Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

使用 TPU v6e 訓練模型

本文將逐步說明如何在 Cloud TPU v6e (又稱 Trillium) 上訓練模型，包括環境設定、效能最佳化，以及使用 JAX 和 PyTorch/XLA 的實用訓練範例。

TPU v6e (又稱 Trillium) 是 Google 第 6 代 TPU，在所有技術介面 (例如 API 和記錄) 和本文件中，Trillium 都會稱為 v6e。每個 Pod 都有 256 個晶片，因此 TPU v6e 的架構與 v5e 有許多相似之處。TPU v6e 經過最佳化，適用於 Transformer、文字轉圖像和卷積類神經網路 (CNN) 的訓練、微調與推出。如要進一步瞭解 TPU v6e 系統架構和設定，請參閱 TPU v6e。

如要瞭解如何在 Cloud TPU v6e 上執行推論作業，請參閱下列教學課程：

事前準備

開始前，請先完成下列事項：

建立 Google Cloud 帳戶和專案並啟用計費功能
安裝 Google Cloud CLI Alpha 版元件
啟用 Cloud TPU API
建立 Cloud TPU 服務代理
建立 Cloud TPU 服務帳戶並授予權限

詳情請參閱「設定 Cloud TPU 環境」。

確認配額和權限

確認專案具有下列配額：

TPU v6e 先占或隨選配額
IP 位址配額
Hyperdisk Balanced 的配額，以及您想使用的任何其他磁碟類型

注意： v6e 支援 Hyperdisk Balanced 和 Hyperdisk ML，但不支援永久磁碟 (PD)。詳情請參閱「Cloud TPU 資料的儲存空間選項」。

如果您使用 Google Kubernetes Engine (GKE) 和 XPK (加速處理套件)，則需要在 Google Cloud 控制台中取得額外權限。詳情請參閱「 Google Cloud 控制台需要的權限」。

佈建選項

您可以使用下列方法佈建及管理 TPU v6e：

GKE：您可以透過 GKE 佈建及管理 TPU，做為容器化機器學習工作負載的加速器集區。詳情請參閱「GKE 中的 TPU 簡介」。
GKE 和 XPK：XPK 是一項指令列工具，可簡化在 GKE 上建立叢集和執行工作負載的作業。這項服務專為機器學習從業人員設計，可讓他們佈建 TPU 並執行訓練作業，不必具備深厚的 Kubernetes 專業知識。詳情請參閱 XPK GitHub 存放區。
Cloud TPU 佇列資源：您可以要求佇列資源，在 TPU 容量可用時進行佈建。非常適合批次工作和容錯工作負載，這類工作可以排隊等待。你可以為要求指定時間範圍。詳情請參閱「管理佇列資源」。

透過 GKE 和 XPK 佈建 v6e TPU

如果您使用 GKE 和 v6e TPU，可以透過 Kubernetes 指令或 XPK 佈建 TPU，並訓練或提供模型。如要進一步瞭解如何搭配使用 GKE 和 TPU，請參閱「GKE 中的 TPU 簡介」。

Cloud TPU v6e 支援網路介面卡 (NIC) 設定，可讓您跨多個網路擴充輸送量。以下各節提供指令，說明如何使用 XPK 建立支援單一 NIC 或多個 NIC 的 GKE 叢集。對於大多數單一分片工作負載，單一 NIC 可提供足夠效能，且設定較少。對於 Multislice 工作負載和需要高資料擷取速度的工作負載，請使用多個 NIC。

使用 XPK 建立支援單一 NIC 的叢集

對於大多數單一分片工作負載，單一 NIC 提供的效能已足夠，且設定較少。對於 Multislice 工作負載和需要高資料擷取速度的工作負載，請使用多個 NIC。

下列各節說明如何使用 XPK 建立支援單一 NIC 的 GKE 叢集。

安裝 XPK 並設定環境變數

安裝 XPK。請按照 XPK GitHub 存放區中的操作說明進行。
為叢集設定環境變數：
```
export CLUSTER_NAME=XPK_CLUSTER_NAME
export ZONE=us-east1-d
export PROJECT_ID=PROJECT_ID
export ACCELERATOR_TYPE=ACCELERATOR_TYPE
export NUM_SLICES=1
```
請設定下列環境變數：
- CLUSTER_NAME：叢集名稱。
- ZONE：要建立 TPU 叢集的可用區。如要進一步瞭解支援的區域，請參閱「地區和區域」。
- PROJECT_ID： Google Cloud 專案 ID。
- ACCELERATOR_TYPE：TPU 類型 (也稱為加速器類型) 會指定要建立的 Cloud TPU 版本和大小。例如：v6e-256。如要進一步瞭解各 TPU 版本支援的加速器類型，請參閱「TPU 版本」。
- NUM_SLICES：叢集的 TPU 節點數量。每個切片都有 ACCELERATOR_TYPE 中指定的晶片數量。如果是單一切片叢集，請將 NUM_SLICES 設為 1。如果是 Multislice 叢集，請根據工作負載的可擴充性需求指定切片數量。叢集中的晶片總數是 ACCELERATOR_TYPE 中的晶片數乘以 NUM_SLICES。

