GPU服务器初体验：从零搭建Pytorch GPU开发环境

redhat9i · 发表于 2022-5-15 08:00

GPU环境准备

如果你有一台带N卡的个人电脑的话，那么是不需要买GPU云服务器的。如果你的公司或实验室有GPU服务器这个福利的话，那么玩玩GPU服务器也不错。
GPU服务器选择

目前云服务厂商都有售卖GPU云服务器，比如腾讯云和阿里云。以腾讯云为例，登录这个网址： https://cloud.tencent.com/product/gpu 点击【立即选购】可以进入选购页面。每种机型又对应不同的规格。基本上同机型（比如GN7）他们的显卡型号都是相同的，该机型下对不同规格（比如GN7.LARGE20、GN7.2XLARGE32)在CPU、内存、带宽以及显卡个数方面是不同的。下面简单列一下机型与显卡的对应关系（截至2022年5月）：

机型	显卡
GN6	Tesla P4
GN6S	Tesla P4
GN7	NVIDIA T4
GN8	Tesla P40
GN10X	Tesla V100
GN10Xp	Tesla V100
GI3X	NVIDIA T4
GT4	NVIDIA A100
GI1	Intel SG1加速卡

显卡型号知识

我们忽略Intel的那个，其余的显卡都是NVIDIA（英伟达）的显卡，也就是常说的N卡。NVIDIA牢牢抓住了人工智能爆发的浪潮，推出了CUDA、TensorRT等一系列开发框架，为GPU编程提供了便利，黄仁勋也因此赚的盆满钵满。
这里面没有我们日常所说的Geforce系列的GTX、RTX那种显卡。因为Geforce系列是桌面端的（笔记本/台式机）显卡，而这里面显卡是服务端（数据中心/工作站）的显卡。就好比我们个人电脑上的CPU是Intel酷睿（Core）系列，而公司服务器上的CPU是Intel至强（Xeon）系列。
当然并不能说服务端的这些显卡就一定比桌面端的显卡性能更好，具体还是要看算力，显卡的算力信息可以在NVIDIA的官网上查到： https://developer.nvidia.com/cuda-gpus

我的显卡是Tesla P4，算力是6.1
好了，让我们略过服务器选购的具体细节，其实这一步最大的阻碍不是算力，而是钱啦。也略过云服务器初始化的步骤，那和普通的云服务器没有差别，都是选择一台Linux然后初始化一些配置而已。
另外如果你没有购买云服务器，而是有一个装有N卡的个人电脑，那么下面的内容同样适用于你。
驱动安装

新的GPU服务器虽然有显卡，但是是没有显卡驱动的。这里需要我们手动安装一下。首先先去NVIDIA官网去下载驱动：
https://www.nvidia.cn/Download/index.aspx?lang=cn
主要根据你的系统类型以及你的显卡型号（产品系列与产品家族）来选择：

点【搜索】

点【下载】

这一步不用点【下载】，因为我们是给云服务器（或者你本地的Linux虚拟机）安装显卡。所以右键复制下载链接，然后再服务器上wget下载，然后运行：
wget https://cn.download.nvidia.com/tesla/510.47.03/NVIDIA-Linux-x86_64-510.47.03.run

chmod a+x NVIDIA-Linux-x86_64-510.47.03.run

./NVIDIA-Linux-x86_64-510.47.03.run执行以后就会开始安装，期间可能收到提示：服务器上gcc版本（比如gcc8.5）和编译kernel的gcc版本（比如gcc8.4）不一致的警告。版本号差异不大的话就忽略，否则可能需要重新安装一个同版本的gcc编译器。
执行完成后怎么确认驱动安装是OK的呢？我们可以执行一下nvidia-smi这个命令。
nvidia-smi

输出如下：
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 510.47.03 Driver Version: 510.47.03 CUDA Version: 11.6    |
|-------------------------------+----------------------+----------------------+
| GPU  Name       Persistence-M| Bus-Id       Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|       Memory-Usage | GPU-Util  Compute M. |
|                            |                   |             MIG M. |
|===============================+======================+======================|
| 0  Tesla P4          Off  | 00000000:00:08.0 Off |                   0 |
| N/A 35C P0 21W /  75W |    0MiB /  7680MiB |    0%    Default |
|                            |                   |                N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                |
|  GPU GI CI       PID Type Process name                GPU Memory |
|       ID ID                                                 Usage    |
|=============================================================================|
|  No running processes found                                              |
+-----------------------------------------------------------------------------+能展示出信息，就是驱动安装OK了。怎么来解读这个信息呢。以中间的空行分隔，可以把整个信息分成三个部分。先说第一部分，也就是第一行：

nvidia-smi命令的版本
显卡驱动的版本
cuda的版本

第二部分，也就是第二行到空行之间的部分，这是一个显卡新的表格，===这行上面是表头，下面是表数据。这里只有一张显卡，如果有多张显卡，下面会追加几行。上图的第二部分，我换个形式会更好理解：

