如何在AMD的GPU上运行TensorFlow？

工资不涨，英伟达 GPU 的售价年年涨。因此，多一个竞争对手，总是好事。

近日，Google 宣布推出适用于 ROCm GPU 的 TensorFlow v1.8，其中包括 Radeon Instinct MI25。对于 AMD 正在进行的深度学习加速工作而言，这是一座重大的里程碑。

ROCm即 Radeon 开放生态系统 (Radeon Open Ecosystem)，是我们在 Linux 上进行 GPU 计算的开源软件基础。而 TensorFlow 实现则使用了MIOpen，这是一个适用于深度学习的高度优化 GPU 例程库。

AMD 提供了一个预构建的whl软件包，安装过程很简单，类似于安装 Linux 通用 TensorFlow。目前 Google 已发布安装说明及预构建的 Docker 映像。下面，我们就来手把手地教大家。

▌如何在 AMD 的 GPU 上运行 TensorFlow？

首先，你需要安装开源 ROCm 堆栈，详细的安装说明可以参考：

https：//rocm.github.io/ROCmInstall.html

然后，你需要安装其他相关的 ROCm 软件包：

sudoaptupdatesudoaptinstallrocm-libsmiopen-hipcxlactivitylogger

最后，安装 TensorFlow （通过 Google 预先构建的 whl 软件包）：

sudoaptinstallwgetpython3-pipwgethttp://repo.radeon.com/rocm/misc/tensorflow/tensorflow-1.8.0-cp35-cp35m-manylinux1_x86_64.whlpip3install./tensorflow-1.8.0-cp35-cp35m-manylinux1_x86_64.whl

▌ROCm-docker 安装指南

Rocm-docker 的安装指南：

https://github.com/RadeonOpenCompute/ROCm-docker/blob/master/quick-start.md

启动 TensorFlow v1.8 docker 映像：

aliasdrun='sudodockerrun-it--network=host--device=/dev/kfd--device=/dev/dri--group-addvideo--cap-add=SYS_PTRACE--security-optseccomp=unconfined-v$HOME/dockerx:/dockerx-v/data/imagenet/tf:/imagenet'drunrocm/tensorflow:rocm1.8.2-tf1.8-python2

当你使用 ROCm 容器时，以下是一些常用且非常实用的 docker 命令：

一个新的 docker 容器通常不包含元数据存储库命令 apt。因此，在尝试使用 apt 安装新软件之前，请首先确保命令 sudo apt update 的正常运行。

出现如下报错消息，通常意味着当前用户无执行 docker 的权限;你需要使用 sudo 命令或将你的用户添加到 docker 组。

在正在运行的容器中打开另一个终端的命令：

从主机中复制文件到正在运行的 docker 上的命令：

从正在运行的 docker 容器中复制文件到主机上的命令：

在拉取图像时，收到设备上没有剩余空间的消息，请检查 docker 引擎正在使用的存储驱动程序。如果是“设备映射器 (device mapper)”，这意味着“设备映射器”存储驱动程序限制了图像大小限制，此时你可以参考快速入门指南中关于更改存储驱动程序的解决方案，链接如下：

https://github.com/RadeonOpenCompute/ROCm-docker/blob/master/quick-start.md

▌实践指南

1、图像识别

我们将使用 TensorFlow 的一个教程作为 Inception-v3 图像识别任务：

https：//www.tensorflow.org/tutorials/image_recognition

以下是如何运行代码：

cd~&&gitclonehttps://github.com/tensorflow/models.gitcd~/models/tutorials/image/imagenetpython3classify_image.py

之后，你会看到一个带有相关分数的标签列表，上面的脚本是用于对熊猫的图像进行分类，所以你会看到下面的结果：

giantpanda,panda,pandabear,coonbear,Ailuropodamelanoleuca(score=0.89103)indri,indris,Indriindri,Indribrevicaudatus(score=0.00810)lesserpanda,redpanda,panda,bearcat,catbear,Ailurusfulgens(score=0.00258)custardapple(score=0.00149)earthstar(score=0.00141)

2、语音识别

接下来，让我们试试 TensorFlow 的语音识别教程：

https：//www.tensorflow.org/tutorials/audio_recognition

以下是运行代码：

cd~&&gitclonehttps://github.com/tensorflow/tensorflow.gitcd~/tensorflowpython3tensorflow/examples/speech_commands/train.py

在默认设置下运行几个小时后，你将看到准确度越来越高的趋势：

[...]INFO:tensorflow:Step18000:Validationaccuracy=88.7%(N=3093)INFO:tensorflow:Savingto"/tmp/speech_commands_train/conv.ckpt-18000"INFO:tensorflow:set_size=3081INFO:tensorflow:ConfusionMatrix:[[25420001000000][3195551184570410][04239011910010][050220172401111][11002580400242][2501512112020213][121506024020010][113003022370120][05102113231200][030021133522510][00118130022321][0140346552010184]]INFO:tensorflow:Finaltestaccuracy=88.5%(N=3081)

如果你想测试训练好的模型，可以尝试以下方法：

python3tensorflow/examples/speech_commands/freeze.py--start_checkpoint=/tmp/speech_commands_train/conv.ckpt-18000--output_file=/tmp/my_frozen_graph.pbpython3tensorflow/examples/speech_commands/label_wav.py--graph=/tmp/my_frozen_graph.pb--labels=/tmp/speech_commands_train/conv_labels.txt--wav=/tmp/speech_dataset/left/a5d485dc_nohash_0.wav

你会看到“left”标签的得分最高：

left(score=0.74686)right(score=0.12304)unknown(score=0.10759)

3、多 GPU 训练

最后，让我们用多个 GPU 来训练 ResNet-50。我们将使用 TensorBoard 来监控进度，因此我们的工作流程分为两个终端和一个浏览器。首先，我们假设你将 ImageNet 数据集放在“/ data / imagenet”（可更改）下。

1) 第一个终端

cd~&&gitclonehttps://github.com/tensorflow/benchmarks.gitcd~/benchmarksgitcheckout-bmay22ddb23306fdc60fefe620e6ce633bcd645561cb0dMODEL=resnet50NGPUS=4BATCH_SIZE=64ITERATIONS=5000000TRAIN_DIR=trainbenchmarks${MODEL}rm-rf"${TRAIN_DIR}"python3./scripts/tf_cnn_benchmarks/tf_cnn_benchmarks.py--model=${MODEL}--data_name=imagenet--data_dir=/data/imagenet--train_dir="${TRAIN_DIR}"--print_training_accuracy=True--summary_verbosity2--save_summaries_steps10--save_model_secs=3600--variable_update=parameter_server--local_parameter_device=cpu--num_batches=${ITERATIONS}--batch_size=${BATCH_SIZE}--num_gpus=${NGPUS}2>&1|tee/dockerx/tf-imagenet.txt

2) 第二个终端

hostname-I#findyourIPaddresstensorboard--logdirtrain_benchmarks_resnet--host

3) 在浏览器里打开 Tensorboard

链接： http://:6006/

使用 TensorBoard，你可以看到 loss 越来越小、准确性越来越高的趋势。