解决AWS Deep Learning AMI (Ubantu) 中的GPU不可用问题_机器学习算法时gpu不工作

作者：光环云 田帆

在AWS众多官方AMI中有一个比较特殊的版本就是适用于机器学习的操作系统Deep Learning AMI, 它内部预先集成了很多机器学习的框架，比如TensorFlow, Mxnet等。如下图展示为中国区的Deep Learning AMI Ubantu。

此系统为了方便客户进行机器学习，免除了安装所需框架的步骤。方便客户去直接进行机器学的操作。让客户能够把精力都聚焦在业务上。结合AWS提供的GPU实例，能够省去客户在机器学习前的安装、部署、搭建框架的繁复操作。但是，根据AWS官方的推荐，此系统更加适合于一次性机器学习任务。换句话说，如果您已经准备好大量的数据源，准备临时或者批次性的跑机器学习的任务，这个系统搭配GPU的实例可是实现快速的开始执行机器学习任务。下图为正常情况下Deep Learning AMI中预装的机器学习环境。

您可以选择您需要的环境，然后输入后面相应的命令之后就可以进入环境。非常简单方便。
不过，在客户的实际生产应用中会遇到一些问题，我们需要特别注意。由于AWS 的AMI都是由AWS后台来进行维护的，所以在重启或者停机之后再启动实例时，有可能会遇到使用此AMI的实例无法加载GPU的情况。正常情况当选择好环境后会看到GPU相关的信息，如下图：

当我们遇到下列错误提示时，说明此实例的GPU显卡没有加载成功：

ubuntu@ip-172-31-17-216:~$ nvidia-smi 
NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.
1
2

错误提示表示为GPU的驱动没有加载。那么是什么原因造成的这种情况呢？Amazon Deep Learning AMI 是由AWS后台来进行维护，为了众多的环境兼容和稳定，当实例重启或者停止之后会更新系统的内核版本。而中国区此AMI自带的GPU驱动版本比较老，所以在内核更新之后会无法识别老的GPU驱动，造成GPU显卡无法加载。
那么解决此问题只需要手动的更新GPU驱动即可。下面介绍更新驱动的步骤。
我们可以写一个更新GPU版本驱动的脚本：
#!/bin/bash

set -x

version=$1
#version=410.79
#version=410.104

wget http://us.download.nvidia.com/tesla/${version}/NVIDIA-Linux-x86_64-${version}.run 
sudo sh ./NVIDIA-Linux-x86_64-${version}.run --no-drm --disable-nouveau --dkms --silent --install-libglvnd 
1
2
3
4
5
6
7
8

此脚本中我们会从NVIDIA官网下载不同版本的驱动并进行安装。在执行时后面带上需要的GPU版本为脚本传参。

$ sudo ./install.sh 410.104
1

之后查看更新后的显卡模块版本：

$ modinfo nvidia | head -7
filename: /lib/modules/4.4.0-1077-aws/updates/dkms/nvidia.ko
alias: char-major-195-*
version: 410.104
supported: external
license: NVIDIA
srcversion: 3B812B02678A6B43A294F17
alias: pci:v000010DEd00000E00sv*sd*bc04sc80i00*
1
2
3
4
5
6
7
8

加载显卡模块：

$ sudo modprobe nvidia
1

启动GPU，查看是否已经正常工作：

$ nvidia-smi
1

至此，我们的实例应该已经可以正常使用GPU显卡了，但是前提是保证在内核不更新的情况下，可以正常加载GPU。如果在内核更新而且GPU的驱动再次过老之后依然会出现这个现象。所以，如果想一劳永逸的避免这种情况，只能手动关闭系统内核的更新机制来解决。不过，由于此AMI的初衷是提供给客户方便灵活的进行一次性机器任务的，所以不推荐客户长时间利用此AMI进行生产的部署，如果需要请自行搭建机器学习平台或者模型运行的环境。
此外，在AWS global 区域已经推出最新的Deep Learning (Ubantu) 23.0版本（如下图），不会出现类似问题。

---

光环云数据有限公司（简称“光环云”）是由光环新网科技股份有限公司与管理团队于2018年5月联合发起设立。光环新网获得亚马逊通授权，独立运营AWS中国（北京）区域云服务。
作为光环新网附属企业，光环云专注于AWS云服务在中国的市场推广与销售、完善和提升网络交付与服务能力、丰富AWS云服务应用市场，为中国企业全面实现云转型升级、供给侧改革和双创事业提供下一代IT基础设施。