Deixe um comentário, no fim do post
|
|
Instalando Python 3.8 e Tensorflow |
Canal Qb |
Você deve instalar uma versão do Python entre 3.5 e 3.8
Em resumo a instalação do python não muda, você pode seguir através deste link
Instalando o Tensorflow
Passo 1: Instalar e configurar o ambiente necessário para executar o TensorFlow com suporte à plataforma ROCm
sudo apt install rocm-libs miopen-hip
pip install testresources
pip3 install -Iv tensorflow-rocm==2.2.0
sudo apt install rccl
sudo apt install libtinfo5
sudo reboot
Adicione o seguinte comando ao seu arquivo .bashrc ou .bash_profile:
sudo nano .bashrc
Copie e cole o texto abaixo
export TF_ROCM_FUSION_ENABLE=1
Use os 2 comandos abaixo para criar um path
sudo find /opt/rocm/ -name librccl.so.1
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/opt/rocm/lib:/opt/rocm/rccl/lib' >> ~/.bashrc # Se você estiver usando o Bash
Chame o python usando o comando
python
digite cada linha por vez
import tensorflow as tf
tf.add(2,5)
exit()
Caso esteja tudo bem, você deverá ver algo assim:
<tf.Tensor: forma=(), dtype=int32, numpy=7>
Nesse caso, aqui está uma solução alternativa extraída deste link . Não se esqueça de tornar a alteração permanente se funcionar para você:
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/opt/rocm/hip/lib
sudo ldconfig
Parabéns! Sua máquina agora está pronta para usar o tensorflow-rocm! Você ainda deve considerar testá-lo com algo mais completo, como um benchmark.
Verifique o seu progresso: neste ponto, agora você pode criar um arquivo.py para testar o tensorflow
Copie o cole o script abaixo:
import tensorflow as tf
# Realiza uma operação simples de adição
resultado = tf.add(2, 5)
# Verifica se o resultado está correto (deve ser 7)
if resultado == 7:
print("O TensorFlow com suporte à plataforma ROCm está funcionando corretamente!")
else:
print("Houve um problema ao usar o TensorFlow com suporte à plataforma ROCm.")
# Saída opcional para ver o resultado
print("Resultado da operação:", resultado)
Salve usando Ctrl + O, após Enter, após Ctrl + Z
Execute usando o comando
Certifique-se de que, ao executar esses comandos, não ocorram erros e que a saída seja a soma correta, que neste caso deve ser 7. Isso indicará que a instalação do TensorFlow com suporte à plataforma ROCm foi bem-sucedida.
Teste com um benchmark
Hoje, vamos mergulhar em um teste de benchmark para avaliar o desempenho da sua GPU com TensorFlow. Este teste específico vai nos ajudar a medir a taxa de processamento de imagens por segundo (total de imagens/s) usando um modelo de referência ResNet50. Vamos lá!
Passo 1: Preparação
Primeiro, certifique-se de ter o Git instalado no seu sistema. Se ainda não o tem, você pode instalá-lo com o seguinte comando:
Passo 2: Clone o TensorFlow Benchmarks
Em seguida, vamos clonar o repositório TensorFlow Benchmarks com o Git. Use o seguinte comando para fazer isso:
git clone https://github.com/tensorflow/benchmarks
Passo 3: Navegue até o diretório de scripts
Entre na pasta dos scripts do TensorFlow Benchmarks com o seguinte comando:
cd ./benchmarks/scripts/tf_cnn_benchmarks
Passo 4: Execute o teste
Agora é hora de rodar o teste. Use o seguinte comando para executar o benchmark:
python3 tf_cnn_benchmarks.py --num_gpus=1 --batch_size=32 --model=resnet50
Espere um pouco, pois o teste pode demorar de 5 a 10 minutos para ser concluído, dependendo da sua GPU e configuração. Uma vez concluído, você verá um resultado que se parece com isto (os números podem variar):
total de imagens/s: 87,92
Se você viu esse resultado, parabéns! Você fez um ótimo trabalho.
Divirta-se! 😄
Agora que você realizou com sucesso o teste de benchmark, é hora de celebrar. Que tal comemorar com um delicioso taco 🌮? Você merece!
Coisas adicionais: Instalação do QUADRIL (HIP)
Se você está interessado em converter código CUDA em C++ portátil, o QUADRIL (HIP) é uma ferramenta essencial. Ele permite que os desenvolvedores executem o mesmo código-fonte em GPUs NVIDIA ou AMD. Você pode desenvolver código HIP na plataforma AMD ROCm usando o compilador HIP-Clang ou em uma plataforma CUDA com NVCC instalado. Se você deseja saber mais sobre a instalação do HIP-Clang ou está enfrentando problemas relacionados, confira este link para obter instruções detalhadas:
Espero que este teste de benchmark tenha sido útil e informativo para você. Divirta-se explorando o desempenho da sua GPU e experimentando com o TensorFlow! 😊🚀
Atualize seu pip via
python3.8 -m pip -V
Nenhum comentário
Comente só assim vamos crescer juntos!
Observação: somente um membro deste blog pode postar um comentário.