Установите Tensorflow-GPU на WSL2

Так что я только что запустил это.

Действия, которые вам необходимо выполнить, приведены здесь. Резюмируя их:

1. Подпишитесь на инсайдерскую программу Windows и получите разрабатываемые сборки Windows, чтобы у вас была последняя версия
2. Установить wsl 2
3. Установите Ubuntu из магазина Windows
4. Установите драйвер wsl 2 cuda в windows
5. Установить cuda toolkit
6. Установите cudnn (вы можете загрузить версию для Linux из Windows, а затем скопировать файл в Linux)
7. Если вы получаете ошибки памяти, такие как «не удается выделить память», вам может потребоваться увеличить объем памяти, который может получить wsl.
8. Затем установите tensorflow-gpu
9. молитесь, чтобы это сработало

ошибки, которые я обнаружил по пути:

• Если при первом запуске ubuntu вы получаете сообщение об ошибке, вам необходимо включить вирутализацию в BIOS.
• Если вы не можете запустить пример ./Blackscholes в инструкциях по установке, возможно, у вас нет правильной сборки Windows! У вас должна быть правильная версия
• if you are getting 'cannot allocate memory' errors when running tf you need to give wsl more ram. It only access half your ram by default
  1. create a .wslconfig file under your user directory in windows with the amount of memory you want. Mine looks like:

[wsl2]
memory=16GB 

Редактировать после запуска кода

Это намного медленнее, чем когда я работал напрямую с Windows. Я перешел с 1 минуты на эпоху до 5 минут. Я просто собираюсь использовать двойную загрузку.

Я могу подтвердить, что могу заставить это работать без необходимости в Docker на WSL2, благодаря следующей статье:

https://qiita.com/Navier/items/cf551908bae707db4258

Обязательно обновите драйвер до версии 460.15, а не до 455.41, как указано в документации CUDA.

Обратите внимание, это не работает с картой в режиме TCC (только WDDM). Кроме того, не забудьте разместить файлы в файловой системе Linux (т. Е. Не на монтируемом диске, например /mnt/c/). Производительность файловой системы Linux значительно выше (это связано с разницей в реализации WSL 1 и WSL 2; см. 1, 2 и 3).

ПРИМЕЧАНИЕ. См. также Является ли генератор классов (наследующий Sequence) потокобезопасным в Keras / Tensorflow?

Это шаги, которые я должен был выполнить для Ubuntu 20.04. Я больше не на канале разработчиков, бета-канал отлично подходит для этого варианта использования и намного более стабилен.

Установить WSL2

Установите Ubuntu 20.04 из Магазина Windows

Установите драйверы Nvidia для Windows со страницы: https://developer.nvidia.com/cuda/wsl/download

Установите nvcc внутри WSL с помощью: sudo apt install nvidia-cuda-toolkit

Убедитесь, что он там есть: nvcc --version

В моем случае я занимаюсь наукой о данных и уже установил анаконду. Я создал среду с:

conda create --name tensorflow
conda install tensorflow-gpu

Затем просто протестируйте его с помощью этой маленькой программы на Python с активированной средой:

import tensorflow as tf
tf.config.list_physical_devices('GPU')
sys_details = tf.sysconfig.get_build_info()
cuda = sys_details["cuda_version"]
cudnn = sys_details["cudnn_version"]
print(cuda, cudnn)

По непонятным мне причинам моя машина не смогла найти графический процессор без установки nvcc и фактически выдала сообщение об ошибке, в котором говорилось, что она не может найти nvcc.

Я нашел онлайн-руководства, в которых вы загружали CUDA и CUDNN по отдельности, но я думаю, что NVCC включает CUDNN, поскольку он есть. . . там как-то.