Windows11のWSL2にTensorFlow環境を作る

作業日：2024/8/11

2024/8/11 13:04

CUDAドライバの確認

code:sh

nvidia-smi

GPUが認識可能な場合，GPUの状態とCUDAドライバのバージョンが表示される．

code:出力例

~$ nvidia-smi

Wed Jul 17 19:33:53 2024

+---------------------------------------------------------------------------------------+

| NVIDIA-SMI 545.23.05 Driver Version: 545.84 CUDA Version: 12.3 |

|-----------------------------------------+----------------------+----------------------+

| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC |

| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |

| | | MIG M. |

|=========================================+======================+======================|

| 0 NVIDIA GeForce RTX 4060 Ti On | 00000000:01:00.0 On | N/A |

| 0% 45C P8 12W / 165W | 1303MiB / 16380MiB | 3% Default |

| | | N/A |

+-----------------------------------------+----------------------+----------------------+

+---------------------------------------------------------------------------------------+

| Processes: |

| GPU GI CI PID Type Process name GPU Memory |

| ID ID Usage |

|=======================================================================================|

| No running processes found |

+---------------------------------------------------------------------------------------+

TensorFlowに対応するCudaバージョンの確認

https://gyazo.com/282bc8ef8dfbbfdafa18a5e2a53dfe76

https://gyazo.com/552410a1d2aeffc5597940aa3f5b2d59

table:今回使用するバージョン

TensorFlow 2.16.1

Python 3.12

CUDA: 12.3

CuDNN: 8.9

install CUDA toolkit

cudaが入っていないことを確認する

code:sh

cuda --version

cudaが入っていない場合の出力

Command 'cuda' not found, ...

CUDA Toolkit Archiveから「CUDA Toolkit 12.3」を選択

https://gyazo.com/d2845bd261b2773d5bbc3044805c2390

https://gyazo.com/e0f563960ccd1380030bbb7871f55d5e

表示されるインストールスクリプトを実行する．

今回表示されたスクリプト

sudo sh cuda_12.3.0_545.23.06_linux.run

https://gyazo.com/d25a0982db84ffe048c32798debdee7e

インストール後の確認

code:sh

nvidia-smi

https://gyazo.com/b02800e0fad85b64ced198de6c200955

cuDNNのインストール

※以下はCuDNN: 8.9をインストールする場合を想定した記述である

cudnnが入っていないことを確認（応答が空なら良い）

code:sh

dpkg -l | grep cudnn

目的のバージョンの中からLinux x86_64版をダウンロード

ダウンロードしたファイルをWSL 2に転送

CuDNNのアーカイブを展開

ケース1：tar.xzファイルの場合

(1)xzファイルの解凍

code:sh

xz -dv ファイルパス

(2)tarファイルの解凍

code:sh

sudo tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar

ケース2：tgzファイルの場合

code:sh

tar -xzvf cudnn-x.x-linux-x64-v8.x.x.x.tgz

ここで，エラーが出る場合はsudoを付けて解決する

cuDNNライブラリをCUDAディレクトリにコピー

code:sh

sudo cp cuda/include/cudnn*.h /usr/local/cuda/include

sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

cudnnディレクトリに移動（pathは状況に応じたものに変更）

code:sh

cd cudnn-linux-x86_64-8.9.0.131_cuda12-archive

ファイルをcudaディレクトリにコピー

code:sh

sudo cp include/cudnn*.h /usr/local/cuda/include

code:sh

sudo cp lib/libcudnn* /usr/local/cuda/lib64

code:sh

sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

bashrcに登録（Cudaのバージョンに応じてコマンドを変更する）

code:sh

echo 'export CUDA_HOME=/usr/local/cuda-12.3' >> ~/.bashrc

echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-12.3/lib64' >> ~/.bashrc

パスを通す

code:sh

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

export PATH=/usr/local/cuda/bin:$PATH

変更を適用

code:sh

source ~/.bashrc

確認

code:sh

echo $CUDA_HOME

echo $LD_LIBRARY_PATH

CUDNNの動作を確認

1. 必要なライブラリのインストール

ターミナルを開き、以下のコマンドを実行してTensorFlowをインストールします。

code:sh

pip install tensorflow

2. テストスクリプトの作成

code:python

import tensorflow as tf

import platform

def check_cudnn():

print("===== システム情報 =====")

print(f"オペレーティングシステム: {platform.system()} {platform.version()}")

print(f"Pythonバージョン: {platform.python_version()}")

print(f"TensorFlowバージョン: {tf.__version__}")

print("\n===== CUDA と GPU の状態 =====")

cuda_available = tf.test.is_built_with_cuda()

print(f"CUDA利用可能: {'はい' if cuda_available else 'いいえ'}")

gpus = tf.config.list_physical_devices('GPU')

if gpus:

print(f"利用可能なGPU: {len(gpus)}台")

for gpu in gpus:

print(f" - {gpu.name}")

else:

print("利用可能なGPU: なし")

if cuda_available:

print("\n===== GPU性能テスト =====")

try:

with tf.device('/GPU:0'):

c = tf.matmul(a, b)

print("行列乗算結果:")

print(c.numpy())

print("\nGPUでの行列乗算: 成功")

except:

print("GPUでの行列乗算: 失敗")

print("\n===== 総合評価 =====")

if cuda_available and gpus and 'c' in locals():

print("結果: CUDNNとGPUは正常に動作しています。")

print("深層学習タスクを実行する準備が整っています。")

else:

print("結果: CUDNNまたはGPUの設定に問題がある可能性があります。")

print("上記の情報を確認し、必要に応じてシステム設定を見直してください。")

if __name__ == "__main__":

check_cudnn()

3. スクリプトの実行

ターミナルで、スクリプトを保存したディレクトリに移動し、以下のコマンドを実行します。

code:sh

python3 cudnn_test.py

4. 結果の確認

スクリプトの実行結果を確認します。以下の点に注目してください：

a. システム情報

TensorFlowのバージョンが表示されていることを確認

b. CUDA と GPU の状態

CUDA利用可能が「はい」になっていることを確認

利用可能なGPUが1台以上表示されていることを確認

CUDNNバージョンが表示されていることを確認

c. GPU性能テスト

行列乗算結果が表示されていることを確認

"GPUでの行列乗算: 成功" と表示されていることを確認

d. 総合評価

"結果: CUDNNとGPUは正常に動作しています。" と表示されていることを確認

5. 結果の解釈

全ての確認点が期待通りであれば、CUDNNは正常に動作していると判断できます。

深層学習フレームワーク（TensorFlow等）でGPUを利用した学習や推論が可能な状態です。

注意: スクリプトの実行中にいくつかの警告メッセージが表示される場合がありますが、

多くの場合これらは無視して問題ありません。重要なのは、上記の確認点を満たしているかどうかです。

補遺

参考