AMD Radeon RX 9070 XT在WSL上使用ROCm

发布于 作者:

ROCm是AMD的对标CUDA的东西，现在最新的6.4版终于支持最新的显卡AMD Radeon RX 9070 XT了。经过一番折腾，终于在Windows上的WSL里跑起来了。下面就详细说说。

ROCm文档：https://rocm.docs.amd.com

启用WSL

WSL是Windows Subsystem for Linux，现在已经让Windows变成了“最佳Linux发行版”了。要启用WSL，Windows 11的步骤如下：

首先，打开设置，选择系统，往下找到可选功能。

Windows 11 设置

然后在可选功能中，往下找到更多Windows功能。

Windows 11 可选功能

在打开的Windows功能对话框中，往下找到适用于Linux的Windows子系统，勾选然后确定。

Windows 功能

安装好之后重启即可。

另外商店中也有WSL的应用，但不知道安装效果和上面的步骤一不一样，请自行尝试。Windows 10的启用方法请自行上网查找。

在WSL中安装Ubuntu 24.04

为了稳定，我们最好使用长期支持（Long Term Support，LTS）版本的系统，Ubuntu 24.04就是最新的LTS版本。

首先打开PowerShell终端，可以在开始按钮上点右键，然后点击终端打开。会打开Windows Terminal终端应用，默认即PowerShell。

在打开的终端中输入如下命令，并回车Enter执行（如无特殊说明，命令都是回车执行，下面不再赘述）。

wsl --set-default-version 2

这条命令是将WSL默认版本设为2，即WSL2。只有WSL2支持GPU应用，为了避免后期转换，直接设置安装时就使用WSL2。

接下来要安装Ubuntu 24.04。

wsl --install Ubuntu-24.04

安装时会询问用户名和密码，按要求设置即可。

如果想安装其他版本或其它系统，可以用wsl -l -o来查看可以安装的发行版。安装好后用wsl -l -v可以查看当前安装的发行版。

另外，为了成功使用GPU应用，需要启用WSLg支持。在开始菜单中找到WSL Settings，并确保可选功能中的启用GUI应用程序打开（默认应该是启用的，如果出问题可以来检查设置）。

WSL设置

安装后设置

安装好之后，就可以在终端应用的新建窗口的下拉菜单中找到Ubuntu 24.04了。在开始菜单中也有对应的项目，可以直接打开。

下面的命令如无特殊说明，都是在Ubuntu 24.04下执行的。

修改软件源并更新

要将Ubuntu的系统软件源修改为国内镜像。使用如下命令打开软件源：

sudo vim /etc/apt/source.list.d/ubuntu.source

打开往下翻页会看到两处URIs设置，将两处URIs后的内容都改成http://mirrors.tuna.tsinghua.edu.cn/ubuntu/即可，其他行不要动。

关于Vim的操作方法，可以看Vim简易操作指南。

修改好之后，进行更新。下面每行一条命令，每条命令执行完成后再执行下一条，后面多行命令如无特殊说明均如此。

sudo apt update
sudo apt dist-upgrade

（可选）一些方便设置

为了方便使用，可以安装一些软件包：

sudo apt install zsh git language-pack-zh-hans

分别安装了Zsh（一个好用的Shell）、Git（代码版本控制软件）和中文语言包。

为了能访问GitHub，需要给Git设置代理：

git config --global http.https://github.com.proxy "http://127.0.0.1:8080"

http://127.0.0.1:8080这部分根据自己使用的代理设置，协议支持http、https和socks5。

为了Zsh更好用，可以安装配置框架Oh My Zsh。

sh -c "$(wget https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.sh -O -)"

要设置Git的GitHub代理，否则有可能失败。安装好后会询问是否设置默认Shell为Zsh，确认即可。修改默认Shell之后，要关闭终端（标签页）再打开才能看到生效。

安装AMD GPU驱动

参考引用来源1，首先下载并安装AMD GPU驱动管理工具。

wget https://repo.radeon.com/amdgpu-install/6.4.1/ubuntu/noble/amdgpu-install_6.4.60401-1_all.deb
sudo apt install ./amdgpu-install_6.4.60401-1_all.deb