建立叢集

請選擇下列其中一個選項來建立叢集。建議使用 MTU 為 8,896 的自訂網路，以獲得最佳效能。詳情請參閱「設定 MTU」。

自訂網路

如要建立 MTU 為 8,896 的自訂網路，並用於叢集，請按照下列步驟操作：

為網路和防火牆名稱設定環境變數：
```
export NETWORK_NAME=NETWORK_NAME
export NETWORK_FW_NAME=FIREWALL_NAME
```
更改下列內容：
- NETWORK_NAME：網路名稱。
- FIREWALL_NAME：網路防火牆規則的名稱。

建立 MTU 為 8,896 的自訂網路：

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

建立防火牆規則，允許網路上的 TCP、ICMP 和 UDP 流量：

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

為 XPK 叢集引數設定環境變數，以使用您建立的網路：

export CLUSTER_ARGUMENTS="--network=${NETWORK_NAME} --subnetwork=${NETWORK_NAME}"

建立 XPK 叢集。下列指令會佈建隨需容量：

xpk cluster create --cluster=${CLUSTER_NAME} \
    --cluster-cpu-machine-type=e2-standard-8 \
    --num-slices=${NUM_SLICES} \
    --tpu-type=${ACCELERATOR_TYPE} \
    --zone=${ZONE} \
    --project=${PROJECT_ID} \
    --on-demand \
    --custom-cluster-arguments="${CLUSTER_ARGUMENTS}"

如要使用預留容量，請將 --on-demand 替換為 --reservation=RESERVATION_NAME。如要使用 TPU Spot VM，請將 --on-demand 替換為 --spot。

預設網路

如果您不需要高 MTU 網路，可以建立使用預設虛擬私有雲網路的叢集。下列指令會佈建隨需容量：

xpk cluster create --cluster=${CLUSTER_NAME} \
    --cluster-cpu-machine-type=e2-standard-8 \
    --num-slices=${NUM_SLICES} \
    --tpu-type=${ACCELERATOR_TYPE} \
    --zone=${ZONE} \
    --project=${PROJECT_ID} \
    --on-demand

如要使用預留容量，請將 --on-demand 替換為 --reservation=RESERVATION_NAME。如要使用 TPU Spot VM，請將 --on-demand 替換為 --spot。

使用 XPK 建立支援多重 NIC 的叢集

對於需要高網路頻寬的 Multislice 工作負載或其他工作負載 (例如資料擷取)，您可以使用多個 NIC 來提升效能。使用多個 NIC 時，每個 TPU VM 都會分配到額外的網路介面，每個介面都會連線至專屬的虛擬私有雲網路，進而提升整體網路輸送量。對於大多數單一分片工作負載，單一 NIC 可提供足夠效能，且設定較少。

下列各節說明如何使用 XPK 建立支援多重 NIC 的 GKE 叢集。

安裝 XPK 並設定環境變數

安裝 XPK。請按照 XPK GitHub 存放區中的操作說明進行。
為叢集和主要網路設定環境變數：
```
export CLUSTER_NAME=XPK_CLUSTER_NAME
export REGION=REGION
export ZONE=us-east1-d
export PROJECT_ID=PROJECT_ID
export ACCELERATOR_TYPE=ACCELERATOR_TYPE
export NUM_SLICES=2

export NETWORK_NAME_1=${CLUSTER_NAME}-mtu9k-1-${ZONE}
export SUBNET_NAME_1=${CLUSTER_NAME}-privatesubnet-1-${ZONE}
export FIREWALL_RULE_NAME_1=${CLUSTER_NAME}-privatefirewall-1-${ZONE}
export ROUTER_NAME_1=${CLUSTER_NAME}-network-1-${ZONE}
export NAT_CONFIG_1=${CLUSTER_NAME}-natconfig-1-${ZONE}

export NETWORK_NAME_2=${CLUSTER_NAME}-mtu9k-2-${ZONE}
export SUBNET_NAME_2=${CLUSTER_NAME}-privatesubnet-2-${ZONE}
export FIREWALL_RULE_NAME_2=${CLUSTER_NAME}-privatefirewall-2-${ZONE}
export ROUTER_NAME_2=${CLUSTER_NAME}-network-2-${ZONE}
export NAT_CONFIG_2=${CLUSTER_NAME}-natconfig-2-${ZONE}
```
請設定下列環境變數：
- CLUSTER_NAME：叢集名稱。
- REGION：要建立 TPU 叢集的區域。
- ZONE：要建立 TPU 叢集的可用區。如要進一步瞭解支援的區域，請參閱「地區和區域」。
- PROJECT_ID： Google Cloud 專案 ID。
- ACCELERATOR_TYPE：加速器類型會指定您要建立的 Cloud TPU 版本和大小。例如，v6e-256。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」。
- NUM_SLICES：叢集的 TPU 節點數量。每個切片都有 ACCELERATOR_TYPE 中指定的晶片數量。如果是單一切片叢集，請將 NUM_SLICES 設為 1。如果是 Multislice 叢集，請根據工作負載的可擴充性需求指定切片數量。叢集中的晶片總數是 ACCELERATOR_TYPE 中的晶片數乘以 NUM_SLICES。

