这是一个古老的问题，但是由于我花了最后几个星期试图自己解决这个问题：

1. OpenCL对Theano的支持屡见不鲜。他们添加了一个libgpuarray后端，该后端似乎仍然有问题（即，该过程在GPU上运行，但答案是错误的-例如，对于DL模型，MNIST的精度为8％，而CPU或nVidia的精度为〜95 +％ CUDA）。另外，由于nVidia堆栈上约50-80％的性能提升来自CUDNN库，因此OpenCL只是尘土飞扬。 （见下文！） ：）
2. ROCM看起来很酷，但是文档（甚至清楚地声明了ROCM是什么/做什么）也很难理解。他们正在尽力而为，但落后了4年多。它并非在RX550上不起作用（截至撰写本文时）。因此，不要浪费您的时间（这是一周中的1个时间:)）。乍一看，ROCM似乎是驱动程序集的新成员（替换AMDGPU-Pro或对其进行了扩充），但实际上它是一个内核模块和一组库，它们实际上替代了AMDGPU-Pro。 （可以认为这相当于某些库中的Nvidia-381驱动程序+ CUDA）。 https://rocm.github.io/dl.html （老实说，我仍然没有测试过性能或试图使其与最新的Mesa驱动程序兼容。我会在某个时候这样做。
3. 将MiOpen添加到ROCM，这实际上是CUDNN。他们也有一些非常清晰的迁移指南。但是更好。
4. 他们创建了“ HIP”，它是从CUDA / CUDNN到MiOpen的自动翻译器。由于他们直接将API排列成可翻译的状态，因此看起来效果很好。有些概念不是完美的地图，但总的来说看起来不错。

现在，终于，经过3-4个星期的尝试弄清OpenCL等之后，我发现本教程可以帮助您快速入门。这是使hipCaffe正常运行的分步步骤。但是与nVidia不同，请确保您已支持硬件！ https://rocm.github.io/hardware.html 。认为没有他们支持的硬件就可以使它工作吗？祝好运。您已被警告。一旦您启动并运行了ROCM（并运行验证测试），这就是hipCaffe教程-如果您启动了ROCM，那么您将在10分钟内进行MNIST验证测试-甜！ https://rocm.github.io/ROCmHipCaffeQuickstart.html

如果您可以访问其他AMD GPU，请参阅此处： https : //github.com/ROCmSoftwarePlatform/hiptensorflow/tree/hip/rocm_docs

这应该使您朝着ROCm平台上的tensorflow的正确方向前进，但是Selly关于https://rocm.github.io/hardware.html的帖子就是解决此问题的方法。该页面并不是一个详尽的列表，我自己发现Xeon E5 v2 Ivy Bridge与ROCm可以很好地工作，即使它们列出了v3或更高版本，但显卡有些挑剔。 gfx8或更高版本，但随着时间的推移会出现一些小小的例外，例如北极星和其他。

更新-看起来hiptensorflow在配置过程中具有支持opencl的选项。我想说的是，即使您没有gfx8 +或Polaris gpu（如果opencl实现也可以），请调查链接。这是一个漫长的过程，但是遵循一个编写良好的指令一到三个小时（取决于硬件）并不会造成太多损失。

这篇文章的最初问题是：如何使Keras和Tensorflow与AMD GPU一起运行。

这个问题的答案如下：

1.）如果您可以使Tensorflow正常工作（可选地在您的虚拟/ conda环境中），Keras将可以工作。

2.）如其他人所述，要使Tensorflow在AMD GPU上工作，可行的一种方法是编译Tensorflow以使用OpenCl。为此，请阅读下面的链接。为简便起见，我将在此处总结所需的步骤：

• 您将需要AMD专有驱动程序。这些仅在Ubuntu 14.04（Ubuntu决定更改UI呈现方式之前的版本）上才可用。在撰写本文时，对Ubuntu 16.04的支持仅限于通过AMDProDrivers的一些GPU。想要在AMD GPU上进行深度学习的读者应该意识到这一点！

• 使用OpenCl支持编译Tensorflow还需要您获取并安装以下先决条件：OpenCl标头，ComputeCpp。

• 满足先决条件后，配置构建。请注意，有3种编译Tensorflow的选项：Std Tensorflow（stable），Benoits Steiner的Tensorflow-opencl（正在开发）和Luke Iwanski的Tensorflow-opencl（正在试验），您可以从github中获取。还要注意，如果您决定从任何opencl版本进行构建，则将丢失使用opencl的问题，因为假定您正在使用它。相反，这意味着，如果您从标准tensorflow配置，则当配置脚本要求您对CUDA使用opencl和“否”时，需要选择“是”。

• 然后像这样运行测试：

  $ bazel test --config = sycl -k --test_timeout 1600-// tensorflow / ...-// tensorflow / contrib / ...-// tensorflow / java / ...-// tensorflow / compiler / ...

