硬件兼容性与系统环境前置检查

刚拿到 AMD Instinct GPU 时，最让人头疼的往往不是代码逻辑，而是环境搭建的“最后一公里”。很多开发者在 Linux 下盲目安装驱动，结果因为内核版本不匹配或 BIOS 设置遗漏，导致后续一系列难以排查的报错。在动手之前，我们必须先确认土壤是否肥沃。

ROCm 7.x 对操作系统有明确要求，推荐使用 Ubuntu 22.04 LTS 或更新版本。你可以用 lsb_release -a 快速查看当前系统信息，如果版本过旧，建议先升级内核，否则最新的 GPU 驱动模块可能无法加载。

硬件层面的确认同样关键。并非所有 AMD 显卡都能完美支持 ROCm 的计算特性，尤其是部分消费级架构可能存在功能裁剪。在终端执行：

lspci | grep -i vga

输出中应清晰看到如 "Instinct MI300" 或 "Radeon RX 7900" 等字样。如果是服务器环境，还需进入 BIOS 确保 "Above 4G Decoding" 和 "Re-Size BAR" 选项已开启。这是 GPU 直接访问大内存地址空间的必要条件，若未开启，显存映射极易失败，导致程序启动即崩溃。此外，建议系统内存至少保留 16GB 以上，避免编译大型项目时频繁交换分区读写拖慢进度。

驱动安装与用户权限配置

环境检查无误后，就可以进入核心的驱动部署环节。ROCm 7.x 采用了模块化设计，将内核驱动与用户态运行时分离，安装时需严格按顺序操作，切忌一股脑全装。

首先添加 AMD 官方软件源。以 Ubuntu 为例，下载并执行仓库脚本：

wget https://repo.radeon.com/amdgpu-install/7.0/ubuntu/jammy/amdgpu-install_7.0.70000-1_all.deb
sudo dpkg -i amdgpu-install_7.0.70000-1_all.deb
sudo apt update

源配置完成后，对于纯计算用途，我们通常只需要安装核心开发包，无需图形界面驱动，以减少冲突概率：

sudo apt install rocm-dkms rocm-dev hip-base

安装过程中，系统会自动编译 DKMS 模块适配当前内核。看到 "Building initial module for…" 的进度提示说明一切正常。完成后务必重启系统，让新内核模块生效。

重启后别急着跑代码，默认权限通常会阻止普通用户访问 GPU。在 Linux 中，GPU 设备文件归属于 video 和 render 组。若当前用户不在组内，运行时会报 "Permission denied"。执行以下命令授权：

sudo usermod -aG render,video $USER

注意，此命令生效后需注销并重新登录（或再次重启）。验证权限最简单的方法是检查 /dev/kfd 设备归属，或直接运行 rocminfo。如果该命令能输出详细的硬件拓扑、显存大小及计算单元数量，且包含 "Agent Type: GPU" 条目，说明底层链路已彻底打通。

编写并编译首个 HIP 加速程序

驱动验证通过后，我们需要一个实打实的测试来证明环境有效性。HIP（Heterogeneous-Compute Interface for Portability）是 AMD 推出的异构计算接口，语法高度兼容 CUDA。我们可以编写一个简单的向量加法程序 vector_add.cpp 来验证编译器与硬件的协作：

#include <hip/hip_runtime.h>
#include <iostream>

__global__ void vectorAdd(float *A, float *B, float *C, int n) {
    int i = blockIdx.x * blockDim.x + threadIdx.x;
    if (i < n) C[i] = A[i] + B[i];
}

int main() {
    int n = 1 << 20;
    size_t size = n * sizeof(float);
    float *h_A, *h_B, *h_C;
    float *d_A, *d_B, *d_C;

    // 初始化主机数据
    h_A = new float[n]; h_B = new float[n]; h_C = new float[n];
    for(int i=0; i<n; i++) { h_A[i] = 1.0f; h_B[i] = 2.0f; }

    // 设备内存分配与拷贝
    hipMalloc(&d_A, size); hipMalloc(&d_B, size); hipMalloc(&d_C, size);
    hipMemcpy(d_A, h_A, size, hipMemcpyHostToDevice);
    hipMemcpy(d_B, h_B, size, hipMemcpyHostToDevice);

    // 启动核函数
    int threadsPerBlock = 256;
    int blocksPerGrid = (n + threadsPerBlock - 1) / threadsPerBlock;
    vectorAdd<<<blocksPerGrid, threadsPerBlock>>>(d_A, d_B, d_C, n);

    // 结果回传与验证
    hipMemcpy(h_C, d_C, size, hipMemcpyDeviceToHost);
    bool success = true;
    for(int i=0; i<n; i++) { if(h_C[i] != 3.0f) { success = false; break; } }
    
    std::cout << (success ? "Test Passed!" : "Test Failed!") << std::endl;

    hipFree(d_A); hipFree(d_B); hipFree(d_C);
    delete[] h_A; delete[] h_B; delete[] h_C;
    return 0;
}

使用 hipcc 编译器进行编译，它会自动处理头文件路径和链接库：

hipcc vector_add.cpp -o vector_add
./vector_add

若终端输出 "Test Passed!"，恭喜你，第一个 GPU 加速程序已成功运行。这不仅证明编译器工作正常，更意味着 GPU 的计算核心已被正确调用，可以开始后续的深度学习开发了。

状态监控与 Docker 容器化部署

在日常开发中，实时监控 GPU 状态必不可少。ROCm 提供了 rocm-smi 工具，功能类似 NVIDIA 的 nvidia-smi，可展示温度、功耗、显存利用率等关键指标：

rocm-smi --showall

结合 watch -n 1 rocm-smi --showall 可实现动态刷新监控。若需深入剖析算子耗时，还可使用 rocprof 记录核函数执行轨迹，定位性能瓶颈。

为了避免污染宿主机环境，强烈建议使用 Docker 进行容器化部署。AMD 官方提供了预装好驱动和工具的镜像，能极大简化依赖管理。拉取最新镜像：

docker pull rocm/pytorch:rocm7.0_ubuntu22.04

运行容器时，关键在于传递正确的设备权限，确保容器内能识别 GPU：

docker run --device=/dev/kfd --device=/dev/dri --group-add video --ipc=host --shm-size 16G --rm -it rocm/pytorch:rocm7.0_ubuntu22.04

进入容器后，你将拥有一个干净、隔离且随时可用的 ROCm 开发环境，无论是复现论文代码还是调试多卡训练，都能做到开箱即用，彻底告别“在我机器上能跑”的尴尬。

200 小时 GPU 算力已就位，快来领取：https://marketing.csdn.net/questions/Q2604140858304426315?utm_source=AIpaper