|
|
||
|---|---|---|
| sample | ||
| .gitreview | ||
| .zuul.yaml | ||
| computing native sub group intro.md | ||
| README.md | ||
| Release Timeline.md | ||
芯合原生平台
1 原生编译器部署
1.1 基础需求
- 硬件：X86通用服务器一台，CPU > 4、 内存 > 8G
- 操作系统：Linux （推荐使用ubuntu20.04 或 ubuntu22.04）
1.2 宿主机配置
-
docker安装 （推荐使用24以上版本）
1.3 镜像获取
移动云盘：链接:https://caiyun.139.com/m/i?125CloXzkhpXl 提取码:gOr2
1.4 编译器容器部署
通过docker命令加载本地下载好的编译器镜像。
sudo docker load --input xh-cmcc-compiler-v1.0.tar
其中，xh-cmcc-compiler-v1.0.tar为芯合编译器镜像文件的名称。
通过docker命令创建新的容器实例。
sudo docker run --privileged=true -itd -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro --name cmcc-compiler --hostname cmcc-compiler xh-cmcc-compiler:v1.0 bash
除了下述参数以外，均为docker自身运行相关的参数，如需了解更多，可参考docker的官方文档。
--privileged=true：为提权命令，固定参数。-v /etc/timezone:/etc/timezone:ro和-v /etc/localtime:/etc/localtime:ro为挂载宿主机的时间信息，固定参数。--name：指定容器的名字，此参数用户可根据需要变更。--hostname：指定主机名，此参数用户可根据需要变更。xh-cmcc-compiler:v1.0：指定编译器镜像的名称和版本，固定参数。bash：指定容器内需要运行的进程命令，固定参数。
通过docker命令进入容器进行操作。
sudo docker exec ${CONTAINER_ID} bash
1.5 如何使用编译器
编译器编译命令以及命令参数说明：
-
原生编译器采用
clang++编译器对源代码进行编译 -
常用参数说明：
-fsycl-device-only：使用Clang++编译器编译SYCL程序时，只针对设备（GPU）进行优化，该参数为必选参数。-tensor_compute：tensor_compute为添加编译参数，指定后编译器将执行Tensor Compute编译过程，该参数为必选参数；需要注意的是，指定该参数后，需通过-I参数指定对应的mlir文件所在目录，否则编译过程会报错。-I: 用于包含编译过程中所需头文件或指定编译输入的路径，采用该参数指定编译输入的路径时为必选参数，采用该参数包含头文件时根据需要包含的头文件的具体情况而定。-L: 链接编译过程中所需的第三方库，例如opencv、ffmpeg等，该参数的使用根据需要链接的库的情况而定。-o: 指定编译好的二进制文件的保存目录和文件名，该参数为必选参数。
注意：其他编译选项参考
LLVM编译选项的使用。 -
编译命令举例
# 该命令采用clang++编译器针对设备进行优化，启用了tensor_compute功能，将sample.cpp编译为sample二进制可执行文件，并通过-I指定了使用模型的mlir文件 clang++ -fsycl-device-only -tensor_compute -I/mlir/path/ sample.cpp -o sample
2 原生运行时部署
2.1 硬件支持
芯合原生运行时当前支持以下3种加速硬件：
- 英伟达：tasla V100 和 tasla T4
- 华为： ansend 910
- 瀚博： VA1A
2.2 瀚博环境运行时部署（VA1A）
2.2.1 基础需求
- 硬件：具备瀚博VA1A加速卡的X86架构服务器一台， CPU > 8、 内存 > 16G (推荐)
- 操作系统：Linux (推荐使用ubuntu20.04)
DKMS版本1.95及以上
2.2.2 宿主机配置
（1）安装环境依赖包：
yum install cairo-devel.x86_64
yum install libdrm-devel.x86_64
yum install kmod-devel.x86_64
yum install libdwarf-devel.x86_64
yum install libpciaccess-devel.x86_64
yum install pixman-devel.x86_64
yum install procps-ng-devel.x86_64
yum install pkgconf.x86_64
yum install openssl.x86_64
yum install cmake
yum install automake.noarch
yum install autoconf.noarch
yum install openssl-devel.x86_64
