【AMD显卡在WIndow10/11部署带GPU支持的深度学习环境(Tensorflow-DirectML篇)】

全中文网首发，可以收藏本教程纪念一下

还有个姊妹篇Pytorch版，请翻阅我的博文！

我这先晒一个结果：

首先这里推荐的系统比如Win10不要太老，尽量新一点，特别是针对WSL2

本人用的显卡是AMD Radeon RX6600(后面不带XT，很重要！因为还有XT版嘛，性能差20%左右)
CPU：i5 12600KF(目前的神卡，干翻上一代i9 K)
系统WIn10专业版，内部版本号：19042，版本不要太老，太老自己Windows更新那边升级一下到最新。

这里出现了两个分叉，一个是用我们本地Window环境，一个是用WSL2，如果你是准备用WSL2那么你最好是安装Window10/11专业版或家庭版，不要安装企业版或服务器版，因为后面两个没有Windows商店，对我们安装Ubuntu有难度。

场景1：在Window10/11 WSL2下搭建Tensorflow GPU深度学习环境
A：搭建WSL2：
这一步最好是看准自己的显卡，并不是越新的A卡就支持，比如我的6600就不支持，但是6600XT是支持的
目前我知道的比较主流的保证支持的显卡是：6600XT和6900XT，具体可以参考AMD官网：

https://www.amd.com/en/support/kb/release-notes/rn-rad-win-wsl-support

第零步：主板开启虚拟化支持
第一步：启用虚拟机平台和 Linux 子系统功能
第二步：安装一个 Linux 发行版
第三步：启用 WSL2*

第零步：自己百度自己主板型号，开启即可，我的主板是开启vt-d

第一步：启用虚拟机平台和Linux 子系统功能

你可以用图形界面，也可以用命令行：
图形化：
在控制面板添加开启新功能：

命令行：
以管理员权限启动 PowerShell，也可以用Windows Terminal(推荐，因为后面可以直接用这个启动Ubuntu，可以到Windows商店下载)，然后输入以下命令启用虚拟机平台：

Enable-WindowsOptionalFeature -Online -FeatureName VirtualMachinePlatform

以管理员权限启动 PowerShell，然后输入以下命令启用 Linux 子系统功能：

Enable-WindowsOptionalFeature -Online -FeatureName Microsoft-Windows-Subsystem-Linux

PS：我上面的Terminal是不小心复制进去的，不要在意，回车就完事，反正识别不了。

提前开启WSL版本号：

wsl --set-version Ubuntu 2

这个你也可以在安装Ubuntu后再开。

第二步：安装一个 Linux 发行版
打开微软商店应用，在搜索框中输入"Linux"然后搜索，你可以看到搜索结果中有很多的 Linux 发行版可以选择。选择一个你喜欢的 Linux 发行版本然后安装：

需要注意，在商店中的安装并没有实际上完成 Linux 子系统的安装，你还需要运行一次已安装的 Linux 发行版以执行真正的安装操作，具体操作是在开始菜单，找到Ubuntu，点一下

会出现这个说明安装成功，如果出现error，不要担心，你可以重启电脑再试试

第三步：启用 WSL2
你在前面提前开启WSL版本号，这步可以不做！如果没开那么可以这样：

使用 wsl -l 可以列出当前系统上已经安装的 Linux 子系统名称。注意这里的 -l 是列表"list"的缩写，是字母 l 不是其他字符。

wsl -l

如果提示 wsl 不是内部或外部命令，说明你没有启用"适用于 Windows 的 Linux 子系统"，请先完成本文第一步。

如果提示没有发现任何已安装的 Linux，说明你没有安装 Linux 发行版，或者只是去商店下载了，没有运行它执行真正的安装，请先完成本文第二步。

使用 wsl --set-version 2 命令可以设置一个 Linux 发行版的 WSL 版本。命令中 替换为你安装的 Linux 发型版本的名称，也就是前面通过 wsl -l 查询到的名称。

wsl --set-version Ubuntu 2

以上内容部分参考自：

https://walterlv.blog.csdn.net/article/details/101508601
谢谢作者！

然后后面大部分是我的私货：
成功安装Ubuntu后，我们可以用Windows Terminal打开Ubuntu控制台：

OK，以上就是安装WSL2所有步骤，也适合安装N卡版的，那个安装更简单，弄好直接可以使用原版的TF GPU或者Pytorch GPU而不需要安装DirectML版

