Ubuntu 24.04 Üzerinde ROCm Hızlandırmalı PyTorch Kurulumu

Giriş ve Genel Bakış

PyTorch, derin öğrenme ve yapay zeka modelleri geliştirmede endüstri standardı haline gelen açık kaynaklı bir kütüphanedir. ROCm (Radeon Open Compute) ise AMD'nin GPU hesaplama mimarisi olup, AMD grafik kartları üzerinde yüksek başarımlı hesaplama (HPC) ve makine öğrenimi iş yüklerinin donanım hızlandırmalı çalışmasını mümkün kılar.

Geliştiriciler için donanım sürücüleri ve kütüphane bağımlılıklarını sıfırdan kurmak zaman alıcı ve hataya açık olabilir. ROCm destekli hazır PyTorch konteynerleri, gerekli tüm bağımlılıkları barındıran taşınabilir ortamlar sunarak bu zorluğu ortadan kaldırır. Bu rehberde, Ubuntu 24.04 üzerinde hem Docker konteyneriyle hem de ana makinede (host) pip kullanarak ROCm destekli PyTorch kurulumunu ve GPU doğrulamasını adım adım ele alacağız.

ROCm Destekli PyTorch Konteynerlerini Kullanma

İzole ve taşınabilir bir geliştirme ortamı kurmak, bağımlılık çakışmalarını önlemek açısından en pratik yaklaşımdır. Başlamadan önce sunucunuzda Docker'ın ve ROCm GPU desteğinin etkinleştirilmiş olduğundan emin olun.

PyTorch ROCm İmajını Çekin: AMD tarafından sağlanan resmi ve optimize edilmiş imajı yerel sisteminize indirin:
```
docker pull rocm/pytorch:latest
```
Geçici Docker Konteynerini Çalıştırın: GPU kaynaklarını bağlayarak etkileşimli bir konteyner başlatın:
```
docker run --rm -it --device=/dev/kfd --device=/dev/dri --security-opt seccomp=unconfined --shm-size 8G rocm/pytorch:latest
```
Pratik Çıkarım: /dev/kfd (hesaplama çekirdek sürücüsü) ve /dev/dri (doğrudan grafik arabirimi), ROCm'in donanıma doğrudan erişmesi için zorunludur. Paylaşılan bellek boyutunun --shm-size 8G ile artırılması ise PyTorch DataLoader işlemlerinde bellek yetersizliği kaynaklı kilitlenmeleri önler.
Konteyner İçinde GPU Erişilebilirliğini Doğrulayın: Donanımın tanındığını ve PyTorch'un hazır olduğunu teyit edin:
```
rocm-smi
python3 -c 'import torch; print(torch.cuda.is_available())'
```
rocm-smi komutu GPU ayrıntılarını ve teknik özelliklerini listelemeli, Python komutu ise True çıktısı vermelidir. (PyTorch, API uyumluluğu adına AMD GPU'lar için de cuda adlandırmasını kullanır.)
Geçici Konteynerden Çıkış Yapın: Doğrulamayı tamamladıktan sonra oturumu sonlandırarak geçici konteyneri kaldırın:
```
exit
```

Pip Kullanarak Ana Sistemde (Host) PyTorch Kurulumu

Yerel geliştirme araçları ve IDE entegrasyonu için PyTorch'u doğrudan ana makineye kurabilirsiniz.

Kurulum Seçeneklerini Belirleyin ve Çalıştırın: Resmi PyTorch "Start Locally" sayfasına gidin; PyTorch Build: Stable, İşletim Sistemi: Linux, Paket: Pip, Dil: Python ve Hesaplama Platformu: ROCm seçeneklerini belirleyin. Sayfanın ürettiği komutu terminalinizde çalıştırın. Not: Paket boyutu büyük olduğundan indirme sırasında zaman aşımı yaşarsanız komuta --timeout parametresi ekleyin. Bozuk veya eksik önbellek indirmelerini temizlemek için --no-cache-dir bayrağıyla kurulumu sıfırdan başlatabilirsiniz.
GPU Erişilebilirliğini Doğrulayın: Ana sistemde GPU desteğinin etkin olduğunu test edin:
```
python3 -c 'import torch; print(torch.cuda.is_available())'
```
Komutun True değerini döndürmesi, GPU hızlandırmasının başarıyla çalıştığını gösterir.

Sonraki Adımlar

Performans Kıyaslaması: AMD GPU üzerinde model eğitim hızını mevcut CPU iş akışlarınızla kıyaslayarak elde edilen hızlanmayı ölçün.
Çatı Karşılaştırması: Aynı donanım üzerinde PyTorch'un yanına ROCm destekli JAX veya TensorFlow kurarak çatıların performansını karşılaştırın.
Etkileşimli Geliştirme: GPU hızlandırmalı modeller üzerinde etkileşimli denemeler ve prototipleme yapmak için bir Jupyter ortamı yapılandırın.
Konteynerleştirme: Tekrarlanabilir ve ölçeklenebilir eğitim hatları için betiklerinizi rocm/pytorch temel imajı üzerinde konteynerleştirin.

Orijinal makaleye buradan ulaşabilirsiniz.