Windows系统安装PyTorch框架支持AMD Radeon显卡/Intel显卡

news2024/12/26 2:30:12

前言

PyTorch框架作为一种主流的、对新手友好的深度学习框架，应用的范围越来越广泛，但是作为一种深度学习框架，使用显卡进行加速训练是一种常见的需求，而PyTorch框架官方支持对NVIDIA卡支持更加友好，这一点从官方的安装指引也可以看出：
PyTorch安装页面

但是个人计算机（特别是本地Windows系统），很多时候并没有N卡，而只有AMD的Radeon卡或者Intel卡，同时很多时候还是核显而非独显，此时如果需要使用显卡，需要通过DML（DirectML）进行PyTorch模型训练的环境配置。

1.创建虚拟环境

虚拟环境使用Python3.9，使用conda进行虚拟环境管理：

conda create -n deepbase python=3.9 -y

2.安装PyTorch（可省略）

因为显卡使用A卡或者I卡、而非N卡，因此不选择cuda版本的PyTorch、而直接安装CPU版即可。切换到虚拟环境后，使用conda安装CPU版PyTorch：

conda install pytorch==2.0.0 cpuonly -c pytorch -y

3.安装DirectML接口

如果PyTorch需要支持AMD等非N卡，一种方式是选择DirectML接口进行加速，DirectML 是用于机器学习的高性能硬件加速 DirectX 12 库。DirectML 在广泛支持的硬件和驱动程序上为常见的机器学习任务提供 GPU 加速，其中包括 AMD、英特尔、英伟达和高通等供应商生产的所有支持 DirectX 12 的 GPU。

PyTorch与DirectML的版本对应关系如下：

torch-directml	PyTorch
0.1.13+	1.13+
1.8.0a0.*	1.8

安装命令如下：

pip install torch-directml

当前安装的torch-directml版本为0.2.0。

因为安装torch-directml依赖PyTorch，同时有明确的版本对应关系，因此步骤2也可以省略，在安装torch-directml时即会自动安装对应版本的PyTorch。

4.使用测试

可以查看DML是否安装成功并且可用：

>>> import torch
>>> torch.cuda.is_available() # cuda不可用
False
>>> import torch_directml
>>> torch_directml.is_available() # DML可用
True

查看可用的GPU显卡名称：

>>> torch_directml.device_name(0)
'Radeon RX550/550 Series'
>>> torch_directml.device_name(1)
'Intel(R) UHD Graphics 630'

使用DML进行计算：

>>> import time
>>> import torch
>>> import torch_directml
>>>
>>>
>>> a=torch.randn(40000000,1)
>>> b=torch.randn(40000000,1)
>>> t0=time.time()
>>> r=a*b
>>> print(r)
tensor([[-1.1785],
        [-1.3836],
        [-0.6546],
        ...,
        [ 0.1480],
        [-0.7637],
        [-0.7420]])
>>> print(time.time()-t0)
0.048870086669921875
>>>
>>> c=a.to(torch_directml.device(0))
>>> d=b.to(torch_directml.device(0))
>>> t1=time.time()
>>> r=c*d
>>> print(r)
tensor([[-1.1785],
        [-1.3836],
        [-0.6546],
        ...,
        [ 0.1480],
        [-0.7637],
        [-0.7420]], device='privateuseone:0')
>>> print(time.time()-t1)
0.1271059513092041
>>>
>>> e=a.to(torch_directml.device(1))
>>> f=b.to(torch_directml.device(1))
>>> t2=time.time()
>>> r=e*f
>>> print(r)
tensor([[-1.1785],
        [-1.3836],
        [-0.6546],
        ...,
        [ 0.1480],
        [-0.7637],
        [-0.7420]], device='privateuseone:1')
>>> print(time.time()-t2)
0.2713508605957031