GPU で大規模な JAX モデルを最適化するには、パフォーマンスのボトルネックを詳細に把握する必要があります。このガイドでは、Google Cloud ML Diagnostics と XProf を使用して、GPU(NVIDIA L4 など)で JAX ワークロードを実行してプロファイリングするための包括的なエンドツーエンド(E2E)ワークフローについて説明します。これらのツールを活用することで、非効率的なオペレーションを特定し、コンピューティング リソースの使用量を最適化して、トレーニング実行を高速化できます。
このガイドでは、次の方法について説明します。
- プロファイリング用にシンプルな JAX トレーニング ループを計測します。
- 適切な CUDA サポートを使用してワークロードをコンテナ化します。
- JobSet を使用して Google Kubernetes Engine(GKE)にワークロードをデプロイします。
- パフォーマンス プロファイルを動的にキャプチャして可視化します。
前提条件
始める前に、次のものが揃っていることを確認してください。
- 課金を有効にした Google Cloud プロジェクト
- GPU サポート(NVIDIA L4 など)を備えた GKE クラスタ。
- プロファイルを保存する Google Cloud Storage(GCS)バケット。
gcloudCLI とkubectlCLI がインストールされ、構成されている。- GCS にアクセスするように構成された GKE クラスタの Workload Identity。
ステップ 1: JAX ワークロードを計測する
まず、JAX トレーニング スクリプト(train.py など)を作成します。google-cloud-mldiagnostics SDK を使用して、マネージド プロファイリング インフラストラクチャを操作します。
[!WARNING] 次のスクリプトには、オンデマンド プロファイリングのデモで GPU をビジー状態に保つための無限ループが含まれています。不要な課金が発生しないように、完了後にジョブを手動で停止するか、GKE リソースを削除してください。
import logging
import os
import time
from google_cloud_mldiagnostics import machinelearning_run
from google_cloud_mldiagnostics import xprof
import jax
import jax.numpy as jnp
import numpy as np
logging.basicConfig(level=logging.INFO)
def main():
logging.info("Starting JAX training job...")
# Coordinates multihost collective operations and healthchecks
jax.distributed.initialize()
logging.info(
f"JAX initialized: process_index={jax.process_index()}, "
f"process_count={jax.process_count()}"
)
# Syncs metadata with the mldiag hook & launches reverse proxy daemons
machinelearning_run(
name=f"jax-gpu-run-{int(time.time())}",
configs={"learning_rate": 1e-5, "batch_size": 8192},
project=os.environ.get("PROJECT_ID", "<your-project-id>"),
region=os.environ.get("REGION", "us-central1"),
gcs_path=os.environ.get("GCS_BUCKET", "gs://<your-gcs-bucket>"),
on_demand_xprof=True,
)
key = jax.random.PRNGKey(0)
size = 4096
matrix = jax.random.normal(key, (size, size), dtype=jnp.float32)
def train_step(x):
return jnp.dot(x, x)
train_step = jax.jit(train_step)
# Triggers XLA compilation ahead of tracing steps so compilation overhead isn't profiled
matrix = train_step(matrix)
matrix.block_until_ready() # Wait for compilation to complete.
prof = xprof()
prof.start(session_id="warmup_phase")
for _ in range(5):
matrix = train_step(matrix)
matrix.block_until_ready()
prof.stop()
logging.info("Programmatic profile capture complete.")
logging.info("Entering training loop. Ready for on-demand profiling...")
try:
while True:
# Continuously pump steps keeping GPUs occupied for on-demand capture triggers
matrix = train_step(matrix)
matrix.block_until_ready() # Ensure GPU work completes before next step.
time.sleep(0.5)
except KeyboardInterrupt:
logging.info("Training loop interrupted.")
