Ubuntu - Instalando Python 3.8 e Tensorflow no Ubuntu 20.04.1

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

https://canalqb.blogspot.com/2023/05/ubuntu-instalando-ubuntu-server-1804.html

Agora com o python instalado, e com o ROCm configurado com os padrões do post anterior https://canalqb.blogspot.com/2023/09/ubuntu-rx-580-configurado-em-ubuntu.html

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

sudo nano arquivo.py

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

python arquivo.py

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:

sudo apt install git

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:

Link para instruções de instalação/construção do HIP-Clang: https://rocmdocs.amd.com/en/latest/Installation_Guide/HIP-Installation.html#amd-platform

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