喜大普奔！TensorFlow终于支持A卡了

摘要：工资不涨，英伟达的售价年年涨。近日，宣布推出适用于的，其中包括。对于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。而实现则使用了，这是一个适用于深度学习的高度优化例程库。目前已发布安装说明及预构建的映像。

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：

sudo apt update

sudo apt install rocm-libs miopen-hip cxlactivitylogger

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

sudo apt install wget python3-pip 

wget http://repo.radeon.com/rocm/misc/tensorflow/tensorflow-1.8.0-cp35-cp35m-manylinux1_x86_64.whl

pip3 install ./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：

alias drun="sudo docker run -it --network=host --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $HOME/dockerx:/dockerx -v /data/imagenet/tf:/imagenet"

drun rocm/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 ~ && git clone https://github.com/tensorflow/models.git

cd ~/models/tutorials/image/imagenet

python3 classify_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：

giant panda, panda, panda bear, coon bear, Ailuropoda melanoleuca (score = 0.89103)

indri, indris, Indri indri, Indri brevicaudatus (score = 0.00810)

lesser panda, red panda, panda, bear cat, cat bear, Ailurus fulgens (score = 0.00258)

custard apple (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 ~ && git clone https://github.com/tensorflow/tensorflow.git

cd ~/tensorflow

python3 tensorflow/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:Step 18000: Validation accuracy = 88.7% (N=3093)

INFO:tensorflow:Saving to "/tmp/speech_commands_train/conv.ckpt-18000"

INFO:tensorflow:set_size=3081

INFO:tensorflow:Confusion Matrix:

[[254   2   0   0   0   1   0   0   0   0   0   0]

[  3 195   5   5  11   8   4   5   7   0   4  10]

[  0   4 239   0   1   1   9   1   0   0   1   0]

[  0   5   0 220   1   7   2   4   0   1   1  11]

[  1   1   0   0 258   0   4   0   0   2   4   2]

[  2   5   0  15   1 211   2   0   2   0   2  13]

[  1   2  15   0   6   0 240   2   0   0   1   0]

[  1  13   0   0   3   0   2 237   0   1   2   0]

[  0   5   1   0   2   1   1   3 231   2   0   0]

[  0   3   0   0  21   1   3   3   5 225   1   0]

[  0   0   1   1   8   1   3   0   0   2 232   1]

[  0  14   0  34   6   5   5   2   0   1   0 184]]

INFO:tensorflow:Final test accuracy = 88.5% (N=3081)

如果你想测试训练好的模型，可以尝试以下方法：

python3 tensorflow/examples/speech_commands/freeze.py

--start_checkpoint=/tmp/speech_commands_train/conv.ckpt-18000

--output_file=/tmp/my_frozen_graph.pb

python3 tensorflow/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”标签的得分较高：

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 ~ && git clone https://github.com/tensorflow/benchmarks.git 

cd ~/benchmarks

git checkout -b may22 ddb23306fdc60fefe620e6ce633bcd645561cb0d

MODEL=resnet50

NGPUS=4

BATCH_SIZE=64

ITERATIONS=5000000

TRAIN_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_verbosity 2 --save_summaries_steps 10 --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        # find your IP address

tensorboard --logdir train_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。

参考链接：

https://medium.com/tensorflow/amd-rocm-gpu-support-for-tensorflow-33c78cc6a6cf

声明：文章收集于网络，如有侵权，请联系小编及时处理，谢谢

商业智能与数据分析群

兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识

QQ群：81035754