建立主要網路資源

建立最大傳輸單位 (MTU) 為 8,896 的主要網路：

gcloud compute networks create ${NETWORK_NAME_1} \
    --mtu=8896 \
    --bgp-routing-mode=regional \
    --subnet-mode=custom \
    --project=${PROJECT_ID}

使用 MTU 為 8,896 的自訂網路可提升效能。詳情請參閱「設定 MTU」。

建立主要子網路：

gcloud compute networks subnets create ${SUBNET_NAME_1} \
    --network=${NETWORK_NAME_1} \
    --range=10.11.0.0/18 \
    --region=${REGION} \
    --project=${PROJECT_ID}

為主要網路建立防火牆規則，允許主要網路上的 tcp、icmp 和 udp 流量：

gcloud compute firewall-rules create ${FIREWALL_RULE_NAME_1} \
    --network=${NETWORK_NAME_1} \
    --allow tcp,icmp,udp \
    --project=${PROJECT_ID}

為主要網路建立 Cloud Router：

gcloud compute routers create ${ROUTER_NAME_1} \
    --project=${PROJECT_ID} \
    --network=${NETWORK_NAME_1} \
    --region=${REGION}

為主要網路設定 NAT。下列指令可讓叢集流量連上網際網路：

gcloud compute routers nats create ${NAT_CONFIG_1} \
    --router=${ROUTER_NAME_1} \
    --region=${REGION} \
    --auto-allocate-nat-external-ips \
    --nat-all-subnet-ip-ranges \
    --project=${PROJECT_ID} \
    --enable-logging

建立次要網路資源

建立次要網路：

gcloud compute networks create ${NETWORK_NAME_2} --mtu=8896 \
    --bgp-routing-mode=regional \
    --subnet-mode=custom \
    --project=${PROJECT_ID}

為次要網路建立子網路：

gcloud compute networks subnets create ${SUBNET_NAME_2} \
    --network=${NETWORK_NAME_2} \
    --range=10.10.0.0/18 \
    --region=${REGION} \
    --project=${PROJECT_ID}

建立防火牆規則，允許新網路中的流量：

gcloud compute firewall-rules create ${FIREWALL_RULE_NAME_2} \
    --network=${NETWORK_NAME_2} \
    --allow tcp,icmp,udp \
    --source-ranges 10.10.0.0/18 \
    --project=${PROJECT_ID}

為次要網路建立 Cloud Router：

gcloud compute routers create ${ROUTER_NAME_2} \
    --project=${PROJECT_ID} \
    --network=${NETWORK_NAME_2} \
    --region=${REGION}

為 Cloud Router 建立 NAT 設定：

gcloud compute routers nats create ${NAT_CONFIG_2} \
    --router=${ROUTER_NAME_2} \
    --region=${REGION} \
    --auto-allocate-nat-external-ips \
    --nat-all-subnet-ip-ranges \
    --project=${PROJECT_ID} \
    --enable-logging

建立叢集

為叢集和節點集區引數設定環境變數，以使用您建立的網路和子網路：

export CLUSTER_ARGUMENTS="--enable-dataplane-v2 --enable-ip-alias --enable-multi-networking --network=${NETWORK_NAME_1} --subnetwork=${SUBNET_NAME_1}"
export NODE_POOL_ARGUMENTS="--additional-node-network network=${NETWORK_NAME_2},subnetwork=${SUBNET_NAME_2}"

這些引數會將叢集設定為使用您建立的兩個網路，以支援多重 NIC。

建立叢集。下列指令會佈建隨需容量：
```
xpk cluster create \
    --cluster=${CLUSTER_NAME} \
    --cluster-cpu-machine-type=e2-standard-8 \
    --num-slices=${NUM_SLICES} \
    --tpu-type=${ACCELERATOR_TYPE} \
    --zone=${ZONE}  \
    --project=${PROJECT_ID} \
    --on-demand \
    --custom-cluster-arguments="${CLUSTER_ARGUMENTS}" \
    --custom-nodepool-arguments="${NODE_POOL_ARGUMENTS}" \
    --create-vertex-tensorboard
```
如要使用預留容量，請將 --on-demand 替換為 --reservation=RESERVATION_NAME。如要使用 TPU Spot VM，請將 --on-demand 替換為 --spot。

