作者 | 非主流
出品 | AI科技大本营
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：
sudoaptupdate
sudoaptinstallrocm-libsmiopen-hipcxlactivitylogger
最后，安装 TensorFlow （通过 Google 预先构建的 whl 软件包）：
sudoaptinstallwgetpython3-pip
wget/rocm/misc/tensorflow/tensorflow-1.8.0-cp35-cp35m-manylinux1_x86_64.whl
pip3install./tensorflow-1.8.0-cp35-cp35m-manylinux1_x86_64.whl
▌ROCm-docker 安装指南
Rocm-docker 的安装指南：
/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：
/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：///tutorials/image_recognition
以下是如何运行代码：
cd~&&gitclone/tensorflow/models.git
cd~/models/tutorials/image/imagenet
python3classify_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：///tutorials/audio_recognition
以下是运行代码：
cd~&&gitclone/tensorflow/tensorflow.git
cd~/tensorflow
python3tensorflow/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=3081
INFO:tensorflow:ConfusionMatrix:
[[25420001000000]
[3195551184570410]
[04239011910010]
[05022401111]
[11002580400242]
[250151211213]
[121506024020010]
[113003022370120]
[05102113231200]
[030021133522510]
[00118130022321]
[014034655184]]
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.pb
python3tensorflow/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~&&gitclone/tensorflow/benchmarks.git
cd~/benchmarks
gitcheckout-bmay22ddb23306fdc60fefe620e6ce633bcd645561cb0d
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="${TRAIN_DIR}"--print_training_accuracy=True\
--summary_verbosity2--save_summaries_steps10--save_model_secs=3600\
--variable_update=parameter_server--local_parameter_device=cpu\
--num_batches=${ITERATIONS}--batch_size=${BATCH_SIZE}\
--num_gpus=${NGPUS}2>&1|tee/dockerx/tf-imagenet.txt
2) 第二个终端
hostname-I#findyourIPaddress
tensorboard--logdirtrain_benchmarks_resnet--host<ip_address>
3) 在浏览器里打开 Tensorboard
链接： http://<ip_address>: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：
/tensorflow/amd-rocm-gpu-support-for-tensorflow-33c78cc6a6cf
--【完】--
AI开发者大会
AI热潮下，技术和落地相辅而进。
AI开发者大会以『AI技术与应用』为核心，力邀国内外一线大牛，带你从项目中贯通AI。
即刻扫码，抢购福利票！
点击「阅读原文」，精彩信息抢先看
