Zum Hauptinhalt springen
Google Cloud Documentation
Technologiebereiche
  • KI und ML
  • Anwendungsentwicklung
  • Anwendungshosting
  • Compute
  • Datenanalyse und Pipelines
  • Datenbanken
  • Verteilt, Hybrid und Multi-Cloud
  • Branchenlösungen
  • Migration
  • Netzwerk
  • Beobachtbarkeit und Monitoring
  • Sicherheit
  • Storage
Produktübergreifende Tools
  • Zugriffs- und Ressourcenverwaltung
  • Kosten- und Nutzungsmanagement
  • Infrastruktur als Code
  • SDK, Sprachen, Frameworks und Tools
/
Console
  • English
  • Deutsch
  • Español
  • Español – América Latina
  • Français
  • Indonesia
  • Italiano
  • Português
  • Português – Brasil
  • עברית
  • 中文 – 简体
  • 中文 – 繁體
  • 日本語
  • 한국어
  • Cloud TPU
Jetzt kostenlos testen
Übersicht Leitfäden Referenzen Beispiele Support Ressourcen
Google Cloud Documentation
  • Technologiebereiche
    • Mehr
    • Übersicht
    • Leitfäden
    • Referenzen
    • Beispiele
    • Support
    • Ressourcen
  • Produktübergreifende Tools
    • Mehr
  • Console
  • Erste Schritte
  • Einführung in Cloud TPU
  • TPU-Architektur
  • TPU-Versionen
    • TPU7x (Ironwood)
    • TPU v6e
    • TPU v5p
    • TPU v5e
    • TPU v4
  • Regionen und Zonen
  • Cloud TPU-Ressourcen in Compute Engine
  • JAX AI-Stack
  • Los gehts
  • Google Cloud-Projekt einrichten
  • Kurzanleitungen
    • TPU-Instanz erstellen
    • TPU-Slice mit mehreren Hosts erstellen
  • Cloud TPU-Ressourcen planen
  • TPUs reservieren
    • TPU-Reservierungen
    • Reservierung für bis zu 90 Tage anfordern (im Kalendermodus)
    • Vorausschauende Reservierung für ein Jahr oder länger anfordern
    • Reservierung teilen
    • Reservierung nutzen
  • TPUs erstellen
    • TPU-Erstellung – Übersicht
    • TPU-VM-Instanz erstellen
    • TPU Flex-Start-VMs erstellen
    • TPU-Spot-VMs erstellen
    • TPU-Instanzen in MIGs
    • MIG für einen TPU-Slice mit mehreren Hosts erstellen
    • MIG für TPU-Slices mit einem Host erstellen
  • TPUs konfigurieren
  • Netzwerk und Zugriff konfigurieren
  • TPU-Betriebssystem-Images
  • Benutzerdefiniertes Betriebssystem-Image verwenden
  • TPU-VM-Bootlaufwerk mit einem CMEK verschlüsseln
  • Projektübergreifendes Dienstkonto verwenden
  • Speicher verwalten
    • Speicheroptionen für TPU-VMs
    • Best Practices
    • Speicherlaufwerke anhängen
    • Verbindung zu Cloud Storage-Buckets herstellen
  • TPUs verwalten
  • TPU-Ressourcen mit Compute Engine verwalten
  • Wartungsereignisse im Modus für verwaltete Kapazität verwalten
  • TPUs im Modus „All Capacity“ verwalten
    • Übersicht über den Modus „Gesamte Kapazität“
    • Reservierung im Modus „Alle Kapazitäten“ anfordern
    • Topologie und Status von TPUs im Modus „Alle Kapazitäten“ ansehen
    • Fehlerhafte Hosts im Modus „Alle Kapazitäten“ melden und reparieren
    • Wartungsereignisse im Modus „Alle Kapazitäten“ verwalten
  • Multislice-Training
  • TPU-Sammlungen für Inferenz-Arbeitslasten planen
  • Arbeitslasten ausführen
  • Modell mit TPU7x trainieren
  • Inferenz auf Cloud TPU ausführen
  • Auf Cloud TPU-Slices trainieren
  • Modell auf TPUs skalieren
  • Mit Bild-Datasets arbeiten
    • Imageklassifizierungs-Datasets zur Verwendung mit Cloud TPU konvertieren
    • Das ImageNet-Dataset herunterladen, vorverarbeiten und hochladen
    • COCO-Dataset herunterladen, vorverarbeiten und hochladen
  • Leistung optimieren
  • Leistungsleitfaden für Cloud TPU
  • Modellleistung mit bfloat16 verbessern
  • Leistungsoptimierungen für TPU7x (Ironwood)
  • TPUs überwachen und Fehler beheben
  • TPU-VMs überwachen
  • TPU-Zustand überwachen
  • TPU-Goodput überwachen