注意： --cluster-cpu-machine-type 旗標會指定叢集中 CPU 主機 VM 的機型。雖然 e2-standard-8 是許多工作負載的建議預設值，但如果工作負載對資料前處理等工作有特定的 CPU 或記憶體需求，您可以選取其他機型。

驗證多 NIC 設定

建立支援多個 NIC 的叢集後，您可以建立 XPK 工作負載並新增 --command ifconfig 旗標，驗證兩個 NIC 是否都正在使用中。

使用下列指令，在Google Cloud 控制台記錄中顯示 ifconfig 指令的輸出內容。您必須指定 --base-docker-image maxtext_base_image 旗標來使用 MaxText 基礎映像檔 (如下列範例所示)，或指定 --docker-image 旗標和要使用的映像檔。

xpk workload create \
    --cluster ${CLUSTER_NAME} \
    --base-docker-image maxtext_base_image \
    --workload=${USER}-xpk-${ACCELERATOR_TYPE}-${NUM_SLICES} \
    --tpu-type=${ACCELERATOR_TYPE} \
    --num-slices=${NUM_SLICES}  \
    --on-demand \
    --zone=${ZONE} \
    --project=${PROJECT_ID} \
    --command "ifconfig"

如要啟用偵錯記錄或使用 Vertex AI TensorBoard，請在指令中加入下列選用引數：

--enable-debug-logs \
--use-vertex-tensorboard

在 Google Cloud 控制台記錄中檢查 XPK 工作負載的輸出內容，確認 eth0 和 eth1 的 MTU 都設為 8,896。

設定 JAX 或 PyTorch

下列資源說明如何根據您使用的佈建和管理方法，在 TPU 上設定 JAX 或 PyTorch：

GKE Autopilot：準備 TPU 應用程式
GKE Standard：準備工作負載
GKE 和 XPK：XPK README
使用 JAX 的單一主機 Cloud TPU：使用 JAX 在 Cloud TPU VM 上執行計算
使用 JAX 的多主機 Cloud TPU：在 TPU 配量上執行 JAX 程式碼
使用 PyTorch 的單一主機 Cloud TPU：使用 PyTorch 在 Cloud TPU VM 上執行計算
使用 PyTorch 的多主機 Cloud TPU：在 TPU 配量上執行 PyTorch 程式碼

如要使用 MaxText 設定及執行 XPK，請參閱「使用 XPK 大規模執行 MaxText 」。

改善 TCP 設定

如果您使用佇列資源佈建 v6e TPU，可以執行下列指令來提高 TCP 接收緩衝區限制，進而提升網路效能。

gcloud alpha compute tpus queued-resources ssh "${QUEUED_RESOURCE_ID}" \
    --project "${PROJECT_ID}" \
    --zone "${ZONE}" \
    --node=all \
    --worker=all \
    --command='
    sudo sh -c "echo \"4096 41943040 314572800\" > /proc/sys/net/ipv4/tcp_rmem"'

使用 SkyPilot

您可以搭配 SkyPilot 使用 Cloud TPU v6e。SkyPilot 是開放原始碼架構，可簡化執行、管理及調度 AI 工作負載的程序。你可以在 SkyPilot 中新增 v6e 相關位置和定價資訊。詳情請參閱 SkyPilot TPU v6e 範例。

訓練範例

下列各節提供在 Cloud TPU v6e 上訓練 MaxText、MaxDiffusion 和 PyTorch 模型的範例。

這些範例已使用下列軟體版本測試：

Python 3.10 以上版本
夜間軟體版本：
- 每晚 JAX 0.4.32.dev20240912
- 每晚 LibTPU 0.1.dev20240912+nightly
穩定版軟體：
- JAX + JAX Lib of v0.4.37

在 Cloud TPU v6e 上訓練 MaxText 和 MaxDiffusion

以下各節將說明 MaxText 和 MaxDiffusion 模型的訓練生命週期。

一般來說，高階步驟如下：

建構工作負載基本映像檔。
使用 XPK 執行工作負載。
1. 為工作負載建構訓練指令。
2. 部署工作負載。
追蹤工作負載並查看指標。
如不需要，請刪除 XPK 工作負載。
不再需要叢集時，請將其刪除。

建構基本映像檔

安裝 MaxText 或 MaxDiffusion，並建構 Docker 映像檔：

複製要使用的存放區，然後變更為存放區的目錄：

MaxText：

git clone https://github.com/google/maxtext.git
cd maxtext
git checkout maxtext-v0.2.0

