本文將基于蝰蛇峽谷(SerpentCanyon) 詳細(xì)介紹如何在英特爾獨(dú)立顯卡上訓(xùn)練TensorFlow模型的全流程攻礼。

1.1 英特爾銳炫?獨(dú)立顯卡簡(jiǎn)介

英特爾銳炫? 顯卡基于X^e-HPG 微架構(gòu)砰诵，X^e HPG GPU 中的每個(gè) X^e 內(nèi)核都配置了一組 256 位矢量引擎囊嘉，旨在加速傳統(tǒng)圖形和計(jì)算工作負(fù)載这橙，以及新的 1024 位矩陣引擎或 X^e 矩陣擴(kuò)展，旨在加速人工智能工作負(fù)載熬丧。

英特爾獨(dú)立顯卡

1.2 蝰蛇峽谷簡(jiǎn)介

蝰蛇峽谷(SerpentCanyon) 是一款性能強(qiáng)勁笋粟，并且體積小巧的高性能迷你主機(jī)，搭載全新一代混合架構(gòu)的第 12 代智能英特爾^? 酷睿? 處理器，并且內(nèi)置了英特爾銳炫? A770M獨(dú)立顯卡害捕。

蝰蛇峽谷

1.3 搭建訓(xùn)練TensorFlow模型的開(kāi)發(fā)環(huán)境

1.3.1 Windows版本要求：

訓(xùn)練TensorFlow所依賴的軟件包TensorFlow-DirectML-Plugin 包要求：

• Windows 10的版本≥1709
• Windows 11的版本≥21H2

用“Windows logo 鍵+ R鍵”啟動(dòng)“運(yùn)行”窗口唆香，然后輸入命令“winver”可以查得Windows版本。

1.3.2 下載并安裝最新的英特爾顯卡驅(qū)動(dòng)

到Intel官網(wǎng)下載并安裝最新的 英特爾顯卡驅(qū)動(dòng)

1.3.3 下載并安裝Anaconda

下載并安裝Python虛擬環(huán)境和軟件包管理工具Anaconda吨艇。安裝完畢后躬它，用下面的命令創(chuàng)建并激活虛擬環(huán)境tf2_a770：

conda create --name tf2_a770 python=3.9
conda activate tf2_a770

1.3.4 安裝TensorFlow2

在虛擬環(huán)境tf2_a770中安裝TensorFlow 2.10。需要注意的是：tensorflow-directml-plugin軟件包當(dāng)前只支持TensorFlow 2.10东涡。

pip install tensorflow-cpu==2.10

1.3.5 安裝tensorflow-directml-plugin

在虛擬環(huán)境tf2_a770中安裝tensorflow-directml-plugin冯吓，這是一個(gè)在Windows平臺(tái)上的機(jī)器學(xué)習(xí)訓(xùn)練加速軟件包。

pip install tensorflow-directml-plugin

到此疮跑，在Windows平臺(tái)上用英特爾獨(dú)立顯卡訓(xùn)練TensorFlow模型的開(kāi)發(fā)環(huán)境配置完畢组贺。

1.4 在英特爾獨(dú)立顯卡上訓(xùn)練TensorFlow模型

1.4.1 下載并解壓flower數(shù)據(jù)集

用下載器下載并解壓flower數(shù)據(jù)集

解壓后的Flower數(shù)據(jù)集

1.4.2 下載訓(xùn)練代碼啟動(dòng)訓(xùn)練

請(qǐng)下載tf2_training_on_A770.py并放入flower_photos同一個(gè)文件夾下運(yùn)行。

from pathlib import Path
import tensorflow as tf
data_dir  = Path("flower_photos")
image_count = len(list(data_dir.glob('*/*.jpg')))
print("Number of image files:", image_count)
# 導(dǎo)入Flower數(shù)據(jù)集
train_ds = tf.keras.utils.image_dataset_from_directory(data_dir, validation_split=0.2,
  subset="training", seed=123, image_size=(180, 180), batch_size=32)
val_ds = tf.keras.utils.image_dataset_from_directory(data_dir, validation_split=0.2, subset="validation", seed=123, image_size=(180, 180), batch_size=32)
# 啟動(dòng)預(yù)取和數(shù)據(jù)緩存
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=tf.data.AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=tf.data.AUTOTUNE)
# 創(chuàng)建模型
model = tf.keras.Sequential([
  tf.keras.layers.Rescaling(1./255),
  tf.keras.layers.Conv2D(16, 3, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(32, 3, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Conv2D(64, 3, padding='same', activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(5)
])
# 編譯模型
model.compile(optimizer='adam',
  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
  metrics=['accuracy'])
#訓(xùn)練模型
model.fit(train_ds,validation_data=val_ds,epochs=20)

在A770上訓(xùn)練TensorFlow模型

結(jié)論：英特爾獨(dú)立顯卡支持TensorFlow模型訓(xùn)練祖娘。下一篇文章失尖，我們將介紹在英特爾獨(dú)立顯卡上訓(xùn)練PyTorch模型