplications matricielles, effectuez un nouveau benchmark pour voir si les performances sont acceptables sur les TPU.

Remplissage excessif du Tensor

Description du problème de performances

Le TPU remplit les tenseurs en mémoire de manière à pouvoir utiliser efficacement ses unités de calcul. Le remplissage peut augmenter l'utilisation de la mémoire, ainsi que de la bande passante mémoire. Consultez la section sur le remplissage de Tensor pour comprendre et résoudre les problèmes de remplissage de Tensor.

Débit lent et faible utilisation de la mémoire

Description du problème de performances

En règle générale, l'utilisation de lots de grande taille accélère l'apprentissage sur TPU, en termes d'échantillons/seconde.

Comment savoir si votre modèle est affecté

La taille de lot de tout modèle doit toujours être d'au moins 64 (huit par cœur de TPU), car le TPU remplit systématiquement les Tensors pour atteindre cette taille. La taille de lot idéale pour l'apprentissage sur TPU est de 1 024 (128 par cœur de TPU), car cela élimine les inefficacités liées au transfert de mémoire et au remplissage.

Minimiser le problème

Il est recommandé d'utiliser la taille de lot la plus grande qui tienne en mémoire et soit un multiple de 64. La méthode la plus simple consiste à démarrer à 1 024. Si cela provoque une erreur de mémoire insuffisante, essayez de réduire la taille de lot jusqu'à ce que le modèle s'exécute correctement. Modifier la taille de lot d'un modèle peut nécessiter l'ajustement d'autres hyperparamètres, tels que le taux d'apprentissage, pour obtenir la même justesse de modèle, mais cela doit être évalué au cas par cas.

La taille des couches est trop faible

Description du problème de performances

Même lorsqu'un modèle est dominé par des multiplications ou convolutions de matrices, le TPU peut ne pas fonctionner à pleine efficacité si les Tensors d'entrée sont petits. Par rapport à d'autres types de matériel, le TPU fonctionne plus efficacement lorsque les lots et les couches sont de grande taille (par exemple, de dimension >= 512).

Comment savoir si votre modèle est affecté

En règle générale, les tailles de couche inférieures à 128 n'atteignent qu'une efficacité médiocre sur TPU, car 128 est la dimension native de l'unité de multiplication matricielle TPU. Pour les couches entièrement connectées, une taille cachée minimale de 512 est recommandée pour obtenir une efficacité élevée. Notez que les couches convolutives n'ont généralement pas besoin d'être aussi grandes que des couches entièrement connectées pour atteindre un niveau d'efficacité équivalent.

Minimiser le problème

Si la principale motivation pour avoir des couches de petite taille dans votre modèle est la vitesse d'entraînement, nous vous invitons à effectuer une nouvelle analyse comparative de vos modèles avec des couches plus grandes sur TPU. Par exemple, passer la taille de sortie d'une couche de 256 à 512 n'accroît le temps d'apprentissage que de 20 %, même si le modèle effectue deux fois plus de calculs.

Profilage de modèle au niveau des opérations

Il est souvent utile de mesurer le temps d'exécution et l'utilisation de la mémoire au niveau des opérations afin d'identifier les goulots d'étranglement des performances. Pour plus d'informations sur ce point,
consultez le guide Outils Cloud TPU : Lecteur de traces.

Le débogage dégrade la justesse du modèle

L’un des objectifs de l’écosystème Cloud TPU est que tout modèle actuellement entraîné sur un processeur ou un GPU atteigne une précision très similaire lorsqu’il est entraîné sur un TPU, avec éventuellement des ajustements mineurs au niveau d'hyperparamètres tels que la taille de lot et le taux d’apprentissage. Cependant, les utilisateurs peuvent parfois observer une dégradation de la justesse de certains modèles après entraînement sur un TPU. Déboguer de tels problèmes peut être extrêmement frustrant en raison de la nature aléatoire de l'entraînement des réseaux de neurones. Cette section explique comment identifier la cause première de toute dégradation de la justesse d'un modèle lors du transfert sur TPU.

Comprendre la segmentation de données (parallélisme des données)

L'un des principaux objectifs de TensorFlow est de faire en sorte que chaque opération produise des résultats quasi identiques, qu'elle soit exécutée sur processeur, GPU ou TPU. Il existe certaines exceptions à cette règle, telles que les opérations aléatoires. En général, si vous constatez une différence significative entre les résultats d'opérations non aléatoires sur TPU et sur processeur, signalez-le comme un bug.

Cependant, au niveau du pipeline d'entraînement dans son ensemble, il existe une différence significative entre l'entraînement sur le processeur/GPU et celui sur le TPU. Lors de l'entraînement sur un TPU, TensorFlow exécute la segmentation de données. Chaque Cloud TPU contient huit cœurs de TPU qui fonctionnent comme des unités de traitement indépendantes. Pour chaque pas de l'entraînement, chaque cœur de TPU reçoit un lot de données, calcule les gradients des pondérations, les échange avec les autres cœurs de TPU, puis calcule la mise à jour de la pondération. Par défaut, c'est la perte moyenne sur l'ensemble des cœurs qui est calculée, mais on peut calculer la somme en modifiant le paramètre de CrossShardOptimizer.

Si la perte totale du modèle peut être calculée comme la moyenne (ou la somme) de pertes indépendantes par échantillon, cette procédure est alors mathématiquement équivalente à un entraînement sur un seul lot de grande taille.

