Come installare AMD ROCm su Windows e Linux: guida passo passo e compatibilità

Se lavori con IA, HPC o calcolo scientifico e hai una GPU Radeon o una APU Ryzen, probabilmente hai sentito parlare di ROCm. La piattaforma AMD si propone di essere la base aperta per la programmazione e l'accelerazione delle attività GPU., con particolare attenzione a Linux e, in una versione preliminare, anche a Windows in alcuni casi. Qui troverete, passo dopo passo, tutto ciò che vi serve sapere per installarlo e renderlo operativo.

Innanzitutto, vale la pena anticipare qualcosa che spesso passa inosservato nel marketing: Il successo e le prestazioni dell'installazione dipendono fortemente dall' hardware, del sistema operativo e la versione esatta di ROCmNelle sezioni seguenti raccogliamo tutte le informazioni chiave (metodi di installazione ufficiali, compatibilità, Tricks prestazioni, stato di Windows ed esperienze reali) per non farti cogliere impreparato.

Che cos'è AMD ROCm e perché è importante

ROCm è lo stack software di AMD per l'elaborazione ad alte prestazioni (HPC) e l'apprendimento automatico. In sostanza, integra CPU e GPU per accelerare carichi di lavoro intensivi, consentendo la programmazione e l'esecuzione dei kernel su GPU all'interno di un ecosistema prevalentemente open source. Storicamente si è concentrato su Linux, dove offre il miglior supporto e la migliore maturità.

Sulla scrivania, la stessa base ROCm che usi con una Radeon per lo sviluppo locale È inoltre compatibile con gli acceleratori AMD Instinct nei data center (architettura CDNA). Questa continuità semplifica lo sviluppo all'interno del team e la successiva distribuzione su larga scala senza dover rifare il lavoro, sfruttando lo stesso set di librerie e strumenti.

Per l'intelligenza artificiale, questo si traduce in framework come PyTorch o TensorFlow in esecuzione su GPU AMD, nonché Strumenti chiave per l'inferenza e la formazioneL'obiettivo è chiaro: offrire un percorso aperto e scalabile per i carichi di lavoro di ricerca, ingegneria e produzione, senza vincoli proprietari.

Compatibilità hardware e piattaforma

La versione 7.0.2 di ROCm si distingue per l'ampliamento della base di dispositivi compatibili. Supporta la serie Radeon 9000 (RDNA 4) e alcuni modelli della serie 7000 (RDNA 3)Introduce inoltre il supporto iniziale per le APU Ryzen, aprendo la porta ai flussi di lavoro AI su computer compatti e Portátiles grazie alla memoria condivisa (fino a 128 GB in determinati scenari).

In termini di OS, mantiene un solido supporto su Linux, con particolare riferimento a Ubuntu e Red Hat Enterprise Linux 9.6. Su Windows, ROCm è in fase di "Anteprima" per PyTorch, sia su GPU Radeon che su alcune APU Ryzen, il che consente di iniziare a sviluppare in modo nativo, seppur con le precauzioni proprie di un'anteprima.

Un dettaglio importante: non tutte le GPU Radeon sono ufficialmente supportate in tutte le versioni. Ci sono utenti che sottolineano che modelli come il 7800 XT non risultano ufficialmente compatibili. in alcune versioni di ROCm per Linux. Pertanto, prima dell'installazione, è consigliabile rivedere le matrici di compatibilità AMD nella documentazione ufficiale e verificare sia la versione di ROCm che quella di sistema e, se necessario, esporta i log da GPU-Z.

In termini di capacità, le Radeon desktop possono avere fino a 48 GB di VRAM, che rende una workstation locale un'alternativa potente e privata al cloudPer coloro che si spostano tra sviluppo locale e implementazione in data center, la compatibilità incrociata con Instinct semplifica la migrazione.

Metodi di installazione in Linux

AMD documenta diversi approcci per l'installazione di ROCm su Linux, progettati per diversi profili di utilizzo e restrizioni ambientaliSe sei nuovo di ROCm, è meglio iniziare con la guida avvio rapido ufficiale.