if __name__ == "__main__":
main()
ステップ 2: コンテナ化(Dockerfile)
必要な CUDA 依存関係と ML Diagnostics SDK を使用して JAX スクリプトをパッケージ化する Dockerfile を作成します。
# Use an official NVIDIA CUDA base image compatible with JAX
FROM nvidia/cuda:13.2.1-cudnn-devel-ubuntu24.04
# Install Python, venv, and other OS dependencies
RUN apt-get update && apt-get install -y \
python3-pip \
python3-venv \
python3-dev \
git \
curl \
&& rm -rf /var/lib/apt/lists/*
# Set up a virtual environment and update PATH to use it implicitly
ENV VIRTUAL_ENV=/opt/venv
RUN python3 -m venv $VIRTUAL_ENV
ENV PATH="$VIRTUAL_ENV/bin:$PATH"
# At this point, pip and python implicitly map to the virtual env!
# No need for --break-system-packages.
# Upgrade pip inside the venv
RUN pip install --upgrade pip
# Install JAX with CUDA support
RUN pip install --upgrade "jax[cuda13]" -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html
# Install ML Diagnostics SDK and XProf tools
RUN pip install --no-cache-dir \
google-cloud-mldiagnostics \
xprof-nightly
WORKDIR /app
COPY train.py .
CMD ["python3", "train.py"]
イメージをビルドして Artifact Registry に push します。
docker build -t us-central1-docker.pkg.dev/<project-id>/<repo>/jax-gpu-workload:latest .
docker push us-central1-docker.pkg.dev/<project-id>/<repo>/jax-gpu-workload:latest
ステップ 3: Deployment(Kubernetes マニフェスト)
GKE JobSet または標準の Job を使用してワークロードをデプロイします。ML Diagnostics プラットフォームがメタデータを挿入してプロファイル リクエストを転送できるようにするには、ラベル managed-mldiagnostics-gke: "true" を適用します。ML Diagnostics 用の GKE の構成の詳細については、公式の GKE 設定ガイドをご覧ください。
apiVersion: jobset.x-k8s.io/v1alpha2
kind: JobSet
metadata:
name: jax-gpu-job
namespace: ai-workloads
labels:
managed-mldiagnostics-gke: "true"
spec:
replicatedJobs:
- name: gpu-nodes
replicas: 1
template:
spec:
parallelism: 1
completions: 1
backoffLimit: 0
template:
metadata:
labels:
managed-mldiagnostics-gke: "true"
spec:
# Must match the GKE Service Account with Workload Identity permissions
serviceAccountName: <your-service-account>
hostNetwork: true
dnsPolicy: ClusterFirstWithHostNet
nodeSelector:
cloud.google.com/gke-accelerator: nvidia-l4 # Or other GPU
containers:
- name: workload
image: us-central1-docker.pkg.dev/<project-id>/<repo>/jax-gpu-workload:latest
imagePullPolicy: Always
# Expose ports required for profile daemons
ports:
- containerPort: 8471 # JAX distributed coordinator port
- containerPort: 8080 # ML Diagnostics agent/proxy port
- containerPort: 9999 # XProf server port for on-demand profiling
resources:
limits:
nvidia.com/gpu: 1
次のようにマニフェストを適用します。
kubectl apply -f deploy.yaml
ステップ 4: キャプチャと可視化
プログラマティック キャプチャ
スクリプトに prof.start() / prof.stop() を含めた場合、これらのプロファイルはパス gs://<your-gcs-bucket>/<run-name>/plugins/profile/<session-id>/ の下にある GCS バケットに自動的にアップロードされます。
オンデマンド キャプチャ
on_demand_xprof=True は machinelearning_run で設定されているため、ジョブの実行中にプロファイルを動的にキャプチャできます。
TensorBoard UI を使用してオンデマンド プロファイルをトリガーし、特定の Pod を選択して、キャプチャされたトレースを表示する詳しい手順については、公式の公開ドキュメント(Google Cloud ML Diagnostics - オンデマンド プロファイルのキャプチャ)をご覧ください。
ML Diagnostics CLI ガイドで説明されているように、gcloud CLI を使用してプロファイルをキャプチャすることもできます。
この公開ドキュメントは、ML Diagnostics によって管理される TPU ワークロードと GPU ワークロードの両方に適用されます。