MaxDiffusion：

git clone https://github.com/google/maxdiffusion.git && cd maxdiffusion && git checkout 4a8155ec0129512812b31930f0a91c6d5a141103

將 Docker 設為使用 Google Cloud CLI：
```
gcloud auth configure-docker
```

使用下列指令或 JAX AI 圖片建構 Docker 映像檔。如要進一步瞭解 JAX AI 圖片，請參閱「JAX AI 圖片」。

MaxText：

bash dependencies/scripts/docker_build_dependency_image.sh MODE=stable

MaxDiffusion：

bash .github/workflows/build_and_upload_images.sh CLOUD_IMAGE_NAME=maxdiffusion_jax_stable_stack MODE=jax_ai_image PROJECT=${PROJECT_ID} LOCAL_IMAGE_NAME=maxdiffusion_jax_stable_stack BASEIMAGE=us-docker.pkg.dev/cloud-tpu-images/jax-ai-image/tpu:latest

在有效的 gcloud CLI 設定中設定專案 ID：
```
gcloud config set project ${PROJECT_ID}
```
如果從沒有在本機建構映像檔的機器啟動工作負載，請上傳映像檔。

注意： 請確認您使用的是 bash 4.2 以上版本。
1. 設定 CLOUD_IMAGE_NAME 環境變數：
```
export CLOUD_IMAGE_NAME=${USER}_runner
```
2. 上傳圖片：
```
bash dependencies/scripts/docker_upload_runner.sh ${CLOUD_IMAGE_NAME}
```

使用 XPK 執行工作負載

如未使用 MaxText 設定的預設值或 MaxDiffusion，請設定下列環境變數：

export BASE_OUTPUT_DIR=gs://YOUR_BUCKET
export PER_DEVICE_BATCH_SIZE=2
export NUM_STEPS=30
export MAX_TARGET_LENGTH=8192

建構模型指令碼。這個指令碼會在後續步驟中複製為訓練指令。

請先不要執行模型指令碼。

MaxText

MaxText 是以純 Python 和 JAX 編寫的開放原始碼 LLM，具備高效能和高擴充性，適用於 Google Cloud TPU 和 GPU，可進行訓練和推論。

JAX_PLATFORMS=tpu,cpu \
ENABLE_PJRT_COMPATIBILITY=true \
TPU_SLICE_BUILDER_DUMP_CHIP_FORCE=true \
TPU_SLICE_BUILDER_DUMP_ICI=true && \
python3 -m maxtext.trainers.pre_train.train src/maxtext/configs/base.yml \
     base_output_directory=${BASE_OUTPUT_DIR} \
     dataset_type=synthetic \
     per_device_batch_size=${PER_DEVICE_BATCH_SIZE} \
     enable_checkpointing=false \
     gcs_metrics=true \
     profiler=xplane \
     skip_first_n_steps_for_profiler=5 \
     steps=${NUM_STEPS}  # attention='dot_product'"

Gemma2

Gemma 是 Google DeepMind 開發的開放權重 LLM 系列，以 Gemini 研究和技術為基礎。

python3 -m maxtext.trainers.pre_train.train src/maxtext/configs/base.yml \
    model_name=gemma2-27b \
    run_name=gemma2-27b-run \
    base_output_directory=${BASE_OUTPUT_DIR} \
    max_target_length=${MAX_TARGET_LENGTH} \
    per_device_batch_size=${PER_DEVICE_BATCH_SIZE} \
    steps=${NUM_STEPS} \
    enable_checkpointing=false \
    use_iota_embed=true \
    gcs_metrics=true \
    dataset_type=synthetic \
    profiler=xplane \
    attention=flash

Mixtral 8x7b

Mixtral 是由 Mistral AI 開發的頂尖 AI 模型，採用稀疏混合專家 (MoE) 架構。

python3 -m maxtext.trainers.pre_train.train src/maxtext/configs/base.yml \
    base_output_directory=${BASE_OUTPUT_DIR} \
    per_device_batch_size=${PER_DEVICE_BATCH_SIZE} \
    model_name=mixtral-8x7b \
    steps=${NUM_STEPS} \
    max_target_length=${MAX_TARGET_LENGTH} \
    tokenizer_path=assets/tokenizer.mistral-v1 \
    attention=flash \
    dtype=bfloat16 \
    dataset_type=synthetic \
    profiler=xplane

Llama3-8b

Llama 是 Meta 開發的一系列開放權重 LLM。

如需瞭解如何在 PyTorch 上執行 Llama3，請參閱 torchprime 存放區中的 torch_xla 模型。

MaxDiffusion

MaxDiffusion 是一系列以純 Python 和 JAX 編寫的各種潛在擴散模型參考實作，可在 XLA 裝置上執行，包括 Cloud TPU 和 GPU。Stable Diffusion 是潛在文字轉圖像模型，可根據任何文字輸入生成逼真的圖像。