yum install libtool.x86_64
yum install libX11-devel.x86_64
yum install libXext-devel.x86_64
yum install libXfixes-devel.x86_64
（2）安装设备驱动：
VA1A驱动版本：d3_0_v2_4_a1_5_rc3
驱动获取地址：https://developer.vastaitech.com/home
驱动安装：sudo rpm -i vastai-pci-xxx.rpm 其中，xxx为版本相关信息
检查驱动安装状态：lsmod | grep vastai_pci 回显 vastai_pci 说明安装成功
（3）安装SDK：
加速库版本：AI Compiler v1.5.0
SDK获取地址：https://developer.vastaitech.com/home
SDK安装： sudo rpm -i VaststreamSdk-xxx.rpm 其中，xxx为版本相关信息
检查安装状态： rpm -qa | grep -i Vaststream 回显VaststreamSdk-xxx说明安装成功
（4）安装预编译库：
预编译库获取地址：https://developer.vastaitech.com/home
预编译库安装： sudo ./vastai_video_install_xxx.bin /opt/vastai/vaststream
其中，/opt/vastai/vaststream是预编译库安装目录
检查预编译库安装状态：
/opt/vastai/vaststream
├── bin
├── env
├── env.sh
├── include
├── lib
├── patch
├── python
└── samples
2.2.3 镜像获取
移动云盘链接:https://caiyun.139.com/m/i?125CdkwNCWN8X 提取码:cREu
2.2.4 运行时容器部署
通过docker命令加载本地下载好的编译器镜像。
sudo docker load --input xh-vastai-runtime-v1.0.tar
其中，xh-vastai-runtime-v1.0.tar为瀚博运行时镜像文件的名称。
使用docker命令创建新的容器实例。
sudo docker run --privileged=true -itd -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro --name cmcc-vastai-runtime --hostname cmcc-vastai-runtime xh-vastai-runtime:v1.0 bash
除了下述参数以外，均为docker自身运行相关的参数，如需了解更多，可参考docker的官方文档。
--privileged=true：为提权命令，固定参数。-v /etc/timezone:/etc/timezone:ro和-v /etc/localtime:/etc/localtime:ro为挂载宿主机的时间信息，固定参数。--name：指定容器的名字，此参数用户可根据需要变更。--hostname：指定主机名，此参数用户可根据需要变更。xh-vastai-runtime:v1.0：指定瀚博运行时镜像的名称和版本，固定参数。bash：指定容器内需要运行的进程命令，固定参数。
通过docker命令进入容器进行操作。
sudo docker exec ${CONTAINER_ID} bash
2.3 英伟达环境运行时部署（V100、T4）
2.3.1 基础需求
- 硬件：具备tesla V100或T4 GPU的X86架构服务器一台， CPU > 8、 内存 > 16G (推荐)
- 操作系统：Linux (推荐使用ubuntu20.04)
2.3.2 宿主机配置
-
GPU驱动安装：https://www.nvidia.cn/Download/index.aspx?lang=cn
推荐版本：525
-
cuda 安装：https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#
推荐版本：11.2
-
cudnn 安装：https://developer.nvidia.com/rdp/cudnn-download
推荐版本：8.1
-
docker安装 (推荐使用24以上版本) 参考：https://docs.docker.com/engine/install/ubuntu/
-
nvidia 容器工具安装及配置： https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installing-with-apt
2.3.3 镜像获取
移动云盘： v100镜像 链接:https://caiyun.139.com/m/i?125CloXv42aJW 提取码:DCGu T4镜像链接:https://caiyun.139.com/m/i?125ClUTyK7rTu 提取码:G8gK
2.3.4 运行时容器部署
英伟达运行时镜像区分V100以及T4版本，需要根据实际的硬件环境进行选择安装。
2.3.4.1 V100环境部署
