====== Tensorflow ======

<note important>Cette accès à Tensorflow reste disponible mais il est préférable d'exploiter la nouvelle version accessible via Conda</note>

L'environnement [[https://www.tensorflow.org/|Tensorflow]] a été installé cet été au Centre Blaise Pascal. 

Deux environnements étaient disponibles mais seul l'environnement permettant d'exploiter les cartes GPU à base de circuit Nvidia a été installée. La version courante déployée est la 1.10.

===== Configuration d'exploitation =====

L'environnement Tensorflow disponible exige une version spécifique de CUDA, la 9.0 minimum.

Pour la charge dans le SIDUS standard du CBP:<code>. /usr/share/modules/init/bash
module load cuda/9.0
</code>

===== Exemple =====

L'exemple suivant, fourni par le [[https://www.tensorflow.org/|site officiel]], permet de rapidement juger du fonctionnement de l'environnement. Il nécessite le lancement de l'interpréteur python :
<code>
# Python
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
</code>

A l'exécution de la première ligne, vous pouvez avoir un message d'erreur sans importance :
<code>/usr/lib/python2.7/dist-packages/h5py/__init__.py:34: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.
  from ._conv import register_converters as _register_converters
</code>

A l'exécution de la seconde ligne, l'environnement détecte la carte graphique susceptible d'être exploitée :<code>
2018-08-21 11:24:28.475954: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:897] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2018-08-21 11:24:28.476656: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1405] Found device 0 with properties: 
name: GeForce GTX TITAN major: 3 minor: 5 memoryClockRate(GHz): 0.8755
pciBusID: 0000:06:00.0
totalMemory: 5.94GiB freeMemory: 5.83GiB
2018-08-21 11:24:28.476704: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1484] Adding visible gpu devices: 0
2018-08-21 11:24:34.039086: I tensorflow/core/common_runtime/gpu/gpu_device.cc:965] Device interconnect StreamExecutor with strength 1 edge matrix:
2018-08-21 11:24:34.039883: I tensorflow/core/common_runtime/gpu/gpu_device.cc:971]      0 
2018-08-21 11:24:34.039922: I tensorflow/core/common_runtime/gpu/gpu_device.cc:984] 0:   N 
2018-08-21 11:24:34.040245: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1097] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 5626 MB memory) -> physical GPU (device: 0, name: GeForce GTX TITAN, pci bus id: 0000:06:00.0, compute capability: 3.5)
</code>
Dans l'exemple ci-dessus, il s'agit d'une carte GeForce GTX TITAN avec 5.94GiB de RAM.

La dernière ligne permet s'assurer que la session fonctionne de manière nominal en affichant :<code>
Hello, TensorFlow!
</code>

Une grande variété de [[https://www.tensorflow.org/tutorials/|tutoriels]] en ligne permettent de vérifier le bon fonctionnement.

<note important>L'application TensorFlow sur GPU requiert une version de GPU avec des capacités minimales pour fonctionner (compute capability de 3.5) : sur les 50 GPU accessibles au CBP, certains ne supportent pas cette capacité</note>

===== GPU du CBP validés pour TensorFlow =====

  * circuits Kepler  : GTX Titan, GTX 780, GTX 780Ti, Tesla K40, Tesla K80
  * circuits Maxwell : GTX 980Ti
  * circuits Pascal  : GTX 1060, GTX 1070, GTX 1080, GTX 1080Ti, Tesla P100

===== GPU du CBP invalidés pour TensorFlow  =====

  * circuits GT200   : Quadro FX4000, Tesla C1060 
  * circuits Fermi   : GTX 560Ti, Quadro 4000
  * circuits Kepler  : GTX 680, GTX 690, 
  * circuits Maxwell : GTX 960, GTX 970, GTX980