L'opération la plus courante qui n'est pas indépendante par échantillon est la normalisation des lots, qui s'exécute sur chaque lot séparément. Par exemple, si la taille de lot totale est de 128, la taille de lot par cœur est de 16 et chacun des huit cœurs réalise la normalisation sur ses 16 échantillons. Dans certains cas, une dégradation de la justesse a été observée avec la normalisation des lots sur de petits lots (moins de 32, par exemple). Dans un scénario idéal, la taille totale des lots doit être importante (par exemple, de 256 à 1 024). Si des lots de cette taille sont trop volumineux pour tenir en mémoire, l’effet de la segmentation doit être évalué au cas par cas.

Déboguer l'entraînement TPU multicœur

Si votre modèle atteint effectivement la même perte sur processeur et sur TPU monocœur, le problème est probablement l'un des éléments suivants :

(a) La dégradation est due à la variance aléatoire naturelle survenant lorsque l'on entraîne des modèles neuronaux avec différentes initialisations.

(b) La dégradation est due à un problème lié à la segmentation des données sur le TPU.

Pour déterminer si votre problème relève du cas (a), entraînez de nouveau le modèle complet sur processeur/GPU et sur TPU multicœur en utilisant la même initialisation des pondérations, comme ci-dessus.

Si vous êtes certain que la dégradation de la justesse est statistiquement significative, les problèmes les plus probables liés à la segmentation des données sont les suivants :

  1. Si votre modèle utilise la normalisation des lots, une taille de lot totale inférieure à 256 (par exemple, inférieure à 32 par cœur) peut réduire la justesse.
  2. Les fonctions de perte par lot sont affectées par la segmentation. Ces fonctions de perte sont généralement assez spécialisées. Par exemple Karras et al. 2017 utilisent un discriminateur par lot lors de l'entraînement d'un réseau antagoniste génératif.

Résoudre les problèmes de configuration de gcloud

Problème
gcloud components update affiche le message d'erreur suivant :
ERROR: (gcloud.components.update)
You cannot perform this action because the Cloud SDK component manager is
disabled for this installation.
Solution

Pour utiliser Google Cloud CLI, vous devez utiliser une installation qui n'est pas gérée par un gestionnaire de paquets.

  1. Exécutez la commande suivante pour supprimer l'installation actuelle de la gcloud CLI :

    sudo apt-get remove google-cloud-sdk

  2. Suivez les instructions pour installer la Google Cloud CLI.

Problème

La commande gcloud compute tpus tpu-vm ssh TPU_NAME --zone ZONE affiche le message d'erreur suivant :

Waiting for SSH key to propagate.
ssh: connect to host 34.91.136.59 port 22: Connection timed out
ssh: connect to host 34.91.136.59 port 22: Connection timed out
ssh: connect to host 34.91.136.59 port 22: Connection timed out
ERROR: (gcloud.compute.tpus.tpu-vm.ssh) Could not SSH into the instance.  It is possible that your SSH key has not propagated to the instance yet. Try running this command again.  If you still cannot connect, verify that the firewall and instance are set to accept ssh traffic.
Solution

Une erreur s'est peut-être produite lors de la propagation de la clé SSH. Déplacez les clés générées automatiquement vers un emplacement de sauvegarde pour forcer gcloud à les recréer :

mv ~/.ssh/google_compute_engine ~/.ssh/old-google_compute_engine
mv ~/.ssh/google_compute_engine.pub ~/.ssh/old-google_compute_engine.pub

Journaux de débogage

Les frameworks Cloud TPU compatibles, JAX, PyTorch et TensorFlow, accèdent aux TPU à l'aide d'une bibliothèque partagée appelée libtpu, qui est présente sur chaque VM TPU. Cette bibliothèque inclut le compilateur XLA utilisé pour compiler les programmes TPU, l'environnement d'exécution TPU utilisé pour exécuter les programmes compilés et le pilote TPU utilisé par l'environnement d'exécution pour l'accès de bas niveau au TPU.

La bibliothèque libtpu enregistre des informations qui peuvent être utiles pour le débogage. Par défaut, ces journaux sont écrits dans /tmp/tpu_logs sur chaque VM Cloud TPU. Les variables d'environnement suivantes peuvent être définies avant de commencer l'entraînement pour modifier le comportement de journalisation :

TPU_LOG_DIR : répertoire dans lequel les journaux sont écrits
L'emplacement du répertoire est défini par défaut sur /tmp/tpu_logs. Le répertoire est créé s'il n'existe pas déjà, mais aucun répertoire parent n'est créé. Si une erreur se produit lors de la recherche ou de la création du répertoire spécifié, un message est imprimé sur stderr, mais cela n'arrête pas le programme et la journalisation est désactivée. Définissez le nom du répertoire sur "désactivé" pour désactiver complètement la journalisation sur le disque.
TPU_MIN_LOG_LEVEL : sévérité minimale qui sera consignée sur le disque
 Les choix sont 0 (INFO), 1 (WARNING), 2 (ERROR) et 3 (FATAL). La valeur par défaut est 0.
TPU_STDERR_LOG_LEVEL : niveau de sévérité minimal qui sera consigné dans stderr, en plus du disque, le cas échéant
Les choix sont les mêmes que pour TPU_MIN_LOG_LEVEL. La valeur par défaut est 3.
TPU_MAX_LOG_SIZE_MB : taille maximale en mégaoctets de chaque fichier journal
Un nouveau fichier journal est automatiquement créé lorsque le précédent atteint approximativement cette taille. La valeur par défaut est 1 024.