通过docker命令加载本地下载好的编译器镜像。
sudo docker load --input xh-nvidia-runtime-v100-v1.0.tar
其中，xh-nvidia-runtime-v100-v1.0.tar为英伟达V100运行时镜像文件的名称。
使用docker命令创建新的容器实例。
sudo docker run -itd --name cmcc-nvidia-runtime --runtime=nvidia --ipc host --pid host --privileged=true --hostname cmcc-nvidia-runtime -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro xh-nvidia-runtime-v100:v1.0 bash
除了下述参数以外，均为docker自身运行相关的参数，如需了解更多，可参考docker的官方文档。
--privileged=true：为提权命令，固定参数。--runtime=nvidia：用于指定容器运行时为英伟达环境，固定参数。--ipc host和--pid host：为容器和宿主机之间共享内存及进程，固定参数。-v /etc/timezone:/etc/timezone:ro和-v /etc/localtime:/etc/localtime:ro为挂载宿主机的时间信息，固定参数。--name：指定容器的名字，此参数用户可根据需要变更。--hostname：指定主机名，此参数用户可根据需要变更。xh-nvidia-runtime-v100:v1.0：指定瀚博运行时镜像的名称和版本，固定参数。bash：指定容器内需要运行的进程命令，固定参数。
通过docker命令进入容器进行操作。
sudo docker exec ${CONTAINER_ID} bash
2.3.4.2 T4环境部署
通过docker命令加载本地下载好的编译器镜像。
sudo docker load --input xh-vastai-runtime-t4-v1.0.tar
其中，xh-nvidia-runtime-t4-v1.0.tar为英伟达T4运行时镜像文件的名称。
使用docker命令创建新的容器实例。
sudo docker run -itd --name cmcc-nvidia-runtime --runtime=nvidia --ipc host --pid host --privileged=true --hostname cmcc-nvidia-runtime -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro xh-nvidia-runtime-t4:v1.0 bash
除了下述参数以外，均为docker自身运行相关的参数，如需了解更多，可参考docker的官方文档。
--privileged=true：为提权命令，固定参数。--runtime=nvidia：用于指定容器运行时为英伟达环境，固定参数。--ipc host和--pid host：为容器和宿主机之间共享内存及进程，固定参数。-v /etc/timezone:/etc/timezone:ro和-v /etc/localtime:/etc/localtime:ro为挂载宿主机的时间信息，固定参数。--name：指定容器的名字，此参数用户可根据需要变更。--hostname：指定主机名，此参数用户可根据需要变更。xh-nvidia-runtime-t4:v1.0：指定瀚博运行时镜像的名称和版本，固定参数。bash：指定容器内需要运行的进程命令，固定参数。
通过docker命令进入容器进行操作。
sudo docker exec ${CONTAINER_ID} bash
2.4 华为环境运行时部署（ascend910）
详细部署说明和问题解决请参考：
2.4.1 基础需求
（1）硬件款型说明：
Atlas 800训练服务器（型号：9010）
（2）支持操作系统列表：
Ubuntu 18.04.1、Ubuntu 18.04.5、Ubuntu 20.04、CentOS 7.6、CentOS 8.2、
openEuler 20.03 LTS、openEuler 22.03 LTS、Kylin V10 SP1、BC_Linux 7.6、
Debian 9.9、Debian 10.0
2.4.2 宿主机配置
（1）安装场景说明：
（2）安装部件说明：
① 昇腾NPU固件：固件包含昇腾AI处理器自带的OS 、电源器件和功耗管理器件控制软件，分别用于后续加载到AI处理器的模型计算、芯片启动控制和功耗控制。
② 昇腾NPU驱动：部署在昇腾服务器，用于管理查询昇腾AI处理器，同时为上层CANN软件提供芯片控制、资源分配等接口。
③ CANN：部署在昇腾服务器，包含Runtime、算子库、图引擎、媒体数据处理等组件，通过AscendCL（Ascend Computing Language，昇腾计算语言）对外提供Device管理、Context管理、Stream管理、内存管理、模型加载与执行、算子加载与执行、媒体数据处理等API，帮助开发者实现在昇腾软硬件平台上开发和运行AI业务。