Gestore di pacchetti nativo. Questo è il metodo preferito su Ubuntu o RHEL: Per installare, aggiornare o disinstallare, utilizzare il gestore di sistema stesso I pacchetti. Il vantaggio è che si integrano meglio con il sistema e si eredita il supporto dell'ecosistema della propria distribuzione. Se la propria distribuzione offre repository adatti, questo metodo è comodo e riproducibile.

Installazione di una o più versioni. Quando è necessario testare la compatibilità, gestire vecchi progetti o verificare la presenza di regressioni, È possibile installare più versioni di ROCm in paralleloAMD pubblica una procedura specifica per questi scenari multi-versione per isolare le dipendenze ed evitare conflitti.

Creatore di programmi di installazione offline ROCm. Se la macchina di destinazione non ha accesso a Internet o l'ambiente è isolato, È possibile creare un pacchetto di installazione offline per il driver AMDGPU, per ROCm o per entrambi. Questa utility genera tutto il necessario per una distribuzione disconnessa.

Programma di installazione di ROCm Runfile. In alternativa al gestore dei pacchetti, Esiste un programma di installazione "runfile" Permette di installare con o senza connettività di rete e senza dipendere dal sistema di pacchetti della distribuzione. Questo è utile in ambienti controllati o quando è necessaria una versione molto specifica.

Nota per SUSE/SLES. Prima di installare su SUSE Linux Enterprise Server, Registra e aggiorna la tua Enterprise Linux secondo la procedura specifica della distribuzione. Questo è un prerequisito per evitare errori di dipendenza e ottenere i repository necessari.

Installazione pratica su Ubuntu e derivati

Negli ambienti Ubuntu recenti, ci sono flussi di installazione che partono da repository gestiti dai dipendenti AMD (non ufficiale in quanto tale). L'idea è quella di aggiungere il repository appropriato alla propria versione e quindi installare i pacchetti richiesti. Questo approccio può accelerare i test e le configurazioni orientate all'intelligenza artificiale.

Versioni di Ubuntu. Se utilizzi Ubuntu 24.04 "Noble" o 22.04 "Jammy", adatta i riferimenti del repository alla tua versioneCambiare "noble" in "jammy" (o viceversa) nella riga di download del repository è sufficiente per allineare i pacchetti alla tua versione specifica.

Pacchetti da installare. Ecco una caratteristica speciale: non esiste un singolo "modello" di metapacchetto Questo percorso estrae tutto il necessario, quindi in alcune procedure i componenti vengono installati separatamente. Inoltre, questo percorso di solito include utili dipendenze di compilazione per librerie come FlashAttention.

Python e strumenti. Si consiglia di avere Python tra la versione 3.10 e la 3.13 e Git. Installa ROCm, l'SDK e Python nell'ordine che ritieni più comodo. A seconda della distribuzione, verifica che PIP e virtualenv siano pronti per creare ambienti isolati. Questo ti permetterà di compilare o installare i binding PyTorch o TensorFlow corretti per ROCm.

Altre distribuzioni. Questa procedura è stata testata principalmente su Ubuntu, ma alcune persone la estendono a openSUSE Leap e Slowroll adattare i repository e i nomi dei pacchetti. In questi casi, convalidare attentamente i repository, poiché questi scenari non sono stati testati ufficialmente con la stessa accuratezza.

ROCm con SD.Next: flag, Docker e messa a punto

Se il tuo obiettivo è utilizzare Stable Diffusion Next (SD.Next) con GPU AMD, il flusso è semplice: Per prima cosa installa le librerie ROCm e avvia SD. Successivamente con il flag –use-rocm.Ciò forzerà l'installazione della versione corretta di Torch per il tuo ambiente ROCm.

Avviare Prestazioni iniziali lente. Al primo utilizzo, dopo aver modificato la risoluzione per la prima volta o durante l'aggiornamento di PyTorch, ROCm esegue un ricerca di kernel ottimali che può richiedere dai 5 agli 8 minuti. Si verifica una volta per risoluzione; le esecuzioni successive iniziano molto più velocemente.

