极智AI | 昇腾开发环境搭建CANN&MindStudio(无坑版)

简介: 大家好,我是极智视界,本文介绍一下 昇腾开发环境搭建 CANN & MindStudio,没有坑。

大家好,我是极智视界,本文介绍一下 昇腾开发环境搭建 CANN & MindStudio,没有坑

本文介绍的方法适用于:

  • 系统:ubuntu18.04 (注:[centos7.6 类似])
  • 昇腾卡:Atlas300I Pro、Atlas300I(3000 & 3010) (注:[这些卡都尝试过,没毛病])

这里以 ubuntu1804、Atlas300I (3010) 为例, 话不多说,直接开始。


1. 系统安装

ubuntu18.04 系统安装,可以采用 u盘启动安装,略过。


2. 安装包下载

安装包主要分为:固件与驱动、CANN、MindStudio,如下:

固件与驱动下载地址:driver & firmware

CANN下载地址:cann

MindStudio下载地址:mindstudio

昇腾有个比较麻烦的地方:要是你要下载商用版需要申请,比较麻烦。这里咱们以社区版的安装包为例进行,下载好这些文件 (我这里是 x86 的,如果你是 arm 的机器就下载 arm 版本的):


3. 安装依赖

创建 HwHiAiUser 用户 (如果你是用 root 用户进行依赖安装的话,可以忽略这一点):

# 创建 HwHiAiUser 用户组
sudo groupadd HwHiAiUser
# 创建 HwHiAiUser 用户
sudo useradd -g HwHiAiUser -r -m -s /bin/bash HwHiAiUser

这个时候你 ls /home 已经能够发现有了 HwHiAiUser 用户目录了。

华为的开发环境强依赖于 python3.7.5,所以我们得先装上它。这里不选择采用源码安装的方式 (采用源码编译安装,后面可能会遇到挺多坑),而采用先装 Anaconda3,然后用 conda 安装 python3.7.5 环境。同样安装 Anaconda3 略过,附上不限速下载源:anaconda

# 使用conda管理python3.7.5环境
# 创建 python3.7.5 环境
conda create -n conda_py375 python=3.7.5
# 安装 python 依赖
conda activate conda_py375
pip install attrs \
            psutil \
            decorator \
            numpy \
            protobuf==3.11.3 \
            scipy \
            sympy \
            cffi \
            grpcio \
            grpcio-tools \
            requests
# 安装驱动依赖
sudo apt -y update
sudo apt-get install -y gcc \
                        g++ \
                        make \
                        cmake \
                        zlib1g \
                        zlib1g-dev \
                        libsqlite3-dev \
                        openssl \
                        libssl-dev \
                        libffi-dev \
                        unzip \
                        pciutils \
                        net-tools \
                        dkms


4. 开始安装

# 切到 root 用户
su root
# 安装驱动
chmod +x ./A300-3010-npu-driver_5.1.rc2_linux-x86_64.run
./A300-3010-npu-driver_5.1.rc2_linux-x86_64.run --full
# 安装固件
chmod +x ./A300-3010-npu-firmware_5.1.rc2.run
./A300-3010-npu-firmware_5.1.rc2.run --full
# 安装CANN
chmod +x ./Ascend-cann-nnrt_6.0.0.alpha002_linux-x86_64.run
./Ascend-cann-nnrt_6.0.0.alpha002_linux-x86_64.run --install
chmod +x ./Ascend-cann-nnae_6.0.0.alpha002_linux-x86_64.run
./Ascend-cann-nnae_6.0.0.alpha002_linux-x86_64.run --install
chmod +x ./Ascend-cann-toolkit_6.0.0.alpha002_linux-x86_64.run
./Ascend-cann-toolkit_6.0.0.alpha002_linux-x86_64.run --install

这些安装后,配置一份 source_env.sh 激活环境的脚本,当然你也可以直接写进 ~/.bashrc/etc/profile

# source_env.sh
export PYTHONPATH=$PYTHONPATH:/usr/local/Ascend/nnrt/6.0.0.alpha002/pyACL/python/site-packages/acl:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/pyACL/python/site-packages/acl:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/atc/python/site-packages/te:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/atc/python/site-packages/topi:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/atc/python/site-packages/auto_tune.egg/auto_tune:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/atc/python/site-packages/schedule_search.egg:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/opp/built-in/op_impl/ai_core/tbe
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/Ascend/nnrt/6.0.0.alpha002/acllib/lib64:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/acllib/lib64:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/toolkit/toolchain/hcc/lib64:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/atc/lib64:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/atc/bin
export PATH=$PATH:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/toolkit/bin:/root/anaconda3/envs/conda_py375/bin:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/atc/ccec_compiler/bin:/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/atc/bin
export ASCEND_OPP_PATH=/usr/local/Ascend/ascend-toolkit/6.0.0.alpha002/opp
export install_path=/usr/local/Ascend/ascend-toolkit/latest
export PATH=$PATH:/root/anaconda3/envs/conda_py375/bin:${install_path}/atc/ccec_compiler/bin:${install_path}/atc/bin
export PYTHONPATH=$PYTHONPATH:${install_path}/atc/python/site-packages/te:${install_path}/atc/python/site-packages/topi:${install_path}/atc/python/site-packages/auto_tune.egg/auto_tune:${install_path}/atc/python/site-packages/schedule_search.egg:${install_path}/opp/built-in/op_impl/ai_core/tbe
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:${install_path}/atc/lib64:${install_path}/acllib/lib64:${install_path}/atc/lib64
export ASCEND_OPP_PATH=${install_path}/opp

