Et voi käyttää Pytorch -salamaa TPU: lla suoraan paikallisella koneellasi ilman lisäasetuksia. TPU: t ovat erikoistuneita laitteistoki Tästä syystä ja miten voit silti käyttää niitä:
1. Saatavuus ja asennus: TPU: t eivät ole tyypillisesti käytettävissä paikallisiin käyttöön. Niihin pääsee yleensä pilvipalvelujen, kuten Google Cloudin, kautta, jossa voit tarjota TPU -solmuja ja muodostaa yhteyden niihin pilviympäristöstä tai etäasetuksista, kuten Google Colab [2] [3].
2 Tämä asennus yksinkertaistaa prosessia, mutta vaatii silti pilviympäristön [1] [3].
3. Paikalliset vaihtoehdot: Jos haluat kouluttaa malleja paikallisesti, voit harkita GPU: n käyttöä, jotka ovat yleisemmin saatavilla paikallisille koneille. Pytorch Lightning tukee GPU -koulutusta, ja voit vaihtaa helposti eri kiihdyttimien välillä (esim. TPU: sta GPU: iin) säätämällä `Accelerator` -parametria" kouluttaja "-asetuksessasi.
TPU: n käyttämiseksi sinun täytyy tyypillisesti:
- Määritä Google Cloud -tili.
- Tarjoa TPU -solmu tai käytä Cloud TPU VM: tä.
- Asenna tarvittavat paketit, kuten Pytorch ja Pytorch XLA.
- Määritä ympäristösi muodostamaan yhteyden TPU: hon.
Ilman näitä vaiheita et voi käyttää TPU: ta paikallisessa koneessa. Voit kuitenkin helposti simuloida tai testata malliasi paikallisesti GPU: n tai CPU: n avulla ennen siirtymistä pilven TPU: iin.
Viittaukset:[1] https://pytorch-lightning.readthedocs.io/en/2.0.1/accelerators/tpu_termediate.html
.
[3] https://lighting.ai/docs/pytorch/1.5.9/advanced/tpu.html
.
[5] https://lighting.ai/docs/pytorch/2.0.2/accelerators/tpu_faq.html
.
[7] https://pytorch.org/xla/release/2.2/index.html
[8] https://github.com/lightning-ai/pytorch-lighting/discussions/9966
[9.