https://github.com/antoinebendafischulmann/linux-windows-dualboot

https://github.com/antoinebendafischulmann/linux-windows-dualboot

amd amdgpu python rocm ubuntu wsl

Last synced: 6 days ago
JSON representation

• Host: GitHub
• URL: https://github.com/antoinebendafischulmann/linux-windows-dualboot
• Owner: AntoineBendafiSchulmann
• Created: 2024-11-21T21:45:39.000Z (over 1 year ago)
• Default Branch: main
• Last Pushed: 2024-11-21T22:59:19.000Z (over 1 year ago)
• Last Synced: 2025-10-28T12:38:51.698Z (9 months ago)
• Topics: amd, amdgpu, python, rocm, ubuntu, wsl
• Homepage:
• Size: 1.95 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# 🚀 Guide pour Utiliser WSL avec PyTorch et ROCm

Ce guide explique comment utiliser votre environnement WSL2 (Windows Subsystem for Linux) pour travailler avec PyTorch sur GPU.

##  1. Accéder à WSL

###  Pour démarrer l'environnement WSL :

1. Ouvrir PowerShell ou CMD :

```

wsl -d Ubuntu-22.04

```

- Ca connectera à l'instance WSL nommée Ubuntu-22.04

2. Vérifier votre version de Linux (facultatif) :

```

lsb_release -a

```

##  2. Activer l’environnement virtuel Python

### Étape 1 : Créer ou copier l’environnement virtuel et les fichiers nécessaires

1. Créer un nouvel environnement virtuel (si besoin):

Si vous n’avez pas encore d’environnement virtuel pour le projet, créez-en un dans votre dossier projet :

```

python3.10 -m venv .venv

```

2. Télécharger les fichiers nécessaires à PyTorch avec support GPU ROCm :

Exécutez les commandes suivantes pour télécharger les fichiers .whl requis :

```

wget https://repo.radeon.com/rocm/manylinux/rocm-rel-6.1.3/torch-2.1.2%2Brocm6.1.3-cp310-cp310-linux_x86_64.whl

wget https://repo.radeon.com/rocm/manylinux/rocm-rel-6.1.3/torchvision-0.16.1%2Brocm6.1.3-cp310-cp310-linux_x86_64.whl

wget https://repo.radeon.com/rocm/manylinux/rocm-rel-6.1.3/pytorch_triton_rocm-2.1.0%2Brocm6.1.3.4d510c3a44-cp310-cp310-linux_x86_64.whl

```

3. Copier un .venv existant (optionnel) :

Si vous avez déjà un environnement virtuel configuré pour le GPU dans un autre projet, copiez-le dans votre nouveau projet :

exemple : 

```

cp -r ~/_model/.venv ./

```

4. Installer PyTorch et ses dépendances :

Si vous avez téléchargé les fichiers ```.whl```, installez-les dans votre environnement virtuel :

```

pip install torch-2.1.2+rocm6.1.3-cp310-cp310-linux_x86_64.whl \

            torchvision-0.16.1+rocm6.1.3-cp310-cp310-linux_x86_64.whl \

            pytorch_triton_rocm-2.1.0+rocm6.1.3.4d510c3a44-cp310-cp310-linux_x86_64.whl

```

### Étape 2 : Activez l’environnement virtuel Python :

```

source .venv/bin/activate

```

Vous saurez que l'environnement est activé si vous voyez (.venv) dans l'invite de commande.

##  3. Vérifier l'état du GPU

1. Tester si PyTorch détecte le GPU :

```

python -c "import torch; print(torch.cuda.is_available())"

```

2. Affichez le nom du GPU détecté :

```

python -c "import torch; print(torch.cuda.get_device_name(0))"

```

Résultat attendu pour la config:

```

True

```

##  4. Désactiver l’environnement virtuel

Lorsque vous avez terminé votre session de travail :

1. Désactivez l’environnement virtuel :

```

deactivate

```

2. Quittez WSL :

```

exit

```

3. Arrêtez WSL pour libérer les ressources :

```

wsl --shutdown

```