更新：在我的设置上执行此操作会花费很长时间。需要很长时间的部分是所有测试都在运行。我不确定这意味着什么，但是我的许多测试都在1600秒后超时。可能会缩短时间，但要花费更多的测试超时时间。另外，您可以只构建张量流而无需测试。在撰写本文时，测试已经进行了2天。

或者只是像这样构建pip包：

bazel build --local_resources 2048,.5,1.0 -c opt --config=sycl //tensorflow/tools/pip_package:build_pip_package

请实际阅读Codeplay上的博客文章：Lukas Iwansky于2017年3月30日发布了有关如何使Tensorflow与OpenCl一起使用的综合教程文章。所以这是最近的文章。还有一些细节，我在这里没有写。

如以上许多文章所述，很少的信息散布在整个网络中。 Lukas的帖子在价值方面增加的是，所有信息都集中在一个地方，这应该使Tensforflow和OpenCl的设置变得不那么困难。我只会在这里提供一个链接：

https://www.codeplay.com/portal/03-30-17-setting-up-tensorflow-with-opencl-using-sycl

这里发布了更完整的演练：

http://deep-beta.co.uk/setting-up-tensorflow-with-opencl-using-sycl/

它的主要区别在于，明确告知用户他/她需要：

• 创建到子文件夹的符号链接
• 然后通过“ python setup.py development”命令实际安装tensorflow。

注意上面提到了使用tensorflow-cl的替代方法：

https://github.com/hughperkins/tensorflow-cl

尽管目前看来这种方法不太活跃，但我无法确定哪种方法更好。发布的问题越来越少，解决这些问题的对话也越来越少。去年有很大的推动。自2016年11月以来，更多的推动力减弱了，尽管在撰写本文时，休（Hugh）似乎在几天前已经推动了一些更新。 （更新：如果您阅读了一些文档自述文件，此版本的tensorflowo现在仅依赖社区支持，因为主要开发人员忙于生活。）

更新（2017-04-25）：我有一些基于下面测试tensorflow-opencl的注释。

• 该软件包的未来用户应注意，使用opencl意味着将所有繁重的工作都转移到GPU上。我之所以这样说是因为我个人认为计算工作量将在我的CPU和iGPU之间共享。这意味着GPU的功能非常重要（特别是带宽和可用的VRAM）。

以下是一些数字，用于使用“我的设定”（带有iGPU的A10-7850）的CIFAR10数据集来计算1个历元。您的里程几乎肯定会有所不同！

• Tensorflow（通过pip安装）：〜1700 s / epoch
• Tensorflow（带有SSE + AVX）：〜1100 s / epoch
• Tensorflow（带有opencl和iGPU）：〜5800 s / epoch

您会看到在这种特殊情况下，性能会更差。我将其归因于以下因素：

• iGPU只有1GB。这导致在CPU和GPU之间进行大量来回复制。 （Opencl 1.2尚无法通过指针传递数据；相反，必须来回复制数据。）
• iGPU仅具有512个流处理器（和32 Gb / s的内存带宽），在这种情况下比使用SSE4 + AVX指令集的4个CPU慢。
• tensorflow-opencl的开发尚处于起步阶段，尚未对SYCL等进行许多优化。

如果您使用带有更多VRAM和更多流处理器的AMD GPU，则可以肯定会获得更好的性能。我想读一下人们正在取得的数字，以了解有什么可能。

如果/当更新被推送时，我将继续保持这个答案。

3.）目前正在暗示一种替代方法，那就是使用AMD的RocM计划和miOpen（等效于cuDNN）库。这些是/将是启用深度学习的开源库。需要注意的是RocM支持目前仅适用于Linux，并且miOpen尚未发布，但是Raja（AMD GPU负责人）在AMA中表示，使用以上内容，应该可以在Linux上进行深度学习。 AMD GPU。实际上，不仅支持Tensorflow，而且支持Cafe2，Cafe，Torch7和MxNet。