④ Ascend Docker：Ascend Docker（容器引擎插件）本质上是基于OCI标准（开放容器倡议标准）实现的Docker Runtime（容器运行环境），不修改Docker引擎，对Docker以插件方式提供Ascend NPU适配功能，使用户AI作业能够以Docker容器的方式平滑运行在昇腾设备上。
（3）安装硬件设备：
硬件设备安装请参考：https://support.huawei.com/enterprise/zh/doc/EDOC1100149984
（4）安装OS：
（5） 下载软件包：
软件包下载地址：
（6）安装NPU驱动和固件：
安装NPU驱动：
./Ascend-hdk-910-npu-driver_23.0.rc1_linux-x86-64.run --full --install-for-all
验证驱动功能可用性：npu-smi info
安装NPU固件：./Ascend-hdk-910-npu-firmware_6.3.0.1.241.run --full
重启系统：reboot
详细部署说明和问题解决请参考：
2.4.3 镜像获取
链接:https://caiyun.139.com/m/i?125CmSU5sl0k1 提取码:vuXJ
2.4.4 运行时容器部署
通过docker命令加载本地下载好的编译器镜像。
sudo docker load --input xh-ascend-runtime-v1.0.tar
其中，xh-ascend-runtime-v1.0.tar为华为运行时镜像文件的名称。
使用docker命令创建新的容器实例。
sudo docker run --privileged=true -itd --ipc=host -u root --device=/dev/davinci0 --device=/dev/davinci4 --device=/dev/davinci_manager --device=/dev/devmm_svm --device=/dev/hisi_hdc -v /etc/timezone:/etc/timezone:ro -v /etc/localtime:/etc/localtime:ro -v /usr/local/Ascend/driver:/usr/local/Ascend/driver:ro -v /usr/local/Ascend/ascend-toolkit:/usr/local/Ascend/ascend-toolkit:ro -v /etc/ascend_install.info:/etc/ascend_install.info:ro -v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi:ro -v /usr/local/sbin/:/usr/local/sbin/:ro -v /root/ascend/:/root/ascend/:rw --name cmcc-ascend-runtime --hostname cmcc-ascend-runtime xh-ascend-runtime:v1.0 bash
除了下述参数以外，均为docker自身运行相关的参数，如需了解更多，可参考docker的官方文档。
-
--privileged=true：为提权命令，固定参数。 -
--ipc host：为容器和宿主机之间共享内存，固定参数。 -
-u root：容器指定使用root用户权限运行，固定参数。 -
--device=/dev/davinci0、--device=/dev/davinci4、-device=/dev/davinci_manager、--device=/dev/devmm_svm以及--device=/dev/hisi_hdc：指定硬件描述符，通过下面的方法查询出结果以后，将所有的描述符都添加到命令行中，必要参数。# 要求设备已正常挂载并识别： ll /dev/ | grep davinci ll /dev/ | grep devmm ll /dev/ | grep hisi -
-v /etc/timezone:/etc/timezone:ro和-v /etc/localtime:/etc/localtime:ro为挂载宿主机的时间信息，固定参数。 -
-v /usr/local/Ascend/driver:/usr/local/Ascend/driver:ro、-v /usr/local/Ascend/ascend-toolkit:/usr/local/Ascend/ascend-toolkit:ro、-v /etc/ascend_install.info:/etc/ascend_install.info:ro、-v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi:ro、-v /usr/local/sbin/:/usr/local/sbin/:ro以及-v /root/ascend/:/root/ascend/:rw：挂载华为工具链到容器内部，固定参数。 -
--name：指定容器的名字，此参数用户可根据需要变更。 -
--hostname：指定主机名，此参数用户可根据需要变更。 -
xh-ascend-runtime:v1.0：指定华为运行时镜像的名称和版本，固定参数。 -
bash：指定容器内需要运行的进程命令，固定参数。
通过docker命令进入容器进行操作。
