使用Windows平台搭建NVIDIA CUDA Python数据分析环境

最近迷上了CUDA加速计算，但我又是一个不太喜欢用“钞”能力来解决问题的人（其实就是我穷买不起GPU云服务器罢了/(ㄒoㄒ)/~~）。

正所谓人不不作死枉少年，既然买不起，那就自己动手搭建一个环境吧。

索性真的感谢微软，他们使用WSL协议允许用户在Windows系统下模拟Linux环境并进行开发。

准备

首先你需要明确你当前的电脑系统环境需要使用Windows10或者以上的操作系统，这里我使用的是Windows11，其操作和Windows10一样。

打开Microsoft Store，搜索Ubuntu

这里我使用的是Ubuntu18.04LTS，并且已经将其转移到我的E盘学习盘下安装。至于如何提取安装包可以自行搜索如何找到Microsoft Store的安装文件路径，这里不赘述了。如果你的C盘空间还足够，也可以忽略安装转移这一步。

找到如下两个文件，并把它转移到你想要的盘符即可完成WSL安装的转移。

转移好后，双击ubuntu1804.exe文件后，会生成一个ext4格式的虚拟磁盘文件，因为Linux普遍都是接受ext格式的文件系统，因此生成一个ext4的虚拟磁盘也不足为怪。

 

 需要说明！

在开始安装你的WSL系统时，你需要先确保几点：

在Windows功能中打开WSL子系统功能

 

在BIOS中开启虚拟化技术，依据自己处理器的平台去开启相应的技术

在Windows上安装CUDA™驱动，访问CUDA官网下载：CUDA Toolkit 11.5 Downloads | NVIDIA Developer

 具体安装方式可自行搜索，这里不赘述了。

完成上述和Linux系统的配置之后，即可开始Python环境的配置。

因为它是构建在Windows上的子系统，因此我们的目的更多的是节省系统空间，所以我们使用

miniconda来安装Python环境。

访问miniconda下载网站来获取镜像：Miniconda — Conda documentation

这里我们下载Linux x86-64的安装脚本。

 下载好后，即可开始安装。这里我是用Visual Studio Code来对WSL环境进行运维及编辑

输入如下命令来执行安装程序

sudo bash Anaconda3-2021.05-Linux-x86_64.sh 

 一路回车就好

输入yes以接受conda的协议

 

 修改root/.bashrc环境变量配置文件

sudo vi ~/.bashrc 

将conda安装路径添加到PATH中，这里我使用的是anaconda，因此在你安装时应修改为你的miniconda安装的路径

# <<< conda initialize <<<
export PATH=/home/elin/anaconda3/:$PATH

配置好后在Shell输入conda -V来验证miniconda是否成功

(base) elin@DESKTOP-H74RKIM:~/conda$ conda -V
conda 4.10.1

准备好conda之后，可以开始配置我们的GPU环境了

我们这里使用RAPIDS集成环境，集成众多GPU加速库，如：

cuDF -GPU加速的数据处理库，基于PandasAPI

cuPy -GPU加速的矩阵数学库，基于NumpyAPI

cuML -GPU加速的机器学习库，基于Scikit-LearnAPI

访问RAPIDS官网来获取RAPIDS安装方式：https://rapids.ai/start.html

依据你的需要和CUDA驱动版本和Python版本来复制安装命令，可以通过点击COPY COMMAND按钮来复制命令。

值得一提的是，这里RAPIDS的安装命令是conda create而不是conda install，这也就意味着这个指令将会生成一个名为 rapids-21.10的GPU开发env环境。

所以在使用时，可以输入conda activate rapids-21.10环境，因笔者没有及时更新RAPIDS因此，笔者的使用环境是21.08

(base) elin@DESKTOP-H74RKIM:~/conda$ conda activate rapids-21.08

启用后，我创建了一个Notebook文件来检验我们的RAPIDS环境是否启用成功。

 可以看到vscode识别到了我们的rapids环境了。

写一段代码保个底：

CUDA_STATS = None
try:
    import cudf
    CUDA_STATS = True
    print(f"Now your system is Ready for CUDA Acclerate :{CUDA_STATS}")
except Exception as Error:
    CUDA_STATS = False
    print(f"Now your system is Ready for CUDA Acclerate :{CUDA_STATS}")

 可以看到我们的CUDA加速已经生效了。

总结

因为CUDA在HPC的生态垄断，导致各种GPU的加速库都只支持NVIDIA CUDA GPU，当然这并不是意味着AMD没有自己的HPC生态。

基于AMD ROCm的高性能计算设备也在逐步的发展。这是更多的开发者更愿意使用CUDA API来进行开发。

好了，又水了一篇文章，真好。

我是Deahost，下期见！