然后根据需要安装驱动，可以先列出用例。

sudo amdgpu-install --list-usecase

然后安装所需要的用例。

amdgpu-install --usecase=wsl,rocm --no-dkms

因为是WSL下安装，所以需要安装wsl用例，并且要安装rocm用例，如果有其他需求可以参考上面列出的用例，用英文逗号,分隔。

装好之后可以用如下命令查看是否成功：

rocminfo

如果列出的内容中有正在使用的显卡（一般是在Agent 2下面），那么就表示成功了。

卸载

卸载驱动

在Ubuntu中执行命令即可。

sudo amdgpu-uninstall

删除WSL实例

在PowerShell终端中执行命令即可。

wsl --unregister Ubuntu-24.04

此处Ubutu-24.04是发行版名称，可以用wsl -l -v查看。

然后就可以删除发行版了。

wsl --uninstall Ubuntu-24.04

在WSL中使用PyTorch

以下所有命令均在Ubuntu中执行。

安装Miniconda

这一步是为了方便管理虚拟环境，如果使用其他的虚拟环境管理工具，可以跳过。参考Linux（包括WSL）安装Miniconda教程即可。

创建新虚拟环境

使用Miniconda创建一个虚拟环境。

conda create -n pytorch python

pytorch是虚拟环境的名称，请自行设定。python表示初始安装Python包。

完成后激活虚拟环境，后面操作都是在激活的虚拟环境中进行。

conda activate pytorch

安装PyTorch

到PyTorch官网页面查看安装命令。下面是选择Preview (Nightly)、Linux、Pip、Python、ROCm 6.4的结果，理论上稳定版的ROCm 6.3应该也能运行。

pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/rocm6.4

根据提示等待安装成功。

一些修正

在引用来源2中提到，因为PyTorch自带的libhsa有问题，需要替换，但经过我的测试，直接删除即可。具体可以先用下一节的测试方法测试之后再来修正。

location=`pip show torch | grep Location | awk -F ": " '{print $2}'`
cd ${location}/torch/lib/
rm libhsa-runtime64.so*

如果要替换可以在上面的命令执行完后再执行一条：

cp /opt/rocm/lib/libhsa-runtime64.so.1.15.60401 libhsa-runtime64.so

这里文件名后的1.15.60401是库文件版本，根据自己的实际情况修改，可以用Tab键自动补全。

但这样还是有可能出错，因为Miniconda安装的Python自带的libstdc++.so可能太旧。用下一节的方法测试会提示如下错误：

/home/qakcn/miniconda3/envs/pytorch/bin/../lib/libstdc++.so.6: version `GLIBCXX_
3.4.32' not found (required by /home/qakcn/miniconda3/envs/pytorch/lib/python3.1
3/site-packages/torch/lib/libhsa-runtime64.so)

一般系统自带的都是新的，所以我们这里也可以直接删除，根据上面提示的文件路径删除即可：

rm /home/qakcn/miniconda3/envs/pytorch/lib/libstdc++.so.6

这里的路径要根据实际情况修改。提示的文件名是/home/qakcn/miniconda3/envs/pytorch/bin/../lib/libstdc++.so.6，其中..表示上级目录，/home/qakcn/miniconda3/envs/pyg/bin/的上级目录就是/home/qakcn/miniconda3/envs/pytorch/，把..后的路径接上就行了。也可以直接定位到Miniconda安装目录的envs/<虚拟环境名>/lib目录下（可以直接使用环境变量$CONDA_PREFIX来获取）。

测试PyTorch

用下面几条命令验证PyTorch是否成功：

python3 -c 'import torch' 2> /dev/null && echo 'Success' || echo 'Failure'
python3 -c 'import torch; print(torch.cuda.is_available())'
python3 -c "import torch; print(f'device name [0]:', torch.cuda.get_device_name(0))"

