在 TPU 配量上執行 PyTorch 程式碼

執行本文中的指令前，請務必按照「設定帳戶和 Cloud TPU 專案」一文中的操作說明進行設定。

在單一 TPU VM 上執行 PyTorch 程式碼後，您可以在 TPU 配量上執行程式碼，進一步擴大規模。TPU 配量是指透過專用高速網路連線相互連結的多個 TPU 板。本文將介紹如何在 TPU 配量上執行 PyTorch 程式碼。

建立 Cloud TPU 節點

  1. 定義一些環境變數，方便使用指令。

    export PROJECT_ID=your-project-id
export TPU_NAME=your-tpu-name
export ZONE=europe-west4-b
export ACCELERATOR_TYPE=v5p-32
export RUNTIME_VERSION=v2-alpha-tpuv5

    環境變數說明

    變數 說明
    PROJECT_ID 您的 Google Cloud 專案 ID。使用現有專案或建立新專案。
    TPU_NAME TPU 的名稱。
    ZONE 要建立 TPU VM 的區域。如要進一步瞭解支援的區域，請參閱 TPU 區域和區域。
    ACCELERATOR_TYPE 加速器類型會指定您要建立的 Cloud TPU 版本和大小。如要進一步瞭解各個 TPU 版本支援的加速器類型，請參閱「TPU 版本」。
    RUNTIME_VERSION Cloud TPU 軟體版本。

  2. 執行下列指令，建立 TPU VM：

    $ gcloud compute tpus tpu-vm create ${TPU_NAME} \
    --zone=${ZONE} \
    --project=${PROJECT_ID} \
    --accelerator-type=${ACCELERATOR_TYPE} \
    --version=${RUNTIME_VERSION}

在 Slice 上安裝 PyTorch/XLA

建立 TPU 配量後，您必須在 TPU 配量中的所有主機上安裝 PyTorch。如要執行這項操作，請使用 gcloud compute tpus tpu-vm ssh 指令，並搭配 --worker=all 和 --commamnd 參數。

如果下列指令因 SSH 連線錯誤而失敗，可能是因為 TPU VM 沒有外部 IP 位址。如要存取沒有外部 IP 位址的 TPU VM，請按照「連線至沒有公開 IP 位址的 TPU VM」一文中的操作說明進行。

  1. 在所有 TPU VM 工作站上安裝 PyTorch/XLA：

    gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
    --zone=${ZONE} \
    --project=${PROJECT_ID} \
    --worker=all \
    --command="pip install torch~=2.5.0 torch_xla[tpu]~=2.5.0 torchvision -f https://storage.googleapis.com/libtpu-releases/index.html"

  2. 在所有 TPU VM 工作站上複製 XLA：

    gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
    --zone=${ZONE} \
    --project=${PROJECT_ID} \
    --worker=all \
    --command="git clone https://github.com/pytorch/xla.git"

在 TPU 節點上執行訓練指令碼

在所有工作人員上執行訓練指令碼。訓練指令碼會使用單一程式多重資料 (SPMD) 分片策略。如要進一步瞭解 SPMD，請參閱 PyTorch/XLA SPMD 使用指南。

gcloud compute tpus tpu-vm ssh ${TPU_NAME} \
   --zone=${ZONE} \
   --project=${PROJECT_ID} \
   --worker=all \
   --command="PJRT_DEVICE=TPU python3 ~/xla/test/spmd/test_train_spmd_imagenet.py  \
   --fake_data \
   --model=resnet50  \
   --num_epochs=1 2>&1 | tee ~/logs.txt"

訓練過程約需 15 分鐘，完成後，您應該會看到類似下方的訊息：

Epoch 1 test end 23:49:15, Accuracy=100.00
     10.164.0.11 [0] Max Accuracy: 100.00%

清除所用資源

使用完 TPU VM 後，請按照下列步驟清除資源。

  1. 如果尚未中斷與 Cloud TPU 執行個體的連線，請中斷連線：

    (vm)$ exit

    系統現在顯示的提示訊息應為 username@projectname，代表您位於 Cloud Shell。

  2. 刪除 Cloud TPU 資源。

    $ gcloud compute tpus tpu-vm delete  \
    --zone=${ZONE}

  3. 執行 gcloud compute tpus tpu-vm list，確認資源已刪除。刪除作業可能需要幾分鐘才能完成。下列指令的輸出內容不應包含本教學課程中建立的任何資源：

    $ gcloud compute tpus tpu-vm list --zone=${ZONE}