  • TPU-Monitoring-Bibliothek
  • Mit der tpu-info-Befehlszeile überwachen
  • Fehlerbehebung bei PyTorch-Modellen
  • Fehlerbehebung bei JAX-Modellen
  • ML Diagnostics-Plattform
    • Übersicht
    • GKE einrichten
    • Erste Schritte mit dem SDK
    • Erste Schritte mit der CLI
    • ML Diagnostics mit MaxText verwenden
    • Machine-Learning-Ausführungen ansehen
    • Arbeitslasten überwachen
  • Profil für TPUs erstellen
  • Profil für TPU-VMs erstellen
  • Profil für Multislice-Umgebungen erstellen
  • Profil für PyTorch/XLA-Arbeitslasten erstellen
  • Cloud TPU API
  • Erste Schritte
    • TPU-Softwareversionen
    • TPU-Versionen
      • TPU v3
      • TPU v2
  • Los gehts
    • Google Cloud-Projekt einrichten
    • TPUs erstellen
    • Reservierung nutzen
    • JAX auf der Cloud TPU-VM ausführen
    • PyTorch auf Cloud TPU-VM ausführen
    • JAX auf Cloud TPU-Slices ausführen
    • PyTorch auf Cloud TPU-Slices ausführen
  • TPUs konfigurieren
    • TPU mit einem gemeinsam genutzten VPC-Netzwerk verbinden
    • Verbindung zu einer TPU-VM ohne öffentliche IP-Adresse herstellen
    • Netzwerk und Zugriff konfigurieren
    • TPU-VM-Bootlaufwerk mit einem CMEK verschlüsseln
    • Projektübergreifendes Dienstkonto verwenden
    • Langlebigen Blockspeicher an eine TPU-VM anhängen
    • Verbindung zu Cloud Storage-Buckets herstellen
    • Filestore-Instanz auf einer TPU-VM bereitstellen
  • TPUs verwalten
    • TPU-Ressourcen verwalten
    • In die Warteschlange gestellte Ressourcen verwalten
    • TPU-Flex-Start-VMs anfordern
    • TPU-Spot-VMs verwalten
    • Auf Wartungsereignisse vorbereiten
    • Automatischer Checkpoint
    • Wartungsbenachrichtigungen ansehen
    • Hostwartung manuell starten
    • TPUs auf Abruf
  • Arbeitslasten ausführen
    • Modell mit v6e trainieren
    • Modell mit v5e trainieren
    • ML-Arbeitslasten mit Ray skalieren
    • TPU-Anwendungen in einem Docker-Container ausführen
  • TPUs überwachen und Fehler beheben
    • Fehlerbehebung bei TPU-VMs
    • TPU-VMs überwachen
    • Dashboards für Monitoring und Logging
    • Fehlerbehebung bei TensorFlow-Modellen
    • Cloud TPU-Fehlerglossar
    • Cloud TPU-Audit-Logs
  • Anleitungen und Notebooks
    • ResNet mit PyTorch trainieren
    • MaxDiffusion-Inferenz auf v6e
    • Notebooks
  • KI und ML
  • Anwendungsentwicklung
  • Anwendungshosting
  • Compute
  • Datenanalyse und Pipelines
  • Datenbanken
  • Verteilt, Hybrid und Multi-Cloud
  • Branchenlösungen
  • Migration
  • Netzwerk
  • Beobachtbarkeit und Monitoring
  • Sicherheit
  • Storage
  • Zugriffs- und Ressourcenverwaltung
  • Kosten- und Nutzungsmanagement
  • Infrastruktur als Code
  • SDK, Sprachen, Frameworks und Tools
  • Home
  • Documentation
  • AI and ML
  • Cloud TPU
  • Leitfäden

Alle interaktiven Notebooks Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

PyTorch-Kaggle-Notebooks

  • PyTorch/XLA 2.0 in Kaggle

    Verwenden Sie PyTorch/XLA 2.0 auf dem Kaggle-TPU-VM-Beschleuniger, um ein Stable-Diffusion-Image-Beispiel auszuführen.

  • Grundlagen von verteiltem PyTorch/XLA

    Auf einer TPU-VM mit PyTorch/XLA und der PJRT-Laufzeit verteilte Vorgänge ausführen

Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.

  • Support

    • Versionshinweise
  • Ressourcen

    • GitHub
    • Erste Schritte mit Google Cloud
    • Codebeispiele
    • Cloud Architecture Center
  • Nutzungsbedingungen
  • Datenschutz
  • Manage cookies
  • English
  • Deutsch
  • Español
  • Español – América Latina
  • Français
  • Indonesia
  • Italiano
  • Português
  • Português – Brasil
  • עברית
  • 中文 – 简体
  • 中文 – 繁體
  • 日本語
  • 한국어