Skirtumai

Čia matote skirtumus tarp pasirinktos versijos ir esamo dokumento.

--- hpc:gpu [2022/01/31 17:11] – linp
+++ hpc:gpu [2022/10/30 13:51] – linp
@@ Linija 2: / Linija 2: @@
 Norint pasinaudoti PST skaičiavimo resursais su GPU reikės formuoti užduočių skriptus (.sh):
+Labai dažnai GPU mum reiks vykdant mašininio mokymo ir dirbtinio intelekto technologijų modeliams, pažiurėkime kaip pasiruošti PyTorch ir Tensorflow aplinkas ir patikrinti ar bibliotekos gali vykdyti kodą GPU spartinimu.
-Pavyzdys, bandant patikrinti ar jum suteikta GPU.
+====== Skriptų su Pytorch ir GPU paleidimas per SLURM ======
-Sukuriamas failas gpu.txt su indikatoriumi ir vykdymo laiko momentu:
+Programos vykdymo metu sukuriamas failas gpu.txt su indikatoriumi ir vykdymo laiko momentu:
 <code shell test_gpu.sh>
@@ Linija 13: / Linija 14: @@
 #SBATCH --gres gpu
-source gpu_env/bin/activate
+. gpu_env/bin/activate
 python3 test.py
 </code>
@@ Linija 35: / Linija 36: @@
 <code shell>
-$ source gpu_env/bin/activate
+$ . gpu_env/bin/activate
 </code>
 pasiruošiame aplinką darbui (pirmą kartą ją reikia sukurti atskirai žr. aplinka.sh)
@@ Linija 74: / Linija 75: @@
 pip3 install pillow scikit-image
 pip3 install numba
-pip3 install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio==0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html
+pip3 install torch torchvision torchaudio
 </code>
+====== Skriptų su Tensorflow/Keras ir GPU paleidimas per SLURM ======
+Programos vykdymo metu sukuriamas failas gpu.txt su indikatoriumi ir vykdymo laiko momentu:
+<code shell test_gpu_tf.sh>
+#!/bin/sh
+#SBATCH -p gpu
+#SBATCH -n1
+#SBATCH --gres gpu
+export PATH=$HOME/miniconda3/bin:$PATH
+export CONDA_PREFIX=$HOME/miniconda3/envs/gpu_env
+export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
+. activate base
+conda activate gpu_env
+python3 test_tf.py
+</code>
+Pasinagrinėkime pavyzdį paeilučiui:
+<code shell>
+$ #SBATCH -p gpu
+</code>
+nukreipiama į PST su vaizdo plokščių resursais skaičiavimo resursą.
+<code shell>
+$ #SBATCH -n1
+</code>
+nurodome, koks CPU poreikis bus reikalingas
+<code shell>
+$ #SBATCH --gres gpu
+</code>
+nurodome, koks GPU poreikis bus reikalingas (esant N GPU poreikiui būtų nurodoma gpu:N).
+<code shell>
+$ export PATH=$HOME/miniconda3/bin:$PATH
+$ export CONDA_PREFIX=$HOME/miniconda3/envs/gpu_env
+$ export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
+$ . activate base
+$ conda activate gpu_env
+</code>
+pasiruošiame aplinką darbui (pirmą kartą ją reikia sukurti atskirai žr. aplinka_tf.sh)
+<code shell>
+$ python3 test_tf.py
+</code>
+Kviečiame savo kodo skriptą, atlikti užduočiai su Python
+Čia iškviečiamo Python kalbos skripto kodas, iškviečiant Tensorflow biblioteką ir patikrinat GPU prieigą, kurios dažniausiai reikia kuriant mašininio mokymo modelius.
+<code shell test_tf.py>
+import time
+import tensorflow as tf
+val = tf.test.is_gpu_available()
+f = open("gpu.txt", "a")
+ts = time.time()
+f.write("GPU is loaded {} at {}\n".format(val, ts))
+f.close()
+</code>
+Čia iškviečiamo Python kalbos skripto kodas, iškviečiant Tensorflow biblioteką ir patikrinat GPU prieigą, kurios dažniausiai reikia kuriant mašininio mokymo modelius.
+<code shell aplinka_tf.sh>
+#!/bin/bash
+wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
+bash Miniconda3-latest-Linux-x86_64.sh
+# yes - on install, no - in init, path default one
+export PATH=~/miniconda3/bin:$PATH
+conda create --name gpu_env python=3.9
+. activate base
+conda activate gpu_env
+conda install -c conda-forge cudatoolkit=11.7 cudnn=8.1.0
+export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
+# pirmؤ… kartؤ… susiraإ،ome reikiamas bibliotekas
+pip3 install wheel
+pip3 install pillow scikit-image
+pip3 install tensorflow
+</code>