-
1 # 嘟嘟聊數碼
-
2 # 福州首窮
N卡用來科學計算有啥用，A卡用來挖礦啊，你不看這幾年A卡靠賣礦卡，不知不覺居然出貨量大漲，居然盈利了！……
-
3 # 你看我獨角獸嗎
AMD正在開發一種新的HPC平臺，稱為ROCm。它的目標是建立一個通用的開源環境，使其能夠與Nvidia（使用CUDA）和AMD GPU（更多資訊）互動。
本教程將說明如何在單個或多個配置中使用AMD GPU來設定神經網路環境。
在軟體方面：我們將能夠使用Docker在ROCm核心之上執行Tensorflow v1.12.0作為Keras的後端，要安裝和部署ROCm，需要特定的硬體/軟體配置。
硬體要求官方文件（ROCm v2.1）建議以下硬體解決方案。
支援的CPU當前支援PCIe Gen3 + PCIe Atomics的CPU是：
AMD銳龍CPU;AMD銳龍APU中的CPU；AMD銳龍Threadripper CPUAMD EPYC CPU；Intel Xeon E7 v3或更高版本的CPU；Intel Xeon E5 v3或更高版本的CPU；Intel Xeon E3 v3或更高版本的CPU；英特爾酷睿i7 v4（i7–4xxx），酷睿i5 v4（i5–4xxx），酷睿i3 v4（i3–4xxx）或更新的CPU（即Haswell系列或更新的CPU）。支援的GPUROCm正式支援使用以下晶片的AMD GPU：
GFX8 GPU“斐濟”晶片，例如AMD Radeon R9 Fury X和Radeon Instinct MI8“ Polaris 10”晶片，例如AMD Radeon RX 480/580和Radeon Instinct MI6“ Polaris 11”晶片，例如AMD Radeon RX 470/570和Radeon Pro WX 4100“ Polaris 12”晶片，例如AMD Radeon RX 550和Radeon RX 540上的晶片GFX9 GPU“ Vega 10”晶片，例如AMD Radeon RX Vega 64和Radeon Instinct MI25“ Vega 7nm”晶片（Radeon Instinct MI50，Radeon VII）測試設定作者已使用以下硬體/軟體配置來測試和驗證環境：
CPU：Intel Xeon E5–2630L記憶體：2 x 8 GB主機板：MSI X99A Krait版GPU：2個RX480 8GB + 1個RX580 4GB固態硬碟：三星850 Evo（256 GB）硬碟：WDC 1TB作業系統：Ubuntu 18.04 LTSROCm下載為了使一切正常工作，建議在全新安裝的作業系統中開始安裝過程。在下面的步驟指的是Ubuntu的LTS 18.04作業系統，對於其它作業系統，請參考官方文件。
安裝ROCm現在需要更新apt資訊庫列表並安裝rocm-dkms的meta-package：
Tensorflow Docker使ROCm + Tensorflow後端正常工作的最快，更可靠的方法是使用AMD開發人員提供的docker映像。
安裝Docker CE
首先，需要安裝Docker。為此，請按照Ubuntu系統的說明進行操作：
拉ROCm Tensorflow影象
docker pull rocm/tensorflow幾分鐘後，該Image將安裝到您的系統中，即可開始使用。
建立jupyter
我們正在使用Tensorflow v1.12.0。
讓我們匯入一些有用的函式，以供下一步使用：
讓我們設定batch size, epochs 和number of classes。
現在，我們將下載並預處理輸入，並將其載入到系統記憶體中。
現在是時候定義神經網路架構了：
我們將使用一個非常簡單的兩層全連線網路，每層具有512個神經元。為了防止過度擬合，我們對神經元drop out了20％。
開始訓練：
多GPU訓練作為附加步驟，如果您的系統具有多個GPU，則可以利用Keras功能，以減少訓練時間，從而將批次分配給不同的GPU。
為此，首先需要透過宣告環境變數來指定用於訓練的GPU數量（將以下命令放在單個單元格上並執行）：
！export HIP_VISIBLE_DEVICES = 0,1，...從0到…的數字定義了用於訓練的GPU。如果您只是想禁用GPU加速，請執行以下操作：
！export HIP_VISIBLE_DEVICES = -1結論實驗證明，AMD GPU在計算負載下的效能相當好，而價格價效比卻相當高。GPU市場瞬息萬變，ROCm為研究人員、工程師和初創公司提供了非常強大的開源工具以供使用，從而降低了硬體裝置的前期成本和開發時間，建議AMD粉可以嘗試下看看。
回覆列表
NVIDIA顯示卡雖說有cuda，但是AMD顯示卡也有opencl啊，其實不管是CUDA還是OpenCL，兩者都是為了滿足通用平行計算，但是cuda是配備完整工具包、針對單一供應商(NVIDIA)的成熟的開發平臺，相對來說更加專用化和封閉化，而opencl則是一個開放的標準，被許多軟體和硬體廠商所使用，範圍比較廣。
就科學計算來說，確實目前對開發者更友好的cuda使用面更廣，這與cuda擁有相對完整的開發套件有很大關係，經過多年的發展，cuda已經有遠好於OpenCL的生態系統，更易用，對程式設計師更友好，而OpenCL儘管開放，但是API設計怪異，缺乏一致性，功能亦不正交，很不直觀，遠未成熟。
AMD顯示卡目前是無法支援cuda而只能支援opencl的，在一些科學計算程式中，AMD顯示卡的計算效率確實明顯不如N卡，這裡就是cuda的優勢所在了，之所以AMD沒有開發類似cuda這樣的api主要還是在於AMD沒有足夠的實力制定這項標準，而NVIDIA早在2006年的GTX8800顯示卡上就啟用cuda計劃了，這麼多年的發展nvidia也投入了巨大的人力物力才獲得今天的成就，包括每年的GTC大會都對cuda和相關技術的推廣做了大量工作，而AMD顯然缺乏這方面的工作。
其實AMD作為同時研發CPU和GPU的半導體廠商，能做到這樣就很不容易了，在資金無法大幅增長的情況下，顯示卡業務只要做好本職工作就很不錯了，至於弄什麼新api標準顯然很難做到，只能期待OpenCL的未來能更加美好吧。