CUDA安裝
首先要到英偉達官網下載對應版本cuda工具包,使用GPU需要有cuda。
配置好環境變量
1)在~/.bashrc中添加如下
export PATH = /usr/local/cuda-11.1/bin:$PATH
export LD_LIBRARY_PATH = /usr/local/cuda-11.1/lib64:$LD_LIBRARY_PATH
使環境變量生效
source ~/.bashrc
2)配置 /etc/ld.so.conf.d/cuda-11.1.conf
添加如下內容
/usr/local/cuda-11.1/lib64
使庫生效
sudo ldconfig
termimal 輸入“nvcc --version” 或者“nvcc -V”,顯示如下,代表cuda安裝成功
安裝GPU版的xgboost
安裝步驟如下:
- git clone --recursive https://github.com/dmlc/xgboost
- cd xgboost
- mkdir build
- cd build
- cmake .. -DUSE_CUDA=ON -- 會報錯
- make -4j
- cd python-package
- python setup.py install
安裝cmake時會報錯,ubuntu 18.04默認安裝的cmake版本是3.10,xgboost 要求cmake version >=3.13。
解決方法是:
- 刪除系統中已安裝的cmake
sudo apt purge cmake
- 下載cmake 3.13.4的源,也可以是再高點的版本,可以到cmake github 地址選擇
wget https://github.com/Kitware/CMake/releases/download/v3.13.4/cmake-3.13.4.tar.gz
- 解壓文件
tar zxvf cmake-3.13.4.tar.gz
- 打開文件夾,執行以下命令
cd cmake-3.13.4
sudo ./bootstrap
sudo make
sudo make install
- 驗證已安裝的版本是否正確
cmake --version
測試GPU
在xgboost/tests/benchmark下分別執行
python benchmark_tree.py --tree_method gpu_hist
python benchmark_tree.py --tree_method hist
發現gpu版運行7秒,cpu版運行282秒,速度提升非常快了。
在實際代碼中,只要添加下面的參數就可以:
Python example
param['gpu_id'] = 0 # 選擇設備序號(如果有許多設備,則使用哪個GPU) ,該參數默認爲0(CUDA運行時報告的第一個設備)。
param['tree_method'] = 'gpu_hist' # 等效於XGBoost快速直方圖算法。快得多,並使用更少的內存。注意:在比Pascal架構更早的GPU上運行可能會非常緩慢。等效於XGBoost快速直方圖算法。快得多,並使用更少的內存。注意:在比Pascal架構更早的GPU上運行可能會非常緩慢。
With Scikit-Learn interface
XGBRegressor(tree_method='gpu_hist', gpu_id=0)