表头	数据	含义
GPU	0	显卡ID，从0计数
Fan	N/A	风扇转速
Name	Tesla P4	显卡型号
Temp	35C	温度
Perf	P0	性能级别，从大到小为P0~P12
Persistence-M	Off	是否是持续模式
Pwr:Usage/Cap	21W/75W	能耗
Bus-Id	00000000:00:08.0	GPU总线ID
Disap.A	Off	Disaplay Active，GPU的显示是否初始化
Memory-Usage	0MiB/7680MiB	显存使用率
Volatile GPU-Util	0	GPU利用率
Uncorr. ECC	0	ECC，错误检查与纠正
Compute M.	Default	计算模式
MIG M.	N/A	MIG模式

Persistence-M（持续模式）开启之后能耗会增加，但是新GPU程序启动的耗时会减少。如果它的状态是Off，可以使用这个命令来开启：
nvidia-smi -pm 1注意Memory-Usage（显存使用率）和GPU-Util(GPU利用率)没有必要联系。就好比内存使用率和CPU的使用率也没有必然联系一样！
MIG M.是一个比较新的数据，在老版本的nvidia-smi上是没有这个信息的，对我们来说不用特别关注，感兴趣的可以阅读： https://docs.nvidia.com/datacenter/tesla/mig-user-guide/index.html
nvidia-smi的第三部分，比较好理解，就是当前使用了GPU的进程信息。由于我们还没有使用GPU跑程序，所以这里是空的：

表头	含义
GPU	显卡ID
PID	进程ID
TYPE	类型。C：计算进程，G：图形进程，C+G：计算与图形都有
Process name	进程名
GPU Memory Usage	进程的显卡使用率

GI ID、CI ID目前没找到资料，这个也是新版本nvidia-smi新加的，旧版本都是没有的。暂时忽略。
跑一个机器学习任务

conda安装

说到机器学习，自然少不了python。而conda也少不了。conda是一个python的环境管理器，也包含包管理功能，比pip更强大。一般有图形界面的个人电脑上装Anaconda比较好，因为有GUI，各种操作比较方便。但是云服务器上就没必要装Anaconda了，直接装无图形界面miniconda就好了。地址如下：
https://docs.conda.io/en/latest/miniconda.html

同样使用右键复制下来下载地址，然后在服务器上下载并执行：
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

chmod a+x Miniconda3-latest-Linux-x86_64.sh

./Miniconda3-latest-Linux-x86_64.sh这也就完成了安装，接着加载一下环境变量。比如：
source ~/.bashrc或者
source ~/.zshrc添加国内conda源

可以给conda添加国内的源来加快下载速度。比如清华的源。之前也有中科大的源，目前好像已经失效了。
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/创建一个conda环境

接下来我们要跑pytorch程序，所以使用conda创建一个环境，名称任意，我这里叫 pytorch_gpu
conda create -n pytorch_gpu

conda activate pytorch_gpu目前是一个空环境，还没有安装pytorch
安装pytorch

执行如下命令，来安装pytorch及其依赖环境：
conda install pytorch torchvision torchaudio cudatoolkit=11.3实际本机cuda是11.6，但是pytorch当前（2022年5月）最新的还是11.3。应该没关系。后续大家动态调整适合的版本即可。也可以参考官网的指引： https://pytorch.org/get-started/locally/ 选择相应的环境，会生成对应的命令。

但官网上的conda命令还有一个 -c pytorch。-c是指定一个conda channel的意思，这里表示指定pytorch的channel，但是这个channel下载太慢了，实测去掉-c pytorch会使得下载提速。
conda命令完成执行，测试是否安装成功。可以编写如下python脚本来执行，或者直接打开python交互式命令：
import torch
print(torch.cuda.is_available())import能成功，并且第二行代码返回True。表示安装成功，并且是支持GPU的pytorch。
模型训练

