| Les deux révisions précédentesRévision précédenteProchaine révision | Révision précédente |
| formation:insa2021gpu [2021/11/29 16:56] – equemene | formation:insa2021gpu [2022/01/03 13:05] (Version actuelle) – equemene |
|---|
| ====== TP INSA 2021-2022 : le GPU par la pratique ====== | ====== TP INSA 2021-2022 : le GPU par la pratique ====== |
| |
| Cette session pratique accompagne le [[http://www.cbp.ens-lyon.fr/emmanuel.quemener/documents/PresentationGPU_20211203_EQ.pdf|cours]] du 3 décembre au matin réalisé par Emmanuel Quémener. | Cette session pratique accompagne les cours des [[http://www.cbp.ens-lyon.fr/emmanuel.quemener/documents/INSA2021-CPU-211129.pdf|29 novembre]] et [[http://www.cbp.ens-lyon.fr/emmanuel.quemener/documents/INSA2021-GPU_211203.pdf|3 décembre]] au matin réalisé par Emmanuel Quémener. |
| |
| ===== CQQCOQP : Comment ? Qui ? Quand ? Combien ? Où ? Quoi ? Pourquoi ? ===== | ===== CQQCOQP : Comment ? Qui ? Quand ? Combien ? Où ? Quoi ? Pourquoi ? ===== |
| En effet, la méthode par //shadering// exploitait de nombreuses multiplications matricielles pour générer une image numérique (CGI ou //Compute Generated Image//). Il n'est donc pas étonnant que les GPU soient, historiquement, plutôt "efficaces" pour ce type de tâches : nous allons l'évaluer. | En effet, la méthode par //shadering// exploitait de nombreuses multiplications matricielles pour générer une image numérique (CGI ou //Compute Generated Image//). Il n'est donc pas étonnant que les GPU soient, historiquement, plutôt "efficaces" pour ce type de tâches : nous allons l'évaluer. |
| |
| ==== Chargement de l'environnement de programmation ==== | |
| |
| Le point traité dans l'exercice #2 a montré comment le système représentait les périphériques de type GPU dans le dossier ''/dev''. | |
| |
| De manière à exploiter ces GPU, d'autres composants sont nécessaires : les **librairies**. De plus, si un programme exploitant ces librairies doit être compilé, il est nécessaire de lui fournir les //prototypes// (d'extension ''.h''). | |
| |
| Ces librairies, prototypes voire programmes forment un //environnement de programmation// et plusieurs peuvent cohabiter sur un même système. | |
| |
| Par défaut, sur les machines du CBP, l'environnement **CUDA** est celui de la distribution, la **9.2**. Pour exploiter les GPU récents (RTX 3070, RTX 3090, A100), il est indispensable d'utiliser un CUDA récent, le **11.1** associé au driver **455** minimum. | |
| |
| Le gros souci de ces environnements, c'est que chaque application //métier// va exploiter une version de CUDA et pas un autre. Dans la majorité des cas, cela ne fonctionne pas : c'est, soit trop récent, soit trop ancien. | |
| |
| La définitin de l'environnement CUDA version 11.1 s'effectue avec le chargement du module ''cuda/11.1'' | |
| <code> | |
| . /usr/share/modules/init/bash | |
| module load cuda/11.1 | |
| </code> | |
| ==== De BLAS aux xGEMM : les différentes implémentations ==== | ==== De BLAS aux xGEMM : les différentes implémentations ==== |
| |
| ==== Implémentation C/OpenCL ==== | ==== Implémentation C/OpenCL ==== |
| |
| Le programme ''bench4gpu/Pi/OpenCL/PiOpenCL.c'' est une implémentation en C "pur" : il permet de juger de la difficulté d'appropriation de OpenCL. En effet, une grande partie du code est destinée à définir quelle plateforme et quel périphérique utiliser, placer les données à traîter. | Le programme ''bench4gpu/Pi/C/OpenCL/PiOpenCL.c'' est une implémentation en C "pur" : il permet de juger de la difficulté d'appropriation de OpenCL. En effet, une grande partie du code est destinée à définir quelle plateforme et quel périphérique utiliser, placer les données à traîter. |
| |
| <note warning> | <note warning> |
| |
| Au CBP, un environnement Conda a été installé pour permettre l'exploitation de la majorité des outils construits autour de TensorFlow. Le chargement de l'environnement se réalise en "sourçant" l'environnement CONDA avec la commande suivante : | Au CBP, un environnement Conda a été installé pour permettre l'exploitation de la majorité des outils construits autour de TensorFlow. Le chargement de l'environnement se réalise en "sourçant" l'environnement CONDA avec la commande suivante : |
| <code>module load conda/4.9.2 </code> | <code>module load conda3/4.9.2 </code> |
| |
| La commande précédente "paramètre" les variables d'environnement nécessaires l'exploitation de l'environnement complet CONDA installé pour vous dans ''/opt/conda3-4.9.2/'' | La commande précédente "paramètre" les variables d'environnement nécessaires l'exploitation de l'environnement complet CONDA installé pour vous dans ''/opt/conda3-4.9.2/'' |
