Ci-dessous, les différences entre deux révisions de la page.
Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente Prochaine révision Les deux révisions suivantes | ||
ressources:ressources:tensorflow [2018/09/13 09:21] equemene [Configuration d'exploitation] |
ressources:ressources:tensorflow [2019/11/04 17:44] equemene [Configuration d'exploitation] |
||
---|---|---|---|
Ligne 1: | Ligne 1: | ||
====== Tensorflow ====== | ====== Tensorflow ====== | ||
- | L'environnement [[https://www.tensorflow.org/|Tensorflow]] a été installé cet été au Centre Blaise Pascal. | + | Un nouvel environnement [[https://www.tensorflow.org/|Tensorflow]] a été installé ce printemps 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. | + | Il exploite l'environnement Anaconda3 installé dans le dossier ''/opt/anaconda3'' |
===== Configuration d'exploitation ===== | ===== Configuration d'exploitation ===== | ||
- | L'environnement Tensorflow disponible exige une version spécifique de CUDA, la 9.0 minimum. | + | Deux environnements Tensorflow sont installés dans deux Anaconda3 différents : |
+ | * l'environnement Tensorflow installé dans Anaconda3-2019.03 exploite une version de TensorFlow 1.12 | ||
+ | * l'environnement Tensorflow installé dans Anaconda3-2019.10 exploite une version de TensorFlow 2.0 | ||
- | Pour la charge dans le SIDUS standard du CBP:<code>. /usr/share/modules/init/bash | + | Pour charger l'environnement Tensorflow 1.12 |
- | module load cuda/9.0 | + | Pour la charge dans le SIDUS standard du CBP:<code>source /etc/tensorflow.init |
</code> | </code> | ||
+ | |||
+ | Pour charger l'environnement Tensorflow 2.0 | ||
+ | Pour la charge dans le SIDUS standard du CBP:<code>source /etc/tensorflow2.init | ||
+ | </code> | ||
+ | |||
+ | |||
+ | |||
+ | Lorsqu'il est activé l'invite de commande est alors préfixée de ''(base)''. Par exemple, l'utilisateur ''einstein'' sur la machine ''ascenseur'' aura comme invite de commande :<code>(base) einstein@ascenseur:~$</code> | ||
===== Exemple ===== | ===== Exemple ===== | ||
Ligne 24: | Ligne 34: | ||
</code> | </code> | ||
- | A l'exécution de la première ligne, vous pouvez avoir un message d'erreur sans importance : | + | A l'exécution de la troisième ligne, l'environnement détecte les cartes graphiques susceptibles d'être exploitées :<code> |
- | <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`. | + | 2019-06-11 18:03:17.928752: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX |
- | from ._conv import register_converters as _register_converters | + | 2019-06-11 18:03:17.938098: I tensorflow/core/platform/profile_utils/cpu_utils.cc:94] CPU Frequency: 1995195000 Hz |
+ | 2019-06-11 18:03:17.938873: I tensorflow/compiler/xla/service/service.cc:150] XLA service 0x562f3dba5a30 executing computations on platform Host. Devices: | ||
+ | 2019-06-11 18:03:17.938924: I tensorflow/compiler/xla/service/service.cc:158] StreamExecutor device (0): <undefined>, <undefined> | ||
+ | 2019-06-11 18:03:18.167596: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:998] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero | ||
+ | 2019-06-11 18:03:18.203546: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:998] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero | ||
+ | 2019-06-11 18:03:18.205179: I tensorflow/compiler/xla/service/service.cc:150] XLA service 0x562f3dc62f80 executing computations on platform CUDA. Devices: | ||
+ | 2019-06-11 18:03:18.205294: I tensorflow/compiler/xla/service/service.cc:158] StreamExecutor device (0): GeForce RTX 2080, Compute Capability 7.5 | ||
+ | 2019-06-11 18:03:18.205385: I tensorflow/compiler/xla/service/service.cc:158] StreamExecutor device (1): GeForce GT 730, Compute Capability 3.5 | ||
+ | 2019-06-11 18:03:18.206798: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1433] Found device 0 with properties: | ||