Flag1:
然后是我们的重点，安装AMD显卡SDK软件Radeon Software Adrenalin 2020 Edition，相当于英伟达的Cuda，注意这个不是我们安装系统后用什么驱动精灵安装的那个显卡驱动，这个驱动是SDK，就是AMD版的Cuda！下载不要下载错了，不要下载那个带Mini的版本，完整版是400多M！
PS：WSL2 GPU支持版本一定要安装下面链接的版本(rn-rad-win-wsl-support)

下载官网：

https://www.amd.com/en/support/kb/release-notes/rn-rad-win-wsl-support

支持的显卡自己可以看看，我的6600xt这个版本用不了，那么用不了怎么办？
你可以右上角搜：

比如我这个是6600

下载安装即可，千万不要试图安装没有列出你显卡型号的驱动，我给你一个tan90°
如果出现这个界面，那么恭喜你：


如果出现：

也不要慌，去下一个3DM最新的环境包合集，一共1G多，除了里面的N卡物理插件不要安装，其他没有冲突都可以安装！
比如这个：

https://dl.3dmgame.com/patch/89066.html

然后重新安装我们的Radeon Software Adrenalin 2020 Edition

按好后我们就可以进入Ubuntu安装我们的TF了，这时，可以给他装个GUI，可以看我另外一篇博文
然后按个MiniConda：

我们的tf dml支持的Python版本：
Python x86-64 3.5, 3.6, or 3.7

推荐用Py3.7以及对应的conda
官网：

https://docs.conda.io/en/latest/miniconda.html

安装Tensorflow-DirectML：

pip install tensorflow-directml==1.15.5

安装VSCODE

安装Keras：

这里我们的tf是1.15.5
所以可以参考这里：

Tensorflow 和 Keras 版本对应关系
https://blog.csdn.net/douzi949389/article/details/108146536

这里推荐安装： Keras 2.3.1

pip install keras==2.3.1

检测是否支持AMD GPU：

import tensorflow as tf
tf.test.is_gpu_available()
print(tf.test.is_gpu_available(cuda_only=False) )

更多例子可以移步官网：

https://github.com/microsoft/DirectML/tree/master/TensorFlow

场景2：在Windows本地使用Tensorflow-DirectML

这个更加简单了，那你就根本不需要安装WSL2了，直接:

goto Flag1

把所有的步骤都在Windows下操作即可！

PS：
RX6600的小伙伴SDK直接安装这个：
https://www.amd.com/en/support/kb/release-notes/rn-rad-win-21-10-2-rx6600

这边博主是很怀疑萌新的阅读能力的，你这就不能打开网页翻译吗

下载好后是这个，双击安装！

参考：
https://docs.microsoft.com/zh-cn/windows/ai/directml/gpu-tensorflow-windows

Original: https://blog.csdn.net/weixin_44029053/article/details/121581870
Author: superowner001
Title: 【AMD显卡在WIndow10/11部署带GPU支持的深度学习环境(Tensorflow-DirectML篇)】

相关阅读

Title: einops库中rearrange，reduce和repeat的介绍

用法介绍

einops是一个简洁优雅操作张量的库，并且支持对numpy，pytorch，tensorflow中的张量进行操作，该库最大的优点是函数的使用逻辑清晰明了，其中中常用的三个函数分别是rearrange，repeat，reduce。

• rearrange: 用于对张量的维度进行重新变换排序，可用于替换pytorch中的reshape，view，transpose和permute等操作
• repeat: 用于对张量的某一个维度进行复制，可用于替换pytorch中的repeat
• reduce: 类似于tensorflow中的reduce操作，可以用于求平均值，最大最小值的同时压缩张量维度

einops中rearrange，repeat，reduce的函数细节介绍如下所示

def rearrange(inputs, pattern, **axes_lengths)⟶ \longrightarrow ⟶ transform_inputs

