近日,AMD 宣布推出适用于 ROCm GPU 的 TensorFlow v1.8 接口,其中包括 Radeon Instinct MI25。AMD 称,这是该公司在实现深度学习加速上的重要里程碑。ROCm 即 Radeon Open Ecosystem,是 AMD 在 Linux 上的开源 GPU 计算基础环境。这次的 TensorFlow 实现使用了 MIOpen——一个适用于深度学习的优化 GPU 例程库。
目前,AMD 的深度学习加速解决方案已经官方支持TensorFlow 和 Caffe 两种框架。
AMD 提供了一个预构建的 whl 包,使安装变得像 Linux 通用TensorFlow 的安装那样简单。AMD 已经发布了安装说明以及一个预构建的 Docker 映像。
除了支持TensorFlow 1.8,AMD 目前还在致力于对TensorFlow 主存储库进行所有针对 ROCm 的强化。其中一些补丁已经在上游合并,另外几个正在积极审查中。在全面更新增强功能时,AMD 还将发布和维护未来支持 ROCm 的TensorFlow 版本,如 v1.10 版。
AMD 相信深度学习的优化、可便携性以及可扩展性的未来在于特定领域编译器的基础之上。其开发者受到 XLA 早期结果的启发,正在朝着为 AMD GPU 开放和优化 XLA 的方向发展。
有关 AMD深度学习加速的更多内容可参照:www.amd.com/deeplearning
2017 年,AMD 发布了 ROCm 平台,开始为开发者提供深度学习支持。同时,这家公司也开源了高性能机器学习库 MIOpen。
准备能运行 ROCm 和 docker 的机器
以下教程假定了使用全新的机器来准备 ROCm+Docker 环境;除了典型的库存包(stock package)更新以外,不需要安装额外的软件。
最新的公开 docker.re 发布,18.02 版本已知在 docker 镜像下与非根账户共同使用时存在缺陷。请使用以下 deb 包更新 docker 包到 18.04 版本。
安装包:https://download.docker.com/linux/ubuntu/dists/xenial/pool/nightly/amd64/docker-ce_18.04.0~ce~dev~git20180315.170650.0.8fabfd2-0~ubuntu_amd64.deb
首先推荐安装 ROCm 内核,ROCm KFD 按 DKMS 模块的方式分布,适用于 ROCm1.7.0 后的版本。AMD 推荐尽量升级到最新的通用内核。更新的内核通常能够更好地支持 AMD 硬件,并且库存视频分辨率和硬件加速性能也通常会得到改善。同时,ROCm 已经官方支持了 Ubuntu 和 Fedora Linux 分布。以下的 asciicast 展示了在 Ubuntu16.04 上更新内核。更多的细节可以在 Radeon Open Computer 网站上找到。
-
在 Ubuntu 上安装 ROCK 内核:https://github.com/RadeonOpenCompute/ROCm#debian-repository---apt-get
第1步:安装 ROCm 内核
你需要键入(或复制)如下命令:
# OPTIONAL, upgrade your base kernel to 4.13.0-32-generic, reboot required sudo apt update && sudo apt install linux-headers-4.13.0-32-generic linux-image-4.13.0-32-generic linux-image-extra-4.13.0-32-generic linux-signed-image-4.13.0-32-generic sudo reboot # Install the ROCm rock-dkms kernel modules, reboot required 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 sudo apt-get update && sudo apt-get install rock-dkms sudo update-initramfs -u sudo reboot # Add user to the video group sudo adduser $LOGNAME video
确保在安装 ROCm 内核包后重启计算机,以强制新内核在重启时加载。你可以通过在提示符下键入以下命令来验证是否加载了 ROCm 内核:
lsmod | grep kfd
在屏幕上打出的内容应该如下:
amdkfd 270336 4 amd_iommu_v2 20480 1 amdkfd amdkcl 24576 3 amdttm,amdgpu,amdkfd
第 2 步:安装 docker
确认过新核正在运行之后,下一步就是安装 docker 引擎。可以在 docker 的网站上找到安装 docker 的手册,但可能最简单的方法时使用 docker 自己的 bash 脚本。如果允许在你的机器上运行从互联网下载的 bash 脚本,打开一个 bash 提示符并执行以下命令行:
curl -sSL https://get.docker.com/ | sh
用上面的脚本查看 Linux 发行版和安装的内核,并正确安装 docker。脚本将在 ROCm 平台上输出一条警告消息,表明它不能识别 ROCm 内核;这个是正常的,可以忽略。脚本可在无法识别内核的情况下进行正确的 docker 安装。