+ | name: GeForce RTX 2080 major: 7 minor: 5 memoryClockRate(GHz): 1.71 | ||
+ | pciBusID: 0000:04:00.0 | ||
+ | totalMemory: 7.77GiB freeMemory: 7.65GiB | ||
+ | 2019-06-11 18:03:18.207245: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1433] Found device 1 with properties: | ||
+ | name: GeForce GT 730 major: 3 minor: 5 memoryClockRate(GHz): 0.9015 | ||
+ | pciBusID: 0000:03:00.0 | ||
+ | totalMemory: 1.95GiB freeMemory: 1.90GiB | ||
+ | 2019-06-11 18:03:18.207374: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1497] Ignoring visible gpu device (device: 1, name: GeForce GT 730, pci bus id: 0000:03:00.0, compute capability: 3.5) with Cuda multiprocessor count: 2. The minimum required count is 8. You can adjust this requirement with the env var TF_MIN_GPU_MULTIPROCESSOR_COUNT. | ||
+ | 2019-06-11 18:03:18.207456: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1512] Adding visible gpu devices: 0 | ||
+ | 2019-06-11 18:03:18.210563: I tensorflow/core/common_runtime/gpu/gpu_device.cc:984] Device interconnect StreamExecutor with strength 1 edge matrix: | ||
+ | 2019-06-11 18:03:18.210632: I tensorflow/core/common_runtime/gpu/gpu_device.cc:990] 0 1 | ||
+ | 2019-06-11 18:03:18.210687: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1003] 0: N N | ||
+ | 2019-06-11 18:03:18.210734: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1003] 1: N N | ||
+ | 2019-06-11 18:03:18.211630: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 7439 MB memory) -> physical GPU (device: 0, name: GeForce RTX 2080, pci bus id: 0000:04:00.0, compute capability: 7.5) | ||
</code> | </code> | ||
- | + | Dans l'exemple ci-dessus, il s'agit d'une carte d'une carte GeForce GT 730 avec 1.95GiB de RAM et d'une carte GeForce RTX 2080 avec 7.65GiB de RAM | |
- | 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> | La dernière ligne permet s'assurer que la session fonctionne de manière nominal en affichant :<code> | ||
Ligne 48: | Ligne 67: | ||
Une grande variété de [[https://www.tensorflow.org/tutorials/|tutoriels]] en ligne permettent de vérifier le bon fonctionnement. | Une grande variété de [[https://www.tensorflow.org/tutorials/|tutoriels]] en ligne permettent de vérifier le bon fonctionnement. | ||
+ | |||
+ | ===== Astuces en cas de plantage incompréhensible ===== | ||
+ | |||
+ | Il se peut que dans l'utilisation, des plantages apparaissent avec comme source de première erreur ''CUDNN_STATUS_INTERNAL_ERROR'' | ||
+ | <code>2019-09-28 05:35:09.764756: E tensorflow/stream_executor/cuda/cuda_dnn.cc:334] Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR | ||
+ | 2019-09-28 05:35:09.766851: E tensorflow/stream_executor/cuda/cuda_dnn.cc:334] Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR | ||
+ | --- | ||
+ | tensorflow.python.framework.errors_impl.UnknownError: Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above. | ||
+ | --- | ||
+ | </code> | ||
+ | |||
+ | Cette erreur aura cela de désarmant qu'elle ne va pas apparaître sur toutes les machines exploitables avec TensorFlow. | ||
+ | |||
+ | Une solution peut être de définir une variable d'environnement ''$TF_FORCE_GPU_ALLOW_GROWTH'' à ''true'' | ||
+ | <code> | ||
+ | export TF_FORCE_GPU_ALLOW_GROWTH=true | ||
+ | </code> | ||
+ | Cette option (comme son nom l'indique) permet au GPU de conserver la mémoire déjà allouée. Le souci, c'est que cette allocation ne prend fin que lorsque l'exécution est terminée. | ||
<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> | <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> | ||
Ligne 61: | Ligne 98: | ||
* circuits GT200 : Quadro FX4000, Tesla C1060 | * circuits GT200 : Quadro FX4000, Tesla C1060 | ||
* circuits Fermi : GTX 560Ti, Quadro 4000 | * circuits Fermi : GTX 560Ti, Quadro 4000 | ||
- | * circuits Kepler : GTX 680, GTX 690, | + | |
- | * circuits Maxwell : GTX 960, GTX 970, GTX980 | + | |