Проект предназначен для сборки оптимизированной версии TensorFlow v1.15.2 и TensorFlow-GPU v1.15.2 под CPU и GPU на хост-машине из исходников в docker контейнере.
Список уже собранных версий и ссылки для их скачивания доступны в соседнем репозитории.
Репозиторий содержит 2 Dockerfile:
- Dockerfile_cpu_cp37 - сборка TensorFlow v1.15.2 для Python 3.7
- Dockerfile_gpu_cp37 - сборка TensorFlow-GPU v1.15.2 для Python 3.7
Для сборки TensorFlow используется ОС Ubuntu 19.10 с установленными зависимостями в соответствии с официальной инструкцией. Для сборки с поддержкой GPU дополнительно используется образ с установленными библиотеками CUDA 10 и cuDNN 7.6: Docker_image_with_CUDA10_cuDNN7.
При сборке docker-образа выполняется клонирование репозитория TensorFlow, загрузка и установка Bazel v0.24.1 с помощью скрипта install_bazel.sh. Скрипт принимает версию Bazel в качестве аргумента, загружает её из официального репозитория и выполняет установку (если не передавать аргумент - использовать значение 0.24.1):
sudo ./install_bazel.sh 0.24.1Сборка TensorFlow полностью автоматизирована с помощью скрипта build.sh, который принимает 2 необязательных аргумента при запуске:
sudo ./build.sh [-gpu] [-mkl]Значения аргументов (если ничего не передавать - выполнить сборку только с поддержкой CPU, если передать оба аргумента - выполнить сборку с поддержкой GPU и Intel MKL):
-gpu: выполнить сборку с поддержкой GPU-mkl: выполнить сборку с Intel Math Kernel Library
Скрипт выполняет следующие действия:
- переключение на ветку
r1.15в локальном репозитории TensorFlow - исправление ошибок, которые могут возникнуть при сборке
- конфигурация сборки (вызов
./configureс помощью скриптовrun_configure_cpu_1.15/run_configure_gpu_1.15) - запуск сборки с параметрами под текущий CPU на хост-машине (вызов
bazel build --config=opt --copt=-march=native --noincompatible_strict_action_env //tensorflow/tools/pip_package:build_pip_package, в зависимости от аргументов, переданных при запуске скрипта, может быть добавлено--config=cudaи/или--config=mkl) - получение списка поддерживаемых инструкций CPU на хост-машине (данные берутся из файла
/proc/cpuinfo) и, если передан аргумент-gpuпри запуске скрипта, получение используемой версии CUDA (с помощью вызоваnvcc -V) - сборка Python пакета со списком поддерживаемых инструкций CPU и версией CUDA (если передан аргумент
-gpuпри запуске скрипта) в названии (вызов./bazel-bin/tensorflow/tools/pip_package/build_pip_package ./built_packages --project_name tensorflow_[cpu|gpu]_[SUPPORTED_INSTRUCTIONS]_[CUDA_VERSION][_MKL][_XLA])
ВНИМАНИЕ! Для сборки TensorFlow-GPU v1.15.2 необходимо сначала подготовить хост машину! Подготовка заключается в установке официального драйвера нужной версии для NVIDIA GPU, установке nvidia-container-toolkit и сборке базового docker-образа с CUDA 10 и cuDNN 7.6. Инструкцию и скрипты для подготовки можно найти в соседнем репозитории: Docker_image_with_CUDA10_cuDNN7.
При сборке TensorFlow (т.е. при выполнении bazel build ...) по разным причинам могут возникнуть следующие ошибки:
- Ошибка
"/usr/bin/env: 'python': No such file or directory".
Возникает вне зависимости от выбранных параметров сборки. Решение: добавление вызова python 3.7 по команде python. Исправление применяется при сборке docker-образа.
sudo update-alternatives --install /usr/bin/python python /usr/bin/python3.7 2- Неподдерживаемая версия GCC при сборке с поддержкой GPU.
Возникает из-за того, что сборка с поддержкой GPU требует GCC и G++ не выше 7 версии, а по умолчанию в Ubuntu 19.10 установлен GCC 9. Решение: установка GCC и G++ 7 версии. Исправление применяется при сборке docker-образа.
sudo apt-get install -y gcc-7 g++-7
sudo ln -s /usr/bin/gcc-7 /usr/local/cuda/bin/gcc
sudo ln -s /usr/bin/g++-7 /usr/local/cuda/bin/g++- Ошибка
"fatbinary fatal : Unknown option '-bin2c-path'".