第 3 步:验证/更改 docker 设备存储驱动程序
sudo docker info
docker 设备存储驱动程序管理 docker 如何访问图像和容器。docker 官网上可以找到很多关于存储驱动程序架构的文档和详细描述。通过在命令提示符下发出 sudo docker info 命令并查找「Storage Driver:」输出,可以检查哪个存储驱动程序正被 docker 使用。我们很难预测安装时存储驱动程序 docker 会选择什么作为默认值,默认值会随着时间的推移而变化,但在经验中,我们发现尺寸较大的图像会遇到 devicemapper 存储驱动程序问题。它对图像和容器的最大尺寸施加了限制。如果你在「大数据」领域工作,如在深度神经网络的应用中,devicemapper 限制了 10GB 的默认值。如果遇到此限制,有两个选项可用:
1. 切换到其他存储驱动
-
AMD 推荐使用「overlay2」,它的环境依赖与 ROCm 内核相符,所以可以适用。
-
overlay2 可提供无限制的图像尺寸
-
如果不能使用「overlay2」,你可以在启动服务时间的时候通过 storage-driver=<name>选项选择存储驱动
2. 如果你必须使用「devicemapper」,请在服务启动时传递「devicemapper」配置变量——dm.basesize,以增加潜在图像的最大值。
在创建和使用「devicemapper」图像后切换到「overlay2」存储驱动程序的缺点是需要重新创建现有图像。因此,AMD 建议在进行重要工作前验证是否使用「overlay2」存储驱动程序设置了 docker。
第 4 步 A:使用 docker CLI 构建 ROCm 容器
-
clone 并构建容器
git clone https://github.com/RadeonOpenCompute/ROCm-dockercd ROCm-docker sudo docker build -t rocm/rocm-terminal rocm-terminal sudo docker run -it --device=/dev/kfd --device=/dev/dri --group-add video rocm/rocm-terminal
(可选)第 4 步 B:使用 docker-compose 构建 ROCm 容器
-
使用 docker-compose clone 和构建容器:
git clone https://github.com/RadeonOpenCompute/ROCm-dockercd ROCm-docker sudo docker-compose run --rm rocm
第 5 步:验证 ROCm-docker 容器是否成功构建
-
验证基于工作容器的 ROCm 软件堆栈
-
在第 2 步和第 3 步之后,应该有一个对正在运行的 docker 容器的 bash 登录提示
-
hcc --version应该显示 AMD 异构编译器的版本信息
-
执行示例应用程序
-
cd /opt/rocm/hsa/sample
-
sudo make
-
./vector-copy
-
显示成功创建 GPU 设备、内核编译和成功关闭的文本应该打印至 stdout
参考内容:
https://medium.com/tensorflow/amd-rocm-gpu-support-for-tensorflow-33c78cc6a6cf
https://github.com/RadeonOpenCompute/ROCm-docker
相关数据
Deep neural network
深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。
来源:机器之心 Techopedia
Machine Learning
机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。
来源:Mitchell, T. (1997). Machine Learning. McGraw Hill.
Deep learning
深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。
来源: LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.
Tensor
张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。
来源: 维基百科
TensorFlow
TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。
来源: 维基百科
机器之心是国内领先的前沿科技媒体和产业服务平台,关注人工智能、机器人和神经认知科学,坚持为从业者提供高质量内容和多项产业服务。
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 深度学习原来还可以这么学!
- 深度学习真的可以零基础入门吗?
- 深度学习教父辛顿:未来神经网络可以重建人脑意识
- 2018年最流行的深度学习框架?这份科学的排行榜可以告诉你
- 3w字深度好文|Redis面试全攻略,读完这个就可以和面试官大战几个回合了
- 100人运维200个数据中心,可以吗?华为可以!
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。