如何重启network_没有N卡如何进行深度学习？AMD Yes

鉴于很多小伙伴们的电脑配置的是AMD显卡，本文将介绍如何使用TensorFlow以及Keras在AMD显卡上训练深度学习模型。

AMD目前正在开发名为ROCm的新高性能计算平台，其目标是创建一个能够与Nvidia(使用CUDA)和AMD GPU进行数据交互的通用GPU计算开源环境。

20190814110428.png

本文将在ROCm内核之上使用Docker运行Keras(后端Tensorflow v1.12.0)来训练深度学习模型，分如下几个部分展开：ROCm平台安装；TensorFlow Docker安装。

ROCm平台安装

软硬件要求

目前的ROCm (v2.6)只支持Linux系统，支持的操作系统如下：

• Ubuntu 16.04.x and 18.04.1 and 18.04.2 (Version 16.04.3 and newer or kernels 4.13-4.15)
• CentOS 7.4, 7.5, and 7.6 (Using devtoolset-7 runtime support)
• RHEL 7.4, 7.5, and 7.6 (Using devtoolset-7 runtime support)

同时对GPU和CPU的支持，也有一定的限制，如下所示：

GPU列表：

• GFX8 GPUs
• “Fiji” chips, such as on the AMD Radeon R9 Fury X and Radeon Instinct MI8
• “Polaris 10” chips, such as on the AMD Radeon RX 580 and Radeon Instinct MI6
• “Polaris 11” chips, such as on the AMD Radeon RX 570 and Radeon Pro WX 4100
• “Polaris 12” chips, such as on the AMD Radeon RX 550 and Radeon RX 540
• GFX9 GPUs
• “Vega 10” chips, such as on the AMD Radeon RX Vega 64 and Radeon Instinct MI25
• “Vega 7nm” chips, such as on the Radeon Instinct MI50, Radeon Instinct MI60 or AMD Radeon VII

CPU列表：

• AMD Ryzen CPUs;
• The CPUs in AMD Ryzen APUs;
• AMD Ryzen Threadripper CPUs
• AMD EPYC CPUs;
• Intel Xeon E7 v3 or newer CPUs;
• Intel Xeon E5 v3 or newer CPUs;
• Intel Xeon E3 v3 or newer CPUs;
• Intel Core i7 v4, Core i5 v4, Core i3 v4 or newer CPUs (i.e. Haswell family or newer).
• Some Ivy Bridge-E systems

在本文中，测试的软硬件环境如下：

• 操作系统：OS: Ubuntu 18.04 LTS
• CPU: Intel Xeon E5–2630L
• 内存: 2 x 8 GB
• 主板: MSI X99A Krait Edition
• GPU: 2 x RX480 8GB + 1 x RX580 4GB
• 固态: Samsung 850 Evo (256 GB)
• 硬盘: WDC 1TB

ROCm安装

为了顺利安装，建议从新系统开始。

首先安装ROCm内核以及相关依赖：

CTRL+ALT+T打开终端，输入如下：

sudo apt updatesudo apt dist-upgradesudo apt install libnuma-devsudo reboot

添加ROCm apt仓库：

wget -qO - http://repo.radeon.com/rocm/apt/debian/rocm.gpg.key | sudo apt-key add -echo 'deb [arch=amd64] http://repo.radeon.com/rocm/apt/debian/ xenial main' | sudo tee /etc/apt/sources.list.d/rocm.list

安装ROCm：

sudo apt updatesudo apt install rocm-dkms

权限设置

ROCm官方文档建议建立video组来通过当前用户访问GPU资源，首先查看系统中存在的组：

groups

然后，添加当前用户进入video组：

sudo usermod -a -G video $LOGNAME

对于以后的新用户想默认加入video组，可以设置如下命令：

echo 'ADD_EXTRA_GROUPS=1' | sudo tee -a /etc/adduser.confecho 'EXTRA_GROUPS=video' | sudo tee -a /etc/adduser.conf

然后重启系统：

reboot

安装测试

输入如下命令：

/opt/rocm/bin/rocminfo

输出结果应该如下所示：

=====================HSA System Attributes=====================Runtime Version: 1.1System Timestamp Freq.: 1000.000000MHzSig. Max Wait Duration: 18446744073709551615 (number of timestamp)Machine Model: LARGESystem Endianness: LITTLE==========HSA Agents==========*******Agent 1******* Name: Genuine Intel(R) CPU @ 1.80GHz......

最后添加ROCm可执行文件到系统路径：

echo 'export PATH=$PATH:/opt/rocm/bin:/opt/rocm/profiler/bin:/opt/rocm/opencl/bin/x86_64' | sudo tee -a /etc/profile.d/rocm.sh

到这一步，ROCm算是安装完成了，在终端输入rocm-smi可以查看硬件信息和运行状态。

Tensorflow Docker安装

最简单，可信的安装方法是使用AMD提供的Tensorflow镜像。

安装TensorFlow Docker

首先是Docker的安装，可以参考Docker官方文档：https://docs.docker.com/install/linux/docker-ce/ubuntu/，如果要添加非root用户使用Docker，可参考：https://docs.docker.com/install/linux/linux-postinstall/。

接下来是拉取 ROCm Tensorflow 镜像：

docker pull rocm/tensorflow

镜像下载好之后，运行TensorFlow容器：

docker run -i -t --network=host --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined  /bin/bash

进入Tensorflow-ROCm 虚拟系统后，进入Python，就可以通过import tensorflow查看是否安装成功。

 ~ pythonPython 3.7.3 (default, Mar 27 2019, 22:11:17)Type "help