Rozpocznij przyspieszenie GPU dla uczenia maszynowego w środowisku WSL

2025-06-10

Uczenie maszynowe staje się kluczową częścią wielu przepływów pracy programistycznych. Niezależnie od tego, czy jesteś naukowcem danych, inżynierem ML, czy dopiero zaczynasz swoją podróż z uczeniem maszynowym, Podsystem Windows dla systemu Linux (WSL) oferuje doskonałe środowisko do uruchamiania najczęściej stosowanych i cieszących się popularnością narzędzi uczenia maszynowego przyspieszonych przez GPU.

Istnieje wiele różnych sposobów konfigurowania tych narzędzi. Na przykład NVIDIA CUDA w WSL, TensorFlow-DirectML i PyTorch-DirectML oferują różne sposoby używania GPU do uczenia maszynowego w WSL. Aby dowiedzieć się więcej na temat powodów wyboru jednej z nich, zobacz Przyspieszone trenowanie uczenia maszynowego z procesorem GPU.

W tym przewodniku pokazano, jak skonfigurować:

NVIDIA CUDA, jeśli masz kartę graficzną NVIDIA i uruchamiasz przykładowy kontener platformy ML
TensorFlow-DirectML i PyTorch-DirectML na karcie grafiki AMD, Intel lub NVIDIA

Wymagania wstępne

Upewnij się, że korzystasz z systemu Windows 11 lub Windows 10 w wersji 21H2 lub nowszej .
Zainstaluj program WSL i skonfiguruj nazwę użytkownika i hasło dla dystrybucji systemu Linux.

Konfigurowanie funkcji NVIDIA CUDA przy użyciu platformy Docker

Pobierz i zainstaluj najnowszy sterownik dla procesora GPU FIRMY NVIDIA
Zainstaluj Docker Desktop lub zainstaluj silnik Docker bezpośrednio w WSL, uruchamiając następujące polecenie
```
curl https://get.docker.com | sh
```
```
sudo service docker start
```

Jeśli silnik Docker został zainstalowany bezpośrednio, zainstaluj zestaw narzędzi NVIDIA Container Toolkit, postępując zgodnie z poniższymi krokami.

Skonfiguruj stabilne repozytorium dla zestawu narzędzi NVIDIA Container Toolkit, uruchamiając następujące polecenia:

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)

curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-docker-keyring.gpg

curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-docker-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

Zainstaluj pakiety i zależności środowiska uruchomieniowego FIRMY NVIDIA, uruchamiając polecenia:

sudo apt-get update

sudo apt-get install -y nvidia-docker2

Uruchamianie kontenera i przykładu platformy uczenia maszynowego.

Aby uruchomić kontener platformy uczenia maszynowego i rozpocząć korzystanie z procesora GPU za pomocą tego kontenera NVIDIA NGC TensorFlow, wprowadź polecenie:
```
docker run --gpus all -it --shm-size=1g --ulimit memlock=-1 --ulimit stack=67108864 nvcr.io/nvidia/tensorflow:20.03-tf2-py3
```
Możesz uruchomić wstępnie wytrenowany przykład modelu wbudowany w ten kontener, uruchamiając polecenia:
```
cd nvidia-examples/cnn/
```
```
python resnet.py --batch_size=64
```

Dodatkowe sposoby konfigurowania i korzystania z funkcji NVIDIA CUDA można znaleźć w podręczniku użytkownika narzędzia NVIDIA CUDA w systemie WSL.

Konfigurowanie TensorFlow-DirectML lub PyTorch-DirectML

Pobierz i zainstaluj najnowszy sterownik ze strony internetowej dostawców procesorów GPU: AMD, Intel lub NVIDIA.
Konfigurowanie środowiska języka Python.

Zalecamy skonfigurowanie wirtualnego środowiska języka Python. Istnieje wiele narzędzi, których można użyć do skonfigurowania wirtualnego środowiska języka Python — na potrzeby tych instrukcji użyjemy Miniconda od Anaconda.
```
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
```
```
bash Miniconda3-latest-Linux-x86_64.sh
```
```
conda create --name directml python=3.7 -y
```
```
conda activate directml
```
Zainstaluj strukturę uczenia maszynowego wspieraną przez wybrany język DirectML.

TensorFlow-DirectML:
```
pip install tensorflow-directml
```
PyTorch-DirectML:
```
sudo apt install libblas3 libomp5 liblapack3
```
```
pip install torch-directml
```
Uruchom szybki przykład dodawania w interaktywnej sesji w języku Python dla biblioteki TensorFlow-DirectML lub PyTorch-DirectML, aby upewnić się, że wszystko prawidłowo działa.

Jeśli masz pytania lub napotkasz problemy, odwiedź repozytorium DirectML w witrynie GitHub.

Wiele procesorów GPU

Jeśli masz wiele procesorów GPU na maszynie, możesz również uzyskać do nich dostęp w programie WSL. Jednak dostęp do nich będzie można uzyskiwać tylko pojedynczo. Aby wybrać określoną GPU, ustaw poniższą zmienną środowiskową na nazwę GPU, jak jest wyświetlana w menedżerze urządzeń.

export MESA_D3D12_DEFAULT_ADAPTER_NAME="<NameFromDeviceManager>"

Spowoduje to dopasowanie ciągu znaków, więc jeśli ustawisz go na "NVIDIA", dopasuje pierwszą GPU rozpoczynającą się od "NVIDIA".

Udostępnij za pośrednictwem