第一条测试PyTorch是否安装成功，输出Success（成功）或Failure（失败）。第二条测试ROCm是否能成功调用，输出True（成功）或False（失败）。第三条测试调用的是否是AMD显卡，输出显卡型号名称。

下面再给出三个Python脚本，用于简单测试性能。

  1. flops.py
import torch
from torch.utils import benchmark

typ = torch.float16 # 可以修改成float32或float64来测试单精度或双精度浮点性能
n = 1024 * 16
a = torch.randn(n, n).type(typ).cuda()
b = torch.randn(n, n).type(typ).cuda()

t = benchmark.Timer(
      stmt='a @ b',
      globals={'a': a, 'b': b})

x = t.timeit(50)
print(2*n**3 / x.median /1e12) # 输出结果单位是TFLOPS
  1. test.py
vimport time
import torch

# 测试gpu计算耗时
A = torch.ones(5000, 5000).to('cuda')
B = torch.ones(5000, 5000).to('cuda')
startTime2 = time.time()
for i in range(100):
    C = torch.matmul(A, B)
endTime2 = time.time()
print('gpu计算总时长:', round((endTime2 - startTime2) * 1000, 2), 'ms')

# 测试cpu计算耗时
A = torch.ones(5000, 5000)
B = torch.ones(5000, 5000)
startTime1 = time.time()
for i in range(100):
    C = torch.matmul(A, B)
endTime1 = time.time()
print('cpu计算总时长:', round((endTime1 - startTime1) * 1000, 2), 'ms')
  1. testscript.py
# converted to convenient script form
# just run python -m testscript
# it should go without saying that you need a CUDA-enabled PyTorch installation before running this will work
# I mean, that's the whole point of this script, to test that very installation

# Imports
import time
import torch

# functions
def timeFun(f, dim, iterations, device='cpu'):
  iterations = iterations
  t_total = 0
  for _ in range(iterations):
    start = time.time()
    f(dim, device)
    end = time.time()
    t_total += end - start

  if device == 'cpu':
    print(f"time taken for {iterations} iterations of {f.__name__}({dim}, {device}): {t_total:.5f}")
  else:
    print(f"time taken for {iterations} iterations of {f.__name__}({dim}, {device}): {t_total:.5f}")

def set_device():
  device = "cuda" if torch.cuda.is_available() else "cpu"
  if device != "cuda":
    print("GPU is not available")
  else:
    print("GPU is available")

  return device

def simpleFun(dim, device):
  """
  Args:
    dim: integer
    device: "cpu" or "cuda"
  Returns:
    Nothing.
  """

  # 2D tensor filled with uniform random numbers in [0,1), dim x dim
  x = torch.rand(dim,dim,device=device) # don't use "to". just make it a cuda-native array (with device='cuda') and it'll go way faster because you'll be abolishing the transfer overhead!
  # 2D tensor filled with uniform random numbers in [0,1), dim x dim
  y = torch.rand_like(x,device=device)
  # 2D tensor filled with the scalar value 2, dim x dim
  z = 2*torch.ones_like(x,device=device)

  # elementwise multiplication of x and y
  a = x * y
  # matrix multiplication of x and y
  b = x @ y

  del x
  del y
  del z
  del a
  del b

# set device
DEVICE = set_device()

# params for timeFun
dim = 10000
iterations = 1

# test your GPU matrix multiplication against a CPU benchmark
timeFun(f=simpleFun, dim=dim, iterations=iterations, device='cpu')
timeFun(f=simpleFun, dim=dim, iterations=iterations, device=DEVICE)
赞赏

微信赞赏支付宝赞赏

相关文章：

  1. 日本鬼子的逆袭
  2. Linux（包括WSL）安装Miniconda教程
  3. 折腾香橙派
  4. 在Ubuntu上使用AMD Radeon RX 5700 XT显卡
  5. 在多系统间共用蓝牙配对信息
  6. Linux防火墙限制PHP访问
  7. Ubuntu 22.04安装AMD显卡驱动
  8. Windows安装Miniconda教程
  9. 内网穿透之ngrok [2017-10-13 UPDATED]
  10. 内网穿透之frp