您需要安裝特定 Git 分支，才能執行 MaxDiffusion，如下列訓練指令碼所示。

git clone https://github.com/google/maxdiffusion.git
&& cd maxdiffusion
&& git checkout 4a8155ec0129512812b31930f0a91c6d5a141103
&& pip install -r requirements.txt && pip install .
&& pip install huggingface_hub==0.30.2 && OUT_DIR=${BASE_OUTPUT_DIR}
&& python src/maxdiffusion/train_sdxl.py \
    src/maxdiffusion/configs/base_xl.yml \
    revision=refs/pr/95 \
    activations_dtype=bfloat16 \
    weights_dtype=bfloat16 \
    resolution=1024 \
    per_device_batch_size=1 \
    output_dir=${OUT_DIR} \
    jax_cache_dir=${OUT_DIR}/cache_dir/ \
    max_train_steps=200 \
    attention=flash \
    run_name=sdxl-ddp-v6e

匯出下列變數：
```
export CLUSTER_NAME=CLUSTER_NAME
export ACCELERATOR_TYPE=ACCELERATOR_TYPE
export NUM_SLICES=NUM_SLICES
export YOUR_MODEL_SCRIPT=YOUR_MODEL_SCRIPT
```
環境變數說明
- CLUSTER_NAME：叢集名稱。
- 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」。
- NUM_SLICES：TPU 配量數量。
- YOUR_MODEL_SCRIPT：要以訓練指令執行的模型指令碼。
使用上一步建立的指令碼執行模型。您必須指定 --base-docker-image 旗標來使用 MaxText 基本映像檔，或是指定 --docker-image 旗標和要使用的映像檔。

您可以選擇新增下列選用旗標：
- 如要啟用偵錯記錄功能，請加入 --enable-debug-logs 旗標。詳情請參閱「在 MaxText 上偵錯 JAX」。
- 您可以建立 Vertex AI 實驗，方法是加入 --use-vertex-tensorboard 標記，將資料上傳至 Vertex AI TensorBoard。詳情請參閱「使用 Vertex AI 監控 MaxText 上的 JAX」。
```
xpk workload create \
  --cluster ${CLUSTER_NAME} \
  {--base-docker-image maxtext_base_image | --docker-image gcr.io/${PROJECT_ID}/${CLOUD_IMAGE_NAME}:latest} \
  --workload=${USER}-xpk-${ACCELERATOR_TYPE}-${NUM_SLICES} \
  --tpu-type=${ACCELERATOR_TYPE} \
  --num-slices=${NUM_SLICES}  \
  --on-demand \
  --zone=${ZONE} \
  --project=${PROJECT_ID} \
  --command="${YOUR_MODEL_SCRIPT}"
```
輸出內容包含追蹤工作負載的連結。開啟連結並點選「記錄」分頁，即可即時追蹤工作負載。

在 MaxText 上偵錯 JAX

使用補充 XPK 指令，診斷叢集或工作負載無法執行的原因：

XPK 工作負載清單
XPK 檢查器
建立 XPK 工作負載時，使用 --enable-debug-logs 旗標在工作負載記錄中啟用詳細記錄

使用 Vertex AI 監控 MaxText 上的 JAX

如要使用 TensorBoard，您的 Google Cloud 使用者帳戶必須具備aiplatform.user角色。執行下列指令來授予這個角色：

gcloud projects add-iam-policy-binding your-project-id \
   --member='user:your-email' \
   --role='roles/aiplatform.user'

透過 Vertex AI 管理的 TensorBoard 查看純量和設定檔資料。

將您使用的區域資源管理 (CRUD) 要求數從 600 提高至 5000。如果小型工作負載使用的 VM 不超過 16 個，可能不會有問題。

安裝 Vertex AI 的依附元件，例如 cloud-accelerator-diagnostics：

# xpk dependencies will install cloud-accelerator-diagnostics for Vertex AI
cd ~/xpk
pip install .

如「建立 Vertex AI TensorBoard」一文所述，使用 --create-vertex-tensorboard 旗標建立叢集。您也可以在現有叢集上執行這項指令。
使用 --use-vertex-tensorboard 旗標和選用的 --experiment-name 旗標執行 XPK 工作負載時，請建立 Vertex AI 實驗。如需完整步驟清單，請參閱「建立 Vertex AI 實驗，將資料上傳至 Vertex AI TensorBoard」。

記錄會包含 Vertex AI TensorBoard 的連結，類似於下列連結：

View your TensorBoard at https://us-central1.tensorboard.googleusercontent.com/experiment/project_id+locations+us-central1+tensorboards+hash+experiments+name

您也可以在 Google Cloud 控制台中找到 Vertex AI TensorBoard 連結。前往 Google Cloud 控制台中的 Vertex AI Experiments。從下拉式選單中選取適當的區域。

