放弃N卡幻想？手把手带你在Linux上搭建AMD ROCm + PyTorch深度学习环境（以6700XT为例）

放弃N卡幻想？手把手带你在Linux上搭建AMD ROCm + PyTorch深度学习环境（以6700XT为例）

在深度学习领域，NVIDIA显卡长期占据主导地位，但近年来AMD GPU生态的快速发展为开发者提供了新的选择。本文将带你深入了解AMD ROCm平台的现状，并详细演示如何在Linux系统上为RX 6700XT显卡搭建完整的PyTorch深度学习环境。

1. 为什么考虑AMD GPU进行深度学习？

随着显卡市场格局的变化，越来越多的开发者开始关注NVIDIA之外的选择。AMD ROCm（Radeon Open Compute）平台经过多年迭代，已经能够支持主流深度学习框架。选择AMD方案主要基于以下几个考量：

• 成本优势：同级别A卡价格通常比N卡低20-30%
• 供应稳定性：避免NVIDIA显卡的市场短缺问题
• 开源生态：ROCm是完全开源的计算平台
• 技术差异化：AMD Infinity Cache等独特架构特性

不过也需要注意，ROCm目前对部分AMD显卡型号的支持仍有限制。以RX 6700XT为例，它基于RDNA2架构，是ROCm 5.x版本明确支持的消费级显卡之一。

2. 环境准备与系统要求

2.1 硬件与软件基础

在开始安装前，请确保你的系统满足以下要求：

提示：虽然理论上其他Linux发行版也可运行，但Ubuntu是ROCm官方支持最完善的选择。

2.2 系统初始配置

首先更新系统并安装必要工具包：

sudo apt update && sudo apt upgrade -y sudo apt install -y git cmake build-essential libnuma-dev

检查显卡是否被系统识别：

lspci | grep -i amd

正常应能看到类似输出：

01:00.0 VGA compatible controller: Advanced Micro Devices, Inc. [AMD/ATI] Navi 22 [Radeon RX 6700/6700 XT]

3. 安装AMD GPU驱动与ROCm平台

3.1 安装官方驱动

AMD提供两种驱动安装方式：

1. 开源驱动：通过标准仓库安装
2. 闭源驱动：从AMD官网下载

对于深度学习场景，推荐使用闭源驱动以获得最佳性能：

wget https://repo.radeon.com/amdgpu-install/22.40/ubuntu/focal/amdgpu-install_22.40.50200-1_all.deb sudo apt install ./amdgpu-install_22.40.50200-1_all.deb sudo amdgpu-install --usecase=graphics,rocm

安装完成后重启系统：

sudo reboot

验证驱动安装：

glxinfo | grep "OpenGL renderer"

3.2 安装ROCm计算平台

ROCm是AMD的异构计算平台，相当于NVIDIA的CUDA。安装命令如下：

sudo amdgpu-install --usecase=rocm,hip,mllib --no-dkms

安装完成后，检查ROCm环境：

/opt/rocm/bin/rocminfo /opt/rocm/bin/hipconfig

常见问题处理：

• 如果遇到权限问题，将用户加入video和render组：

  sudo usermod -a -G video $LOGNAME sudo usermod -a -G render $LOGNAME

• 对于RX 6000系列显卡，可能需要设置环境变量：

  echo 'export HSA_OVERRIDE_GFX_VERSION=10.3.0' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/opt/rocm/lib:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc

4. 配置PyTorch环境

4.1 安装PyTorch for ROCm

PyTorch官方为ROCm提供了预编译版本。访问 PyTorch官网 获取最新安装命令。以ROCm 5.4.2为例：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm5.4.2

4.2 验证安装

启动Python解释器进行测试：

import torch print(torch.__version__) print(torch.cuda.is_available()) # 应返回True print(torch.cuda.get_device_name(0)) # 应显示你的AMD显卡型号

如果遇到库文件缺失错误，可以创建符号链接：

cd /opt/rocm/lib sudo ln -s librocblas.so.0 librocblas.so sudo ln -s libMIOpen.so.1 libMIOpen.so sudo ln -s librocrand.so.1 librocrand.so

5. 性能调优与常见问题

5.1 性能基准测试

使用简单的矩阵运算测试性能：

import torch device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 创建大矩阵 x = torch.randn(10000, 10000, device=device) y = torch.randn(10000, 10000, device=device) # 矩阵乘法基准 import time start = time.time() z = torch.matmul(x, y) print(f"Time: {time.time()-start:.4f} seconds")

RX 6700XT的典型表现：

• FP32矩阵乘法：约1.5-2.5秒
• FP16矩阵乘法：约0.8-1.2秒

5.2 常见问题解决方案

问题1：Process finished with exit code 139 (SIGSEGV)

解决方案：

• 确保设置了正确的HSA_OVERRIDE_GFX_VERSION
• 检查用户是否在video和render组中
• 尝试重新安装ROCm

问题2：Could not load library librocblas.so

解决方案：

• 确认LD_LIBRARY_PATH包含/opt/rocm/lib
• 检查符号链接是否创建正确

问题3：性能低于预期

优化建议：

• 在BIOS中启用Resizable BAR
• 使用最新稳定版驱动和ROCm
• 考虑使用混合精度训练

6. AMD与NVIDIA生态对比

了解两种平台的差异有助于做出明智选择：

对于预算有限或偏好开源解决方案的开发者，AMD ROCm是一个值得尝试的选择。特别是在图像生成和基础模型微调等场景，RX 6700XT能够提供不错的性价比。