由于我本人并不是机器学习方面的专家，所以我决定直接网上找一个能用的pytorch训练模型的代码。这里我选择了BERT模型，BERT模型是谷歌提出的一个NLP领域的经典模型。这里不展开这些背景知识。
经过一番简单的搜索，我在Github上找到了这个排名比较靠前的pytorch bert相关的项目： https://github.com/649453932/Bert-Chinese-Text-Classification-Pytorch
这是一个中文文本分类的模型。
将项目clone下来:
git clone git@github.com:649453932/Bert-Chinese-Text-Classification-Pytorch.git然后依据README，下载所需要的数据文件：一个是预训练的pytorch模型文件bert-base-chinese.tar.gz，另外一个是词典文件bert-base-chinese-vocab.txt。
模型文件解压后其实得到2个文件，一个是二进制的模型文件本身pytorch_model.bin，另外一个是模型的配置文件bert_config.json。都拷贝到项目的bert_pretrain目录中。词典文件改名成vocab.txt也放到bert_pretrain目录中。
在正式使用之前，我们在环境中再安装几个依赖的库：
conda install scikit-learn boto3 regex tqdm接着创建一个目录：
mkdir -p THUCNews/saved_dictBERT模型的训练过程一般分为预训练（Pre-training）+ 微调（Fine-tuning）两步。我们下载的模型已经是预训练模型了，但它还不是最终的模型，还需要继续训练，也就是微调。运行脚本，开始训练：
python run.py --model bert这一步其实挺慢的。原作者说他2080Ti的显卡，要跑20分钟。 2080Ti是桌面端的显卡，通过前文提到的算力查看网站，能看到2080Ti的算力是7.5，比我云服务器的Tesla P4还高……

我们此时可以再次执行nvidia-smi命令来查看一下：
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 510.47.03 Driver Version: 510.47.03 CUDA Version: 11.6    |
|-------------------------------+----------------------+----------------------+
| GPU  Name       Persistence-M| Bus-Id       Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|       Memory-Usage | GPU-Util  Compute M. |
|                            |                   |             MIG M. |
|===============================+======================+======================|
| 0  Tesla P4          On | 00000000:00:08.0 Off |                   0 |
| N/A 69C P0 66W /  75W | 6941MiB /  7680MiB |    90%    Default |
|                            |                   |                N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                |
|  GPU GI CI       PID Type Process name                GPU Memory |
|       ID ID                                                 Usage    |
|=============================================================================|
| 0 N/A  N/A 309535    C python                         6939MiB |
+-----------------------------------------------------------------------------+可以发现第三部分的进程信息不再是空了，能看到一个PID为309535的进程在使用GPU，进程名是python占用显存6939MB。总的Memory-Usage是6941MB。二者几乎一样。GPU利用率（GPU-Util）已经90%了。
最终在我的云服务器上跑了75分钟…… 好吧。
模型预测

上面的脚本执行完成后，会训练出一个最终的模型，保存到THUCNews/saved_dict/bert.ckpt中。
接下来我们尝试使用这个模型做一下预测。原项目中作者没有封装预测的代码，但我们可以从项目issue中找到其他人分享的预测代码。比如这个：https://github.com/649453932/Bert-Chinese-Text-Classification-Pytorch/issues/72
把代码复制下来保存成 pred.py 。
另外这个issue中的预测代码运行过程中可能报这个错

RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0
and cpu! (when checking argument for argument index in method wrapper__index_select)

同样参考issue中其他网友提供的解决方案。修改build_predict_text() 方法中的ids、token、mask代码，加上.cuda()即可:
ids = torch.LongTensor([token_ids]).cuda()
seq_len = torch.LongTensor([seq_len]).cuda()
mask = torch.LongTensor([mask]).cuda()由于模型的数据集是新闻及其分类，所以模型的预测功能就是对新闻做分类。现在我们找一条最近的新闻来做一下预测。热搜里找到一条新闻：【兰州野生动物园观光车侧翻事故新进展：2人经抢救无效死亡】新闻时间是2022年5月2日，模型训练用的数据集是2019年的，所以肯定不包含这条新闻。让我们来看看它能不能准确分类。修改main函数：
if __name__ == &#39;__main__&#39;:
print(predict(&#34;兰州野生动物园观光车侧翻事故新进展：2人经抢救无效死亡&#34;))运行一下我们的pred.py得到结果：

society

也就是社会新闻。还是比较准的。

		自动登录	找回密码
密码			立即注册

GPU服务器初体验：从零搭建Pytorch GPU开发环境

本帖子中包含更多资源