TensorBoard 目錄也會寫入您以 ${BASE_OUTPUT_DIR} 指定的 Cloud Storage bucket。

刪除 XPK 工作負載

使用 xpk workload delete 指令，根據工作前置字元或工作狀態刪除一或多個工作負載。如果您傳送了不再需要執行的 XPK 工作負載，或是工作停滯在佇列中，這個指令就非常實用。

刪除叢集

使用 xpk cluster delete 指令刪除叢集：

xpk cluster delete --cluster ${CLUSTER_NAME} \
    --zone=${ZONE} --project=${PROJECT_ID}

MaxDiffusion 基準化結果

我們在 v6e-4、v6e-16 和兩個 v6e-16 上執行 MaxDiffusion 的訓練指令碼。下表顯示測得的處理量。

	v6e-4	v6e-16	兩個 v6e-16
訓練步驟	0.069	0.073	0.13
全域批量大小	8	32	64
處理量 (樣本/秒)	115.9	438.4	492.3

在 Cloud TPU v6e 上使用 PyTorch/XLA 訓練 Llama 模型

本節說明如何使用 PyTorch/XLA 在 Cloud TPU v6e 上，透過 WikiText 資料集訓練 Llama 模型。

存取 Hugging Face 和 Llama 3 模型

您需要 Hugging Face 使用者存取權杖才能執行這個範例。如要瞭解如何建立使用者存取權杖，請參閱 Hugging Face 使用者存取權杖說明文件。

此外，您也需要取得在 Hugging Face 存取 Llama-3-8B 模型的權限。如要取得存取權，請前往 HuggingFace 上的 Meta-Llama-3-8B 模型，然後申請存取權。

建立 Cloud TPU VM

在本範例中，請建立具有 8 個晶片的 Cloud TPU v6e。

設定環境變數：
```
export PROJECT_ID=your-project-id
export TPU_NAME=your-tpu-name
export ZONE=us-east1-d
export ACCELERATOR_TYPE=v6e-8
export RUNTIME_VERSION=v2-alpha-tpuv6e
```
環境變數說明
- 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 的可用區。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。

建立 Cloud TPU VM：

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

安裝

安裝 Hugging Face Transformers 的 pytorch-tpu/transformers fork 和依附元件。這個範例已使用下列依附元件版本進行測試：

torch：與 2.5.0 相容
torch_xla[tpu]：與 2.5.0 相容
jax：0.4.33
jaxlib：0.4.33

gcloud alpha compute tpus tpu-vm ssh ${TPU_NAME} \
   --project=${PROJECT_ID} \
   --zone ${ZONE} \
   --worker=all \
   --command='git clone -b flash_attention https://github.com/pytorch-tpu/transformers.git
   cd transformers
   sudo pip3 install -e .
   pip3 install datasets
   pip3 install evaluate
   pip3 install scikit-learn
   pip3 install accelerate
   pip install torch~=2.6.0 torch_xla[tpu]~=2.6.0 -f https://storage.googleapis.com/libtpu-releases/index.html -f https://storage.googleapis.com/libtpu-wheels/index.html
   pip install jax==0.4.38 jaxlib==0.4.38 -i https://us-python.pkg.dev/ml-oss-artifacts-published/jax/simple/'

設定模型設定檔

下一節的訓練指令「執行模型」會使用兩個 JSON 設定檔，定義模型參數和完全分片資料平行 (FSDP) 設定。透過 FSDP 分片，您可以在訓練時使用較大的批量，方法是將模型權重分散到多個 TPU。使用較小的模型訓練時，可能只要使用資料平行處理，並在每部裝置上複製權重即可。如要進一步瞭解如何在 PyTorch/XLA 中跨裝置分片張量，請參閱 PyTorch/XLA SPMD 使用指南。

建立模型參數設定檔。以下是 Llama-3-8B 的模型參數設定。如為其他模型，請在 Hugging Face 上尋找設定檔。舉例來說，請參閱 Llama-2-7B 設定。

cat > llama-config.json << EOF
{
  "architectures": [
    "LlamaForCausalLM"
  ],
  "attention_bias": false,
  "attention_dropout": 0.0,
  "bos_token_id": 128000,
  "eos_token_id": 128001,
  "hidden_act": "silu",
  "hidden_size": 4096,
  "initializer_range": 0.02,
  "intermediate_size": 14336,
  "max_position_embeddings": 8192,
  "model_type": "llama",
  "num_attention_heads": 32,
  "num_hidden_layers": 32,
  "num_key_value_heads": 8,
  "pretraining_tp": 1,
  "rms_norm_eps": 1e-05,
  "rope_scaling": null,
  "rope_theta": 500000.0,
  "tie_word_embeddings": false,
  "torch_dtype": "bfloat16",
  "transformers_version": "4.40.0.dev0",
  "use_cache": false,
  "vocab_size": 128256
}
EOF

