如何使用plaidML在具有AMD GPU的macOS上進行機器學習

如何使用plaidML在具有AMD GPU的macOS上進行機器學習，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

是否想在Mac的集成AMD GPU或外部圖形卡上訓練機器學習模型？除了PlaidML，別無所求。

任何嘗試在macOS上使用TensorFlow訓練神經(jīng)網(wǎng)絡的人都知道該過程很糟糕。由于GPU加速訓練需要Nvidia芯片組，因此TensorFlow只能利用Mac上的CPU。大多數(shù)大型模型在CPU上的訓練時間要比簡單的GPU多幾個數(shù)量級。

更糟糕的是，許多Mac擁有功能強大的謹慎的AMD GPU，它們在訓練時被迫閑置。TensorFlow僅支持與macOS不兼容的Nvidia設備。這是plaidML出現(xiàn)的地方。

可以安裝PlaidML并將其用于在Mac的圖形處理器上訓練Keras模型，而無需在基于云的系統(tǒng)上花費時間或購買新機器。

TensorFlow用作Keras的后端，解釋Keras的高級Python語法并將其轉換為可以在專用硬件（例如GPU）上并行執(zhí)行的指令。

PlaidML是Keras的替代后端，它支持Nvidia CUDA以外的并行化框架。在Mac上，可以使用PlaidML在CPU，CPU的集成圖形，謹慎的AMD圖形處理器，甚至是通過Thunderbolt 3連接的外部AMD GPU上訓練Keras模型。

首先開始使用PlaidML，因為正在尋找一種在非常大的圖像數(shù)據(jù)集上訓練深度卷積神經(jīng)網(wǎng)絡的方法。曾嘗試在Google的Colab中執(zhí)行此操作，但是事實證明，該在線工具對于長期運行的工作非常令人沮喪。有一個 Radeon RX580 eGPU積塵，所以想用一種方法在MacBook上本地訓練模型。

經(jīng)過幾個快速步驟，就開始使用PlaidML。這是在系統(tǒng)上使用它的方法。首先通過pip安裝PlaidML。強烈建議在此處使用虛擬環(huán)境，以將PlaidML安裝與系統(tǒng)的其余部分隔離開。

PlaidML的強大功能來自其簡單性。安裝后，激活GPU就像運行一樣簡單

plaidml-setup

選擇是否要啟用實驗性功能后，此工具將詢問要使用哪種計算設備。應該看到類似以下的列表：

1 : llvm_cpu.0

2 : metal_intel(r)_hd_graphics_530.0

3 : metal_amd_radeon_pro_450.0

4 : metal_amd_radeon_rx_580.0

第一個選擇是我的CPU，第二個選擇是CPU中的Intel集成顯卡，第三個選擇是15英寸MacBook Pro中謹慎的AMD GPU，第四個選擇是我的RX 580 eGPU。絕對喜歡它的簡單性來切換處理器；這使可以使用筆記本電腦的謹慎GPU隨時隨地訓練簡單的模型，并使用eGPU進行較重的任務。

唯一需要注意的是，不再有權使用TensorFlow功能（例如TensorFlow數(shù)據(jù)集）。編寫的所有代碼都必須使用純Keras。還沒有發(fā)現(xiàn)這是一個很大的限制，無論如何它會導致更多的可移植軟件。PlaidML還可以與Nvidia GPU一起使用，因此，如果在使用不同GPU架構的團隊中工作，PlaidML會使事情變得非常簡單。使用PlaidML作為Keras的后端很簡單，如下所示：

from os import environenviron["KERAS_BACKEND"] = "plaidml.keras.backend"import keras

就是這樣。下面是一個完整的示例，可以在安裝PlaidML之后在自己的系統(tǒng)上嘗試。它用一個隱藏的層訓練一個非常簡單的神經(jīng)網(wǎng)絡，對輸入向量求和。

import numpy as npfrom os import environenviron["KERAS_BACKEND"] = "plaidml.keras.backend"import kerasfrom keras.layers import Densefrom matplotlib import pyplot as plt # Paramsnum_samples = 100000; vect_len = 20; max_int = 10; min_int = 1; # Generate datasetX = np.random.randint(min_int, max_int, (num_samples, vect_len))Y = np.sum(X, axis=1) # Get 80% of data for trainingsplit_idx = int(0.8 * len(Y))train_X = X[:split_idx, :]; test_X = X[split_idx:, :]train_Y = Y[:split_idx]; test_Y = Y[split_idx:] # Make modelmodel = keras.models.Sequential()model.add(keras.layers.Dense(32, activation='relu', input_shape=(vect_len,)))model.add(keras.layers.Dense(1))model.compile('adam', 'mse') history = model.fit(train_X, train_Y, validation_data=(test_X, test_Y), \                    epochs=10, batch_size=100) # summarize historyplt.plot(history.history['loss'])plt.plot(history.history['val_loss'])plt.title('model loss')plt.ylabel('loss')plt.xlabel('epoch')plt.legend(['train', 'test'], loc='upper left')plt.show()

可以在其他計算設備上嘗試此操作?？赡軙l(fā)現(xiàn)，在CPU上訓練該模型的速度更快，因為數(shù)據(jù)集非常小且模型非常簡單。但是對于更復雜的模型，會發(fā)現(xiàn)速度大大提高?？梢栽赑laidML GitHub頁面上找到一些更重的測試 。

看完上述內(nèi)容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業(yè)資訊頻道，感謝您對億速云的支持。