ubuntu下amd超频工具

前言

显卡意味着什么？在不同的玩家心目中会有许多不同的答案。对我来说，开始着迷于显卡要从横空出世的Voodoo说起。那时候显卡市场的王者3dfx 推出的一系列产品无论是游戏画质还是高分辨率下的流畅度都是其它产品望尘莫及的，市场的份额曾经高达85%。只是那时候我的认识中显卡只是与游戏、视频输出效果这些场景有关，没有想到后来的所谓GPU居然有了今天的局面。至于后来NVIDIA Force的卧薪尝胆、ATI Radeon的惊艳亮相以及Matrox、S3等刹那的辉煌……这些都让每一个玩家难以忘怀。

大约十年前，在饭桌上听同事说起他在读博期间参与的项目，提到了使用 CUDA开发来以提高浮点运算的速度。那时候只是觉得所谓的高性能计算(HPC)距离我们还很远，Nvidia 的显卡用来加速运算听起来固然有趣，但更多的只是饭桌上的谈资。哪里预计得到今天的大红大紫。

至于AWS上的GPU实例最早要上溯到2015年。那一年发布的EC2 G2 实例第一次为开发者提供了云计算上的GPU服务。四块NVIDIA GRID GPUs 显卡提供的处理能力，让我们可以真正体会GPU的实力。而随着机器学习尤其是深度学习的快速发展，又进一步加速了这个领域的发展。2016年9月，构建于NVIDIA® Tesla® K80之上的EC2 P2实例面世了。高达16块显卡的配置，不免让我们对于机器学习的发展有了更多的期望。

显然，硬件的发展还是没有及时跟上算法的进步与数据膨胀。看着明显老迈的P2实例难免让我心生焦虑。幸好，2017年10月的P3实例在千呼万唤中飘然而至。8 个NVIDIA Tesla V100 GPU、Intel Xeon E5 处理器的 64 个 vCPU、488GB RAM 以及采用 Elastic Network Adapter 技术、高达 25Gbps 的聚合网络带宽显然成为了GPU实例中的王者。当然仅有豪华的硬件配置是不可能解决全部的问题，还需要每个开发者充分利用好这一资源平台。在P3之后发布的P3dn 以及接下来即将到来的P4实例，将会提供更强大的计算平台，但这都需要每个使用者的精巧构思，力求物尽其用方可尽显GPU的强大的能力。

去年底因为参加 NVIDIA GTC 大会的需要，又一次连接上了我的 GPU实例，又不得不重复以往做过许多次的工作，安装、配置、编译、优化 … 这些繁琐的操作突然感觉自己在不断重复之中似乎缺少了点什么。于是心生念头，将曾经在GPU实例上的心得写成脚本以利于今后工作之用。这些脚本会涵盖曾经尝试过的一些内容 ：GPU实例的创建与管理

GPU实例的基础配置

实例的系统优化

实例的网络优化

Intel 软件的安装配置

OpenCV 编译安装

开发工具篇

Nvidia 软件篇

Jupyter 的安装配置

OpenMPI 编译与配置

Horovod 配置

深度学习框架篇(Tensorflow、PyTorch以及Mxnet)

…

在这个技术高速发展的年代，个人的努力是非常渺小的。我的这些心得与积累或有不足甚至谬误之处。非常希望听到更多的反馈与建议，也只有群智群力才能使得我们曾益其所不能。

第一部分 ： GPU 实例的创建与管理

使用过AWS 的用户都应该有过创建EC2实例的经验。我们常用的方法不外乎AWS控制台、AWS 命令行工具、CloudFormation 模版工具以及第三方的运维工具(Terraform、puppet、ansibley以及chef等)。从我的经验来看，AWS命令行工具(awscli)应该是最麻烦的一个了。原因就在于我们需要熟练的掌握的参数实在是太多了，请看完整的awscli 中创建实例的命令run-instance 的完整参数 ：

创建实例的脚本

相信对一个普通人来说这绝对是一个不能能完成的任务。但是，事情的另一面却是AWS命令行工具(awscli ) 提供给我们的绝对是一个强大的、可以随心所欲进行定制的工具。用好这个工具的一个简单而有效的方法就是脚本。毫不夸张的说，一个好的脚本带给我们的价值的巨大的。它不仅可以节省我们大量的重复性的工作的时间，还可以以一种灵活的、程序化方式满足各种各样的运维的需求。而创建一个EC2的GPU实例就属于这一