• inputs (tensor): 表示输入的张量
• pattern (str): 表示张量维度变换的映射关系
• axes_lengths**: 表示按照指定的规格形式进行变换

def repeat(inputs, pattern, **axes_lengths)⟶ \longrightarrow ⟶ transform_inputs

• inputs (tensor): 表示输入的张量
• pattern (str): 表示张量按照某个维度复制的映射关系
• axes_lengths**: 表示按照指定的规格形式进行复制

def reduce(inputs, pattern, reduction, **axes_lengths)⟶ \longrightarrow ⟶ transform_inputs

• inputs (tensor): 表示输入的张量
• pattern (str): 表示张量执行某种运算做操作后维度变换的映射关系
• reduction (str): 表示运算操作的类型，分别有'max'，'min'，'sum'，'mean'，'prod'
• axes_lengths**: 表示按照指定的规格形式进行运算操作

代码示例

einops库中rearrange函数的代码示例如下所示

>>> images = [np.random.randn(30, 40, 3) for _ in range(32)]

>>> rearrange(images, 'b h w c -> b h w c').shape
(32, 30, 40, 3)

>>> rearrange(images, 'b h w c -> (b h) w c').shape
(960, 40, 3)

>>> rearrange(images, 'b h w c -> h (b w) c').shape
(30, 1280, 3)

>>> rearrange(images, 'b h w c -> b c h w').shape
(32, 3, 30, 40)

>>> rearrange(images, 'b h w c -> b (c h w)').shape
(32, 3600)

>>> rearrange(images, 'b (h1 h) (w1 w) c -> (b h1 w1) h w c', h1=2, w1=2).shape
(128, 15, 20, 3)

>>> rearrange(images, 'b (h h1) (w w1) c -> b h w (c h1 w1)', h1=2, w1=2).shape
(32, 15, 20, 12)

einops库中repeat函数的代码示例如下所示

>>> image = np.random.randn(30, 40)

>>> repeat(image, 'h w -> h w c', c=3).shape
(30, 40, 3)

>>> repeat(image, 'h w -> (repeat h) w', repeat=2).shape
(60, 40)

>>> repeat(image, 'h w -> h (repeat w)', repeat=3).shape
(30, 120)

>>> repeat(image, 'h w -> (h h2) (w w2)', h2=2, w2=2).shape
(60, 80)

>>> downsampled = reduce(image, '(h h2) (w w2) -> h w', 'mean', h2=2, w2=2)
>>> repeat(downsampled, 'h w -> (h h2) (w w2)', h2=2, w2=2).shape
(30, 40)

einops库中reduce函数的代码示例如下所示

>>> x = np.random.randn(100, 32, 64)

>>> y = reduce(x, 't b c -> b c', 'max')

>>> y = reduce(x, 'time batch channel -> batch channel', 'max')
>>> x = np.random.randn(10, 20, 30, 40)

>>> y1 = reduce(x, 'b c (h1 h2) (w1 w2) -> b c h1 w1', 'max', h2=2, w2=2)

>>> y2 = rearrange(y1, 'b (c h2 w2) h1 w1 -> b c (h1 h2) (w1 w2)', h2=2, w2=2)
>>> assert parse_shape(x, 'b _ h w') == parse_shape(y2, 'b _ h w')

>>> reduce(x, 'b c (h1 h2) (w1 w2) -> b c h1 w1', 'max', h1=3, w1=4).shape
(10, 20, 3, 4)

>>> reduce(x, 'b c h w -> b c', 'mean').shape
(10, 20)

>>> y = x - reduce(x, 'b c h w -> () c () ()', 'mean')

>>> y = x - reduce(x, 'b c h w -> b c () ()', 'mean')

Original: https://blog.csdn.net/qq_38406029/article/details/122322166
Author: 鬼道2022
Title: einops库中rearrange，reduce和repeat的介绍