最后进行 MindStudio 的安装:

# 解压
tar -zxvf MindStudio_5.0.RC2_linux.tar.gz
cd MindStudio/bin
# 启动 MindStudio
sudo ./MindStudio.sh

另外你也可以验证一下输入命令 npu-smi info 就可以查看显卡信息了。


好了,以上分享了 昇腾开发环境搭建 CANN & MindStudio (无坑版),希望我的分享能对你的学习有一点帮助。


logo_show.gif

相关文章
|
存储 人工智能 运维
MoE大模型迎来“原生战友”:昇腾超节点重构AI基础设施
大模型训练中,MoE架构逐渐成为主流,但也面临资源利用率低、系统稳定性差、通信带宽瓶颈三大挑战。传统AI集群难以满足其需求,而“昇腾超节点”通过自研高速互联协议、软硬件协同调度、全局内存统一编址及系统稳定性提升等创新,实现384张卡协同工作,大幅提升训练效率与推理性能。相比传统方案,昇腾超节点将训练效率提升3倍,推理吞吐提升6倍,助力MoE模型在工业、能源等领域的规模化应用。5月19日的鲲鹏昇腾创享周直播将深度解析相关技术细节。
910 15
|
机器学习/深度学习 数据采集 人工智能
昇腾AI行业案例(七):基于 Conformer 和 Transformer 模型的中文语音识别
欢迎学习《基于 Conformer 和 Transformer 模型的中文语音识别》实验。本案例旨在帮助你深入了解如何运用深度学习模型搭建一个高效精准的语音识别系统,将中文语音信号转换成文字,并利用开源数据集对模型效果加以验证。
724 12
|
机器学习/深度学习 人工智能 算法
昇腾AI行业案例(一):基于AI图像处理的疲劳驾驶检测
在本实验中,您将学习如何使用利用CV(Computer Vision)领域的AI模型来构建一个端到端的疲劳驾驶检测系统,并使用开源数据集进行效果验证。为此,我们将使用昇腾的AI硬件以及CANN等软件产品。
902 3
|
存储 机器学习/深度学习 人工智能
昇腾AI行业案例(六):基于 PraNet 的医疗影像分割
欢迎学习《基于 PraNet 的医疗影像分割》实验。在本实验中,你将深入了解如何运用计算机视觉(CV)领域的 AI 模型,搭建一个高效精准的医疗影像分割系统,专注于息肉分割任务,并利用开源数据集对模型效果加以验证。
574 1
|
机器学习/深度学习 人工智能 自然语言处理
昇腾AI行业案例(四):基于 Bert 模型实现文本分类
欢迎学习《昇腾行业应用案例》的“基于 Bert 模型实现文本分类”实验。在本实验中,您将学习如何使用利用 NLP (natural language processing) 领域的AI模型来构建一个端到端的文本系统,并使用开源数据集进行效果验证。为此,我们将使用昇腾的AI硬件以及CANN等软件产品。
1346 0
|
存储 人工智能 数据可视化
昇腾AI行业案例(五):基于 DANet 和 Deeplabv3 模型的遥感图像分割
欢迎学习《基于 DANet 和 Deeplabv3 模型的遥感图像分割》实验。在本实验中,你将深入了解如何运用计算机视觉(CV)领域的 AI 模型,搭建一个高效精准的遥感地图区域分割系统,并利用开源数据集和昇腾 AI 芯片对模型效果加以验证。
536 0
昇腾AI行业案例(五):基于 DANet 和 Deeplabv3 模型的遥感图像分割
|
人工智能 编解码 算法
解码元翌智能:昇腾AI创新大赛金奖得主的技术拼图
过去两年,大模型成为热议话题,其价值逐渐在生成式AI的广泛应用中显现。昇腾AI创新大赛展示了大模型在各行业的深度融合,如元翌智能通过大模型实现遥感影像解译,解决了人工解译耗时费力的问题,推动了商业遥感市场的发展。元翌智能的解决方案在农业、生态和灾害应急管理等方面发挥了重要作用,提升了行业生产力。未来,随着技术的不断迭代,大模型将在更多领域释放新质生产力,助力行业发展。
277 0
|
人工智能 算法 计算机视觉
昇腾AI行业案例(三):基于 AI 图像处理的铝板缺陷检测
欢迎学习《基于 AI 图像处理的铝板缺陷检测》实验。在本实验中,你将深入了解如何运用计算机视觉(CV)领域的 AI 模型,搭建一个高效精准的铝板缺陷检测系统,并利用开源数据集和昇腾 AI 芯片对模型效果加以验证。
800 0
|
机器学习/深度学习 人工智能 算法
昇腾AI行业案例(二):基于 AI 图像处理的安全帽检测
欢迎学习《昇腾行业应用案例》的 “基于 AI 图像处理的安全帽检测” 实验。在本实验中,你将深入了解如何运用计算机视觉(CV)领域的 AI 模型,搭建一个高效精准的安全帽检测系统,并利用开源数据集对模型效果加以验证。为此,我们将使用昇腾的AI硬件以及CANN等软件产品。
723 0
|
人工智能 PyTorch 算法框架/工具
【AI系统】昇腾推理引擎 MindIE
本文详细介绍华为昇腾推理引擎 MindIE,涵盖其基本介绍、关键功能特性及三大组件:MindIE-Service、MindIE-Torch 和 MindIE-RT。文章深入探讨了各组件在服务化部署、大模型推理和推理运行时方面的功能和应用场景,旨在帮助读者全面了解 MindIE 如何支持 AI 业务的高效运行和模型的快速部署。
1777 0