GPU SDK对应关系与设备指定表

GPU 目标设备表

OpenCL 是一个通用的并行编程框架，支持多种后端（GPU、CPU、FPGA 等）。基本上，要使用特定供应商的设备，您必须安装该供应商的驱动程序。英特尔和 AMD 的 OpenCL 运行时也包含 x86 CPU 目标支持。NVIDIA 的 OpenCL 运行时仅支持 NVIDIA GPU（不支持 CPU）。一般来说，OpenCL 的 CPU 后端相当慢，仅应用于测试和调试。

下表列出了对应关系

SDK	CPU 英特尔/AMD	GPU 英特尔	GPU AMD	GPU NVIDIA
英特尔 OpenCL SDK	支持	支持	不支持	不支持
AMD APP SDK *	支持	不支持	支持	不支持
PoCL	支持	不支持	支持	不支持
NVIDIA CUDA Toolkit	不支持	不支持	不支持	支持

图例

* AMD APP SDK 已弃用。在 Windows 上，OpenCL 包含在 AMD 显卡驱动程序中。在 Linux 上，较新一代的 AMD 显卡由 ROCm 驱动程序支持。您可以从我们的 GitHub 仓库下载 AMD APP SDK 的存档版本（适用于 Linux 和适用于 Windows）。

查询系统中的 OpenCL 设备

您的系统中可能安装了来自不同供应商（“平台”）的多个 GPU。设置 LightGBM GPU 设备需要两个参数：OpenCL 平台 ID (gpu_platform_id) 和 OpenCL 设备 ID (gpu_device_id)。一般来说，每个供应商提供一个 OpenCL 平台，同一供应商的设备在该平台下有不同的设备 ID。例如，如果您的系统有一块英特尔集成显卡和两块 AMD 独立显卡，您将有两个 OpenCL 平台（gpu_platform_id=0 和 gpu_platform_id=1）。如果平台 0 是英特尔，它有一个设备（gpu_device_id=0）代表英特尔 GPU；如果平台 1 是 AMD，它有两个设备（gpu_device_id=0，gpu_device_id=1）代表两块 AMD GPU。如果您有一块 AMD/NVIDIA 独立 GPU 和一块英特尔集成 GPU，请务必选择正确的 gpu_platform_id 以使用独立 GPU，因为它通常提供更好的性能。

在 Windows 上，可以使用 GPUCapsViewer 在 OpenCL 选项卡下查询 OpenCL 设备。请注意，此工具报告的平台和设备 ID 从 1 开始。因此，您需要将报告的 ID 减去 1。

在 Linux 上，可以使用 clinfo 命令列出 OpenCL 设备。在 Ubuntu 上，可以通过执行 sudo apt-get install clinfo 安装 clinfo。

示例

下面提供了 R 语言的测试代码，您也可以选择您喜欢的语言来使用示例

library(lightgbm)
data(agaricus.train, package = "lightgbm")
train <- agaricus.train
train$data[, 1] <- 1:6513
dtrain <- lgb.Dataset(train$data, label = train$label)
data(agaricus.test, package = "lightgbm")
test <- agaricus.test
dtest <- lgb.Dataset.create.valid(dtrain, test$data, label = test$label)
valids <- list(test = dtest)

params <- list(objective = "regression",
               metric = "rmse",
               device = "gpu",
               gpu_platform_id = 0,
               gpu_device_id = 0,
               nthread = 1,
               boost_from_average = FALSE,
               num_tree_per_iteration = 10,
               max_bin = 32)
model <- lgb.train(params,
                   dtrain,
                   2,
                   valids,
                   min_data = 1,
                   learning_rate = 1,
                   early_stopping_rounds = 10)

请务必列出系统中的 OpenCL 设备，并正确设置 gpu_platform_id 和 gpu_device_id。在以下示例中，我们的系统有一个来自 AMD APP SDK 的 GPU 平台（gpu_platform_id = 0）。第一个设备 gpu_device_id = 0 是一个 GPU 设备 (AMD Oland)，第二个设备 gpu_device_id = 1 是 x86 CPU 后端。

