Instalación del CUDA Toolkit
Tabla de Contenidos
Se asume que el controlador que manipula la tarjeta GPU está activa, el proceso de instalación de CUDA Toolkit para el desarrollo de aplicaciones Python con uso de GPU está solventado para iniciar:
Instalación de CUDA Toolkit
El primer objetivo a lograr es adquirir el CUDA ToolKit desde el sitio del desarrollador (https://developer.nvidia.com/cuda-toolkit).
Nota: Para esta documentación la implementación se realizó en una máquina Linux usando a Centos 7 como distro, utilizando los repositorios oficiales de Nvidia para dicho caso, rpm network
Instalación de dependencias
Esto para el caso de querer instalar el toolkit de modo manual:
Centos
En Centos la instalación de dependencias siempre es confiable realizarlas a través de su gestor de paquetes YUM y desde los repositorios oficiales
yum install kernel-devel gcc-c++ freeglut freeglut-devel libX11-devel mesa-libGLU-devel libXmu-devel libXi-devel gcc* compat-gcc* compat-glibc* compat-lib*
O
yum groupinstall ‘Development Tools’ ‘Development Libraries’
CUDA Toolkit
Centos
Es necesario agregar el repositorio, para el caso se debe descargar el paquete RPM desde la página del desarrollador que corresponde a network, para este ejercicio se ha bajado el fichero cuda-repo-rhel7-9.0.176-1.x86_64.rpm y se instala del siguiente modo con privilegios de superusuario y se actualiza la lista de cache de YUM:
rpm -i cuda-repo-rhel7-9.0.176-1.x86_64.rpm yum clean yum make cache
Descargar cuda-repo-rhel7-9.0.176-1.x86_64.rpm
Como es el caso de instalación vía repositorio (YUM), se utiliza la siguiente instrucción para instalar:
yum install cuda-7-5.x86_64
Instalar NUMBA
En un entorno virtual de python que puede ser creado del siguiente modo:
virtualenv --python=/usr/bin/python3 <folder> source <folder>/bin/activate
estableceremos nuestro ambiente de desarrollo.
Una vez creado el entorno virtual se procede a instalar los siguientes paquetes catalogados como esenciales utilizando pip (pip install <paquetes>):
Cython llvmlite numba numpy pyculib scipy
Agregar variables de entorno
Se hace necesario agregar unas variables de entorno para referenciar algunos complementos de CUDA y Python sepa donde localizar estas librerías necesarias
# CUDA Toolkit
export CUDA_HOME=/usr/local/cuda-7.5
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64:$LD_LIBRARY_PATH
export PATH=${CUDA_HOME}/bin:${PATH}
export NUMBAPRO_NVVM=${CUDA_HOME}/nvvm/lib64/libnvvm.so
export NUMBAPRO_LIBDEVICE=${CUDA_HOME}/nvvm/libdevice/Una opción es que sean agregadas directamente en $HOME/.bashrc.
Notas
- Para está versión de Numba (0.35.0) es requisito esencial tener la versión de cuda 7.5 o menor.
- En el caso del repositorio Centos al instalar el paquete de cuda-75.x84_64 vía YUM, automáticamente agregó como dependencia el paquete nvidia-kmod-384.81-2.el7.x86_64 ocasionando problemas y el siguiente mensaje "Failed to initialize NVML: Driver/library version mismatch". La solución es eliminar el paquete nvidia-kmod-384.81-2.el7.x86_64 mediante YUM y recargar el controlador de nvidia (modprobe nvidia).
Primera aplicación
A modo de prueba y para comprobar la correcta instalación se puede copiar y ejecutar la siguiente aplicación:
1 #!/usr/bin/python3
2 import numpy as np
3 from timeit import default_timer as timer
4 from numba import vectorize
5 @vectorize(["float32(float32, float32)"], target='cuda')
6 def VectorAdd(a, b):
7 return a + b
8
9
10 def main():
11 N = 32000000 #Numeros de elementos del array
12
13 A = np.ones(N, dtype=np.float32)
14 B = np.ones(N, dtypes=np.float32)
15 C = np.zeros(N, dtypes=np.float32)
16
17 start = timer()
18
19 C = VectorAdd(A, B)
20 vectoradd_time = timer() - start
21
22 print("C[:5] = " + str(C[:5]))
23 print("C[-5:] = " + str(C[-5:]))
24
25 print("VectorAdd took %f seconds" % vectoradd_time)
26
27 if __name__ == '__main__':
28 main()
El resultado debiese ser similar a esto e indicará que el programa corrió de buena manera:
C[:5] = [ 2. 2. 2. 2. 2.] C[-5:] = [ 2. 2. 2. 2. 2.] VectorAdd took 4.264653 seconds