建立 FSDP 設定檔：

cat > fsdp-config.json << EOF
{
  "fsdp_transformer_layer_cls_to_wrap": [
    "LlamaDecoderLayer"
  ],
  "xla": true,
  "xla_fsdp_v2": true,
  "xla_fsdp_grad_ckpt": true
}
EOF

如要進一步瞭解 FSDP，請參閱「使用 SPMD 的完全分片資料平行處理」。

使用下列指令，將設定檔上傳至 Cloud TPU VM：

gcloud alpha compute tpus tpu-vm scp llama-config.json fsdp-config.json ${TPU_NAME}:. \
   --worker=all \
   --project=${PROJECT_ID} \
   --zone=${ZONE}

執行模型

使用您在上節中建立的設定檔，執行 run_clm.py 指令碼，在 WikiText 資料集上訓練 Llama-3-8B 模型。訓練指令碼在 Cloud TPU v6e-8 上執行約需 10 分鐘。

在 Cloud TPU 上使用下列指令登入 Hugging Face：

gcloud alpha compute tpus tpu-vm ssh ${TPU_NAME} \
   --project=${PROJECT_ID} \
   --zone ${ZONE} \
   --worker=all \
   --command='
   pip3 install "huggingface_hub[cli]"
   huggingface-cli login --token HUGGING_FACE_TOKEN'

執行模型訓練：

gcloud alpha compute tpus tpu-vm ssh ${TPU_NAME} \
   --project=${PROJECT_ID} \
   --zone ${ZONE} \
   --worker=all \
   --command='
   export PJRT_DEVICE=TPU
   export XLA_USE_SPMD=1
   export ENABLE_PJRT_COMPATIBILITY=true
   # Optional variables for debugging:
   export XLA_IR_DEBUG=1
   export XLA_HLO_DEBUG=1
   export PROFILE_EPOCH=0
   export PROFILE_STEP=3
   export PROFILE_DURATION_MS=100000
   # Set PROFILE_LOGDIR to a local VM path or gs://my-bucket/profile_path
   export PROFILE_LOGDIR=PROFILE_PATH
   python3 transformers/examples/pytorch/language-modeling/run_clm.py \
     --dataset_name wikitext \
     --dataset_config_name wikitext-2-raw-v1 \
     --per_device_train_batch_size 16 \
     --do_train \
     --output_dir /home/$USER/tmp/test-clm \
     --overwrite_output_dir \
     --config_name /home/$USER/llama-config.json \
     --cache_dir /home/$USER/cache \
     --tokenizer_name meta-llama/Meta-Llama-3-8B \
     --block_size 8192 \
     --optim adafactor \
     --save_strategy no \
     --logging_strategy no \
     --fsdp "full_shard" \
     --fsdp_config /home/$USER/fsdp-config.json \
     --torch_dtype bfloat16 \
     --dataloader_drop_last yes \
     --flash_attention \
     --max_steps 20'

排解 PyTorch/XLA 相關問題

如果您在上一節中設定了用於偵錯的選用變數，模型的設定檔會儲存在變數 PROFILE_LOGDIR 指定的位置。您可以擷取儲存在這個位置的 xplane.pb 檔案，並使用 tensorboard 透過 TensorBoard 指示在瀏覽器中查看設定檔。

如果 PyTorch/XLA 未如預期運作，請參閱疑難排解指南，瞭解如何偵錯、分析及最佳化模型。

使用 TPU v6e 訓練模型

事前準備

確認配額和權限

佈建選項

透過 GKE 和 XPK 佈建 v6e TPU

使用 XPK 建立支援單一 NIC 的叢集

安裝 XPK 並設定環境變數

建立叢集

自訂網路

預設網路

使用 XPK 建立支援多重 NIC 的叢集

安裝 XPK 並設定環境變數

建立主要網路資源

建立次要網路資源

建立叢集

驗證多 NIC 設定

設定 JAX 或 PyTorch

改善 TCP 設定

使用 SkyPilot

訓練範例

在 Cloud TPU v6e 上訓練 MaxText 和 MaxDiffusion

建構基本映像檔

使用 XPK 執行工作負載

MaxText

Gemma2

Mixtral 8x7b

Llama3-8b

MaxDiffusion

環境變數說明

在 MaxText 上偵錯 JAX

使用 Vertex AI 監控 MaxText 上的 JAX

刪除 XPK 工作負載

刪除叢集

MaxDiffusion 基準化結果

在 Cloud TPU v6e 上使用 PyTorch/XLA 訓練 Llama 模型

存取 Hugging Face 和 Llama 3 模型

建立 Cloud TPU VM

環境變數說明

安裝

設定模型設定檔

執行模型

排解 PyTorch/XLA 相關問題