使用 GPU 的示例（在我们的系统中 gpu_platform_id = 0 和 gpu_device_id = 0）

> params <- list(objective = "regression",
+                metric = "rmse",
+                device = "gpu",
+                gpu_platform_id = 0,
+                gpu_device_id = 0,
+                nthread = 1,
+                boost_from_average = FALSE,
+                num_tree_per_iteration = 10,
+                max_bin = 32)
> model <- lgb.train(params,
+                    dtrain,
+                    2,
+                    valids,
+                    min_data = 1,
+                    learning_rate = 1,
+                    early_stopping_rounds = 10)
[LightGBM] [Info] This is the GPU trainer!!
[LightGBM] [Info] Total Bins 232
[LightGBM] [Info] Number of data: 6513, number of used features: 116
[LightGBM] [Info] Using GPU Device: Oland, Vendor: Advanced Micro Devices, Inc.
[LightGBM] [Info] Compiling OpenCL Kernel with 16 bins...
[LightGBM] [Info] GPU programs have been built
[LightGBM] [Info] Size of histogram bin entry: 12
[LightGBM] [Info] 40 dense feature groups (0.12 MB) transferred to GPU in 0.004211 secs. 76 sparse feature groups.
[LightGBM] [Info] No further splits with positive gain, best gain: -inf
[LightGBM] [Info] Trained a tree with leaves=16 and depth=8
[1]:    test's rmse:1.10643e-17
[LightGBM] [Info] No further splits with positive gain, best gain: -inf
[LightGBM] [Info] Trained a tree with leaves=7 and depth=5
[2]:    test's rmse:0

在 OpenCL CPU 后端设备上运行通常较慢，并且我们在某些 Windows 和 macOS 系统上观察到崩溃。请确保检查日志中的 Using GPU Device 行，确认它没有使用 CPU。上面的日志显示我们正在使用 AMD 的 Oland GPU，而不是 CPU。

使用 CPU 的示例（gpu_platform_id = 0，gpu_device_id = 1）。报告的 GPU 设备是 Intel(R) Core(TM) i7-4600U CPU，因此它正在使用 CPU 后端而不是真正的 GPU。


> params <- list(objective = "regression",
+                metric = "rmse",
+                device = "gpu",
+                gpu_platform_id = 0,
+                gpu_device_id = 1,
+                nthread = 1,
+                boost_from_average = FALSE,
+                num_tree_per_iteration = 10,
+                max_bin = 32)
> model <- lgb.train(params,
+                    dtrain,
+                    2,
+                    valids,
+                    min_data = 1,
+                    learning_rate = 1,
+                    early_stopping_rounds = 10)
[LightGBM] [Info] This is the GPU trainer!!
[LightGBM] [Info] Total Bins 232
[LightGBM] [Info] Number of data: 6513, number of used features: 116
[LightGBM] [Info] Using requested OpenCL platform 0 device 1
[LightGBM] [Info] Using GPU Device: Intel(R) Core(TM) i7-4600U CPU @ 2.10GHz, Vendor: GenuineIntel
[LightGBM] [Info] Compiling OpenCL Kernel with 16 bins...
[LightGBM] [Info] GPU programs have been built
[LightGBM] [Info] Size of histogram bin entry: 12
[LightGBM] [Info] 40 dense feature groups (0.12 MB) transferred to GPU in 0.004540 secs. 76 sparse feature groups.
[LightGBM] [Info] No further splits with positive gain, best gain: -inf
[LightGBM] [Info] Trained a tree with leaves=16 and depth=8
[1]:    test's rmse:1.10643e-17
[LightGBM] [Info] No further splits with positive gain, best gain: -inf
[LightGBM] [Info] Trained a tree with leaves=7 and depth=5
[2]:    test's rmse:0


已知问题

错误地组合 gpu_platform_id 和 gpu_device_id 可能会导致某些机器因 OpenCL 驱动问题而崩溃（您将丢失整个会话内容）。请注意这一点。
在某些系统上，如果您同时拥有集成显卡（Intel HD Graphics）和独立显卡（AMD、NVIDIA），独立显卡会自动覆盖集成显卡。解决方法是禁用独立显卡以使用集成显卡。