pytorch安装到一半中断_AMD平台上配置PyTorch+Apex开发环境

手上有2台AMD平台的机器，用的N卡做深度学习开发机。其中一个是Ryzen 3500X ITX+2070，另一个是FX8350 990FX 3卡平台+1080和P106。

这两个机器其实都挺好用的，即便推土机浮点能力比较弱，真8核在多线程IO方面还是相当有力的，而且还可以组PCIE 2.0双X16或者X16+X8+X8（相当于PCIE 3.0的一半）。搭配AMD专用条，用来做超低成本主副卡配置非常合适，比如我现在1080+P106，一台机器，开发+轻度实验两不误。看看现在Intel入门平台PCIE那配置，有一种无力吐槽的感觉。

当然AMD平台的问题就是生态差，特别是MKL负优化问题。由于Numpy是可以支持OpenBlas，在AMD这边性能堪比Intel+MKL，所以是值得更换的。

首先NV驱动、Conda配置就不说了，直接开搞：

conda create -n pytorch python=3.7
conda activate pytorch
conda install conda-forge::numpy "blas=*=openblas"

目前PyTorch最高支持3.7，高了会有问题。

第三条命令就是从conda-forge通道安装openblas版本的Numpy，这个一定要放在最前面，否则一旦被装上MKL，后续就MKL全家桶了。

然后就是一些常用的库和Torch本体：

conda install matplotlib scikit-learn opencv -c conda-forge
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

预编译的Torch是依赖MKL的（顺带一提Torch是要求带AVX的CPU，AMD就需要推土机），也许自己可以编译OpenBlas的版本。

但是深度学习CPU主要计算也就是预处理，这个多数还是基于Numpy的，CPU跑不动就考虑Dali了，很少会有用到CPU Tensor的情况，就不管了……人生苦短。

接下来，就是给20系显卡安装Apex（10系没有必要，因为FP16只有1/64的FP32算力，比FP64还慢，根本跑不起来）。这个库本身没有什么坑，只是它需要nvcc，而conda安装的cudatools包只是一个子集，所以需要安装系统级别的cuda和cudnn。要注意Cuda版本要与Torch相符，cudnn版本与Cuda相符，驱动只要能支持你的Cuda就好了。Cuda/Cudnn的ISO流程就不细说了，直接上手Apex：

git clone https://github.com/NVIDIA/apex
cd apex
pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./

编译安装的是带CPP和Cuda扩展的，实测比直接用pip装的（不带CPP）人眼可见的要快一点。

简简单单就是这样，AMD还是可以Yes的，毕竟花个1-2千元就有6核多卡平台了。