Возникает из-за использования CUDA 10.2, которая по умолчанию не поддерживается TensorFlow-GPU v1.15.2.
Решение: применение коммита "Make nccl bindings compilable with cuda 10.2" из ветки master (источник). Исправление применяется скриптом build.sh после переключения на ветку r1.15 в локальном репозитории TensorFlow.
git config user.email "example@mail.com"
git config user.name "Name"
git cherry-pick 67edc16326d6328e7ef096e1b06f81dae1bfb816- Ошибка с gRPC
"error: ambiguating new declaration of 'long int gettid()'".
Возникает из-за того, что библиотека gRPC была обновлена и изменились имена функций с gettid() на sys_gettid() в файлах src/core/lib/gpr/log_linux.cc, src/core/lib/gpr/log_posix.cc и src/core/lib/iomgr/ev_epollex_linux.cc, что не предусмотрено в используемой версии bazel (источник).
Решение: применение патча Rename-gettid-functions.patch, который изменяет имена функций на правильные (для применения патча используется другой патч Add-grpc-fix-for-gettid.patch, который указывает bazel, что после загрузки, но перед установкой gRPC необходимо применить патч). Исправление применяется скриптом build.sh после переключения на ветку r1.15 в локальном репозитории TensorFlow и исправления ошибки в пункте 3 выше.
Внимание: данное исправление работает только с TensorFlow v1.15.2, 2.0.1 и 2.1.0. В остальных версиях работоспособность не гарантируется.
cp Add-grpc-fix-for-gettid.patch tensorflow
git apply Add-grpc-fix-for-gettid.patch
cp Rename-gettid-functions.patch tensorflow/third_party/Rename-gettid-functions.patchДля сборки docker-образа, находясь в папке с проектом, нужно выполнить (-f Dockerfile_cpu_cp37 — использовать файл Dockerfile_cpu_cp37 в качестве Dockerfile для сборки образа,-t — запуск в терминале, . — директория, из которой вызывается docker build (точка — значит в текущей директории находятся все файлы для образа), building_tensorflow_cpu:1.15 — метка образа и его версия):
sudo docker build -f Dockerfile_cpu_cp37 -t building_tensorflow_cpu:1.15 .После успешной сборки, можно запустить полученный образ в контейнере (--cpuset-cpus="0-5" — использовать только ядра с 0 по 5, -m 16GB — использовать не более 16Гб оперативной памяти, -t — запуск в терминале, -i — интерактивный режим, --rm — удалить контейнер после завершения его работы, -v "$PWD:/building_tensorflow/built_packages" — папка, из которой запускается образ, будет доступна в контейнере по адресу /building_tensorflow/built_packages, -e HOST_PERMS="$(id -u):$(id -g)" — перенос текущих переменных окружения в контейнер (необходимо для корректной работы bazel)):
sudo docker run --cpuset-cpus="0-5" -m 16GB -ti --rm -v "$PWD:/building_tensorflow/built_packages" -e HOST_PERMS="$(id -u):$(id -g)" building_tensorflow_cpu:1.15Если необходима поддержка Intel MKL-DNN, нужно при запуске контейнера в конец добавить ./build.sh -mkl.
При запуске контейнера сразу же начнётся сборка TensorFlow. На машине с CPU Intel Xeon X5650 сборка на всех 12 ядрах занимает около 1.5 часов. При этом требуется около 15Гб оперативной памяти (при увеличении числа используемых ядер необходимо больше оперативной памяти, из рассчёта примерно 1-2Гб на 1 ядро).
После завершения сборки контейнер остановится и в папке, из которой он был запущен, появится файл tensorflow_cpu_[SUPPORTED_INSTRUCTIONS][_MKL][_XLA]-1.15.2-cp37-cp37m-linux_x86_64.whl (в случае CPU Intel Xeon X5650: tensorflow_cpu_SSE4.1_SSE4.2_XLA-1.15.2-cp37-cp37m-linux_x86_64.whl), оптимизированный под CPU на хост машине.
Для установки TensorFlow из полученного пакета можно использовать pip:
pip3 install tensorflow_cpu_SSE4.1_SSE4.2_XLA-1.15.2-cp37-cp37m-linux_x86_64.whlПримечание: размер собранного docker-образа равен 1.5-1.7 Гб.
ВНИМАНИЕ! Перед сборкой и запуском сначала нужно подготовить хост машину! Инструкцию и скрипты для подготовки можно найти в Docker_image_with_CUDA10_cuDNN7.
