начало работы с ускорением GPU для ML в WSL

Статья
09/22/2022
Чтение занимает 2 мин

Машинное обучение (ML) становится ключевой частью многих рабочих процессов разработки. Независимо от того, являетесь ли вы специалистом по обработке и анализу данных, ML инженером или началом обучения с помощью ML подсистема Windows для Linux (WSL) предлагает отличную среду для работы с наиболее распространенными и популярными средствами ускорения ML GPU.

Существует множество различных способов настройки этих средств. Например, NVIDIA CUDA в WSL, TensorFlow-DirectML и PyTorch-DirectML предлагают различные способы использования GPU для ML с WSL. Дополнительные сведения о причинах выбора одного или другого см. в статье с ускорением GPU ML обучения.

В этом руководстве показано, как настроить:

NVIDIA CUDA, если у вас есть графический адаптер NVIDIA и запуск примера контейнера платформы ML
TensorFlow-DirectML и PyTorch-DirectML на графической карте AMD, Intel или NVIDIA

Предварительные требования

Убедитесь, что вы используете Windows 11 или Windows 10 версии 21H2 или более поздней.
Установите WSL и настройте имя пользователя и пароль для дистрибутива Linux.

Настройка NVIDIA CUDA с помощью Docker

Скачивание и установка последнего драйвера для GPU NVIDIA
Установите Docker Desktop или установите подсистему Docker непосредственно в WSL, выполнив следующую команду:
```
curl https://get.docker.com | sh
```
Если вы установили подсистему Docker напрямую, установите контейнер NVIDIA набор средств, выполнив приведенные ниже действия.

Настройте стабильный репозиторий для набор средств контейнера NVIDIA, выполнив следующие команды:
```
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
```
```
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
```
```
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
```
Установите пакеты и зависимости среды выполнения NVIDIA, выполнив следующие команды:
```
sudo apt-get update
```
```
sudo apt-get install -y nvidia-docker2
```
Запустите контейнер и пример платформы машинного обучения.

Чтобы запустить контейнер платформы машинного обучения и начать использовать GPU с этим контейнером NVIDIA NGC TensorFlow, введите следующую команду:
```
docker run --gpus all -it --shm-size=1g --ulimit memlock=-1 --ulimit stack=67108864 nvcr.io/nvidia/tensorflow:20.03-tf2-py3
```
Вы можете запустить предварительно обученный пример модели, встроенный в этот контейнер, выполнив команды:
```
cd nvidia-examples/cnn/
```
```
python resnet.py --batch_size=64
```

Дополнительные способы настройки и использования NVIDIA CUDA можно найти в руководстве пользователя NVIDIA CUDA в WSL.

Настройка TensorFlow-DirectML или PyTorch-DirectML

Скачайте и установите последний драйвер с веб-сайта поставщиков GPU: AMD, Intel или NVIDIA.
Настройка среды Python.

Рекомендуется настроить виртуальную среду Python. Существует множество средств, которые можно использовать для настройки виртуальной среды Python. Для выполнения этих инструкций мы будем использовать Miniconda в 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
```
Установите платформу машинного обучения, поддерживаемую DirectML по своему усмотрению.

TensorFlow-DirectML:
```
pip install tensorflow-directml
```
PyTorch-DirectML:
```
sudo apt install libblas3 libomp5 liblapack3
```
```
pip install pytorch-directml
```
Запустите пример быстрого добавления в интерактивном сеансе Python для TensorFlow-DirectML или PyTorch-DirectML , чтобы убедиться, что все работает.

Если у вас возникли вопросы или возникли проблемы, посетите репозиторий DirectML на GitHub.

начало работы с ускорением GPU для ML в WSL

Предварительные требования

Настройка NVIDIA CUDA с помощью Docker

Настройка TensorFlow-DirectML или PyTorch-DirectML

Дополнительные ресурсы