Theano 确实支持OpenCL，但仍处于早期阶段。 Theano本身对OpenCL不感兴趣，而是依靠社区的支持 。

大多数操作已经实现，并且主要是调整和优化给定操作的问题。

要使用OpenCL后端，您必须自己构建 libgpuarray 。

根据个人经验，我可以告诉您，如果幸运的话，您将获得CPU性能。内存分配似乎是非常幼稚的实现（因此计算速度很慢），并且在内存不足时会崩溃。但我鼓励您尝试甚至优化代码或帮助报告错误。

可以通过PlaidML Keras后端使用AMD GPU。

最快 ：PlaidML通常比流行平台（例如TensorFlow CPU）快10倍（或更多），因为它支持所有GPU，独立于品牌和型号。 PlaidML加速了AMD，Intel，NVIDIA，ARM和嵌入式GPU上的深度学习。

最容易的 ：PlaidML易于安装，并支持多个前端（当前为Keras和ONNX）

免费 ：PlaidML是完全开源的，并且不依赖具有专有和限制性许可证的任何供应商库。

对于大多数平台，开始加速深度学习就像运行一些命令一样容易（假设您已安装Python（v2或v3））：

virtualenv plaidml
source plaidml/bin/activate
pip install plaidml-keras plaidbench

选择您要使用的加速器（许多计算机，尤其是笔记本电脑，有多个）：

plaidml-setup

接下来，尝试对MobileNet推理性能进行基准测试：

plaidbench keras mobilenet

或者，尝试培训MobileNet：

plaidbench --batch-size 16 keras --train mobilenet

与keras套装一起使用

os.environ["KERAS_BACKEND"] = "plaidml.keras.backend"

欲获得更多信息

https://github.com/plaidml/plaidml

https://github.com/rstudio/keras/issues/205#issuecomment-348336284

AMD ROCm堆栈已支持Tensorflow 1.3：

• https://github.com/ROCmSoftwarePlatform/tensorflow

预先构建的docker镜像也已公开发布：

• https://hub.docker.com/r/rocm/tensorflow/

我在https://github.com/hughperkins/tensorflow-cl上为Tensorflow写一个OpenCL 1.2后端

用于OpenCL的tensorflow分支具有以下特征：

• 它针对任何/所有OpenCL 1.2设备。它不需要OpenCL 2.0，不需要SPIR-V或SPIR。不需要共享虚拟内存。等等 ...
• 它基于名为'cuda-on-cl'的基础库， https：//github.com/hughperkins/cuda-on-cl
  • cuda-on-cl的目标是能够采用任何 NVIDIA®CUDA™源代码，并将其编译为OpenCL 1.2设备。这是一个非常通用的目标，也是一个非常通用的编译器
• 目前，已实现以下功能：
  • 使用Eigen over OpenCL进行每个元素的操作（更多信息， 请参见https://bitbucket.org/hughperkins/eigen/src/eigen-cl/unsupported/test/cuda-on-cl/?at=eigen-cl ）
  • blas /矩阵乘法，使用Cedric Nugteren的CLBlast https://github.com/cnugteren/CLBlast
  • 根据先前的信息和链接，再次使用Eigen减少，argmin，argmax
  • 学习，培训师，渐变。至少，StochasticGradientDescent培训师正在工作，而其他培训师已经提交，但尚未经过测试
• 它是在Ubuntu 16.04（使用Intel HD5500和NVIDIA GPU）和Mac Sierra（使用Intel HD 530和Radeon Pro 450）上开发的

这不是Tensorflow唯一可用的OpenCL分支。 Codeplay https://www.codeplay.com还使用Computecpp， https： //www.codeplay.com/products/computesuite/computecpp开发了一个fork，据我所知，他们对fork的要求比我强。知道，它在哪些特定GPU设备上工作。您需要查看平台支持说明（在htecomputecpp页面底部），以确定是否支持您的设备。编解码分叉实际上是Google的官方分叉，位于此处： https : //github.com/benoitsteiner/tensorflow-opencl