По умолчанию в качестве базового образа используется образ с CUDA 10.2 и cuDNN 7.6. Если необходима поддержка другой версии CUDA, нужно изменить имя базового образа во 2 строке файла Dockerfile_gpu_cp37 и предварительно собрать указанный базовый docker-образ (подробнее см. в Docker_image_with_CUDA10_cuDNN7).
Для сборки docker-образа, находясь в папке с проектом, нужно выполнить:
sudo docker build -f Dockerfile_gpu_cp37 -t building_tensorflow_gpu:1.15 .После успешной сборки, можно запустить полученный образ в контейнере (--gpus all — предоставить доступ контейнеру ко всем имеющимся видеокартам, подробнее тут):
sudo docker run --cpuset-cpus="0-5" -m 16GB --gpus all -ti --rm -v "$PWD:/building_tensorflow/built_packages" -e HOST_PERMS="$(id -u):$(id -g)" building_tensorflow_gpu:1.15Если необходима поддержка Intel MKL-DNN, нужно при запуске контейнера в конец добавить ./build.sh -gpu -mkl.
При запуске контейнера сразу же начнётся сборка TensorFlow-GPU. На машине с CPU Intel Xeon X5650 и GPU NVIDIA GeForce RTX2080 сборка на всех 12 ядрах занимает около 2 часов. При этом требуется около 25Гб оперативной памяти (при увеличении числа используемых ядер необходимо больше оперативной памяти, из рассчёта примерно 2-4Гб на 1 ядро).
После завершения сборки контейнер остановится и в папке, из которой он был запущен, появится файл tensorflow_gpu_[SUPPORTED_INSTRUCTIONS]_[CUDA_VERSION][_MKL][_XLA]-1.15.2-cp37-cp37m-linux_x86_64.whl (в случае CPU Intel Xeon X5650 и GPU NVIDIA GeForce RTX2080: tensorflow_gpu_SSE4.1_SSE4.2_cuda10.0_XLA-1.15.2-cp37-cp37m-linux_x86_64.whl), оптимизированный под CPU и GPU на хост машине.
Для установки TensorFlow-GPU из полученного пакета можно использовать pip:
pip3 install tensorflow_gpu_SSE4.1_SSE4.2_cuda10.0_XLA-1.15.2-cp37-cp37m-linux_x86_64.whlПримечание: размер собранного docker-образа равен 4.5-5.3 Гб.
Для успешной сборки нужен Bazel v0.24.1, а для сборки с поддержкой GPU - GCC и G++ не выше 7 версии, и CUDA 10.X с cuDNN 7.6.
Изменить параметры сборки можно в скриптах run_configure_cpu_1.15 и run_configure_gpu_1.15 соответственно для CPU и GPU. Дополнительные параметры для сборщика bazel можно указать в скрипте build.sh в строке 45 или 54.
Описание некоторых аргументов сборки (их так же можно добавить как в run_configure_cpu_1.15 (строка 32) или run_configure_gpu_1.15 (строка 42), так и в build.sh (строка 45 или 54)):
-march=native- использовать параметры текущего CPU (используется по умолчанию)cuda- выполнить сборку с поддержкой GPU под конкретную версию CUDAlibverbs- для удалённого прямого доступа к памяти Remote Direct Memory Access (RDMA) (нужно перед установкой выполнитьsudo apt-get install libibverbs-dev)ngraph- поддержка компилятора Intel nGraph (не работает ожидаемым образом, а сборка nGraph из исходников не дала ускорения работы, только замедление где-то в 1.5 раза, см. комментарии в строках 3-8 вbuild.sh)gdr- более крутая версия текущего протокола gRPC для распределённых вычислений на GPU (полезен когда размер тензора больше 100Мб и используется несколько видеокарт)monolithic- сборка без возможности создания своих операций (подробнее тут)mkl- поддержка библиотеки Intel Math Kernel Library (со сборкой для GPU приводит к уменьшению производительности, в сборке для CPU не приводит к изменению производительности (нужны ещё тесты, подробнее тут) и доступно только в Linux) (также можно использовать черезpip3 install intel-tensorflow, подробнее тут)
Руководство по сборке вручную находится в manual_build_order.md.
Другие руководства по сборке:
- официальная инструкция от разработчиков TensorFlow
- Building TensorFlow from source (TF 2.1.0, Ubuntu 19.10)
- tensorflow-community-wheels (так же содержит множество собранных пакетов с различными параметрами от сообщества)
Если у вас возникнут вопросы или вы хотите сотрудничать, можете написать мне на почту: vladsklim@gmail.com или в LinkedIn.