sudo docker exec ${CONTAINER_ID} bash
3 示例
3.1 功能说明
以基于resnet50深度学习模型的图像识别算法为例（示例代码见：resnet50_multibs_pinned.cpp），介绍基于算力原生芯合平台的智算应用的开发、编译以及跨架构部署过程。
resnet50深度学习模型基于ImageNet 2012公开图像数据集进行训练，可实现对动物、交通工具、日常用品等1000种类别的识别，识别准确率高达96.4%。ImageNet 2012数据集地址为：
https://image-net.org/download.php。
基于resnet50的图像识别智算应用主要包括以下步骤：
-
从
ImageNet 2012数据集中获取图像； -
图像数据预处理；
-
使用
resnet50模型进行图像识别； -
打印模型的识别结果（
top 5信息）。
mlri文件获取：
链接:https://caiyun.139.com/m/i?125Ce4zIeSGHC 提取码:9e4J
3.2 如何编译
-
将工作目录切换到样例代码resnet50_multibs_pinned.cpp的同级目录下
cd RESNET50_SAMPLE_DIR # SAMPLE_DIR为样例代码resnet50_multibs_pinned.cpp的目录 -
执行编译脚本
./compile.sh # 编译脚本compile.sh的内容如下所示： #!/usr/bin/env bash set -e OUTPUT_PATH=/opt/share/pub_share/project/demo_resnet50 # 指定编译好的目标二进制文件的保存位置 BINARY_NAME=resnet50_multibs_pinned_binary # 目标二进制文件的文件名 CMCC_HOME=${CMCC_INSTALL} # 原生编译器的安装目录 source ~/anaconda3/etc/profile.d/conda.sh conda activate cmcc # 进入cmcc虚拟环境 # 编译源代码 cmcc \ -fsycl-device-only \ # 仅编译设备端代码 -tensor_compute \ # tensor_compute为添加编译参数，指定后编译器将执行Tensor Compute编译过程；需要注意的是，指定该参数后，需指定对应的mlir路径，否则会编译报错。 -I./model \ # resnet50模型（mlir格式）的存放路径 -I${CMCC_HOME}/llvm/build/install/include \ # 包含llvm安装目录下的头文件 -I${CMCC_HOME}/llvm/build/install/include/sycl \ # 包含llvm安装目录下的sycl相关头文件 -I${CMCC_HOME}/opencv/include/opencv4 \ # 包含OpenCV安装目录下的头文件 -L ${CMCC_HOME}/llvm/build/install/lib \ # 链接LLVM安装目录下的库文件 -L ${CMCC_HOME}/opencv/lib/ \ # 链接OpenCV相关库 -lopencv_calib3d \ # 链接opencv的calib3d库 -lopencv_core \ # 链接opencv的core库 -lopencv_dnn \ # 链接opencv的dnn库 -lopencv_features2d \ # 链接opencv的features2d库 -lopencv_flann \ # 链接opencv的flann库 -lopencv_highgui \ # 链接opencv的highgui库 -lopencv_imgcodecs \ # 链接opencv的imgcodecs库 -lopencv_imgproc \ # 链接oepncv的imgproc库 -lopencv_ml \ # 链接opencv的ml库 -lopencv_objdetect \ # 链接opencv的objdetect库 -lopencv_photo \ # opencv的photo库 -lopencv_stitching \ # 链接opencv的stitching库 resnet50_multibs_pinned.cpp \ # 要进行编译的源代码文件名 -o ${OUTPUT_PATH}/${BINARY_NAME} # 指定编译好的目标二进制代码的保存目录和文件名 # 编译完成，退出conda虚拟环境 conda deactivate
3.3 如何部署及运行
-
将编译好的目标二进制文件拷贝到特定硬件环境，且确保该环境上已配置好对应的docker运行时环境
scp resnet50_multibs_pinned username@ip_address:path of current hardware environment -
将工作目录切换到目标二进制文件所在的目录下，执行二进制文件运行脚本
# 在命令行执行此命令运行二进制可执行文件 ./resnet50_multibs_pinned
注意：当前应用可在瀚博、NVIDIA和华为环境下运行，只需要将编译好的二进制文件拷贝到瀚博/NVIDIA/华为环境下执行即可。