Controllo MIOPEN. Se il riscaldamento iniziale risulta fastidioso, è possibile regolare le variabili ambientali: MIOPEN_FIND_MODE=VELOCE ridurre il tempo inizialmente a costo di prestazioni leggermente inferiori, mentre MIOPEN_FIND_ENFORCE=CERCA Dà priorità alle prestazioni ottimali (ma penalizza maggiormente l'avvio iniziale). Usateli con saggezza, in base al vostro flusso di lavoro.

Precisione e VRAM. Sulle schede RDNA 3 e superiori, SD.Next può rilevare automaticamente bf16In alcuni casi, ciò innesca un aumento dell'utilizzo della VRAM (16 GB o più) durante la decodifica dell'immagine finale o l'upscaling con upscaler senza latenza. Per mitigare questo problema, impostare precisione in FP16 e disabilita l'upcasting VAE nelle impostazioni. Molti utenti notano anche un miglioramento delle prestazioni forzando fp16.

Flash Attention su RDNA 3. Per ottimizzare le prestazioni dell'attenzione incrociata, è possibile abilitare CK Flash Attenzione in Impostazioni di calcolo > Cross Attention > Opzioni SDP. Richiede l'installazione di rocm-hip-sdk perché scaricherà e compilerà un pacchetto aggiuntivo all'avvio.

Docker: sì o no? Hai la possibilità di utilizzare immagini predefinite Per velocizzare la distribuzione o creare la propria immagine con le versioni esatte di cui si ha bisogno, se si preferisce il controllo completo sulle dipendenze, l'approccio fai da te con Docker e un file requirements.txt bloccato è una buona pratica.

Ecosistema e framework compatibili

Le ultime versioni di ROCm pongono una forte enfasi sull'intelligenza artificiale pratica. PyTorch e TensorFlow hanno consolidato il supporto sia per l'addestramento che per l'inferenza. su Radeon su Linux. Questa combinazione copre la maggior parte dei flussi di lavoro di ricerca e distribuzione più attuali.

Per modelli grandi e da portata, vLLM ha pieno supportoCiò facilita un'inferenza LLM efficiente sulle GPU AMD. Se si utilizza JAX, il supporto attuale è focalizzato sull'inferenza, quindi pianificare attentamente se la pipeline si basa sull'addestramento XLA.

Nel mondo "C++ first", llama.cpp funziona su ROCm Per un'inferenza rapida e basata sulla memoria, utile quando si desidera portabilità e ottimizzazione del consumo di risorse. È un'eccellente alternativa per ambienti edge o sistemi con risorse limitate.

ONNX Runtime con MIGraphX ​​espande l'ambito di distribuzione, con supporto esteso per INT8 e INT4 nell'inferenza. Ciò aiuta a ridurre il consumo di VRAM e ad accelerare i tempi di elaborazione quando si lavora con modelli quantizzati, senza sacrificare un'accuratezza di produzione accettabile.

Infine, nella parte di formazione efficiente, FlashAttention-2 abilita il passaggio all'indietro, che migliora le prestazioni e riduce l'utilizzo della memoria in Transformers, un vantaggio se si addestrano o si perfezionano modelli di grandi dimensioni localmente.

Stato in Windows: anteprima e alternative

Per la prima volta, PyTorch Ha il supporto ufficiale su Windows in modalità "Anteprima" su GPU Radeon e APU Ryzen. Questa è una buona notizia per chi non può passare a Linux, ma bisogna tenere presente che ci sono ancora aree in fase di sviluppo e che le prestazioni potrebbero migliorare con ogni versione.

Se stai cercando alternative, esiste un supporto non ufficiale come ZLUDA, che alcune persone usano per eseguire determinati carichi di lavoro su Windows con hardware AMD. Percorsi come DirectML, ONNX o Olive per l'accelerazione e la compilazione dei modelli nell'ecosistema Microsoft, con le sfumature e le limitazioni specifiche di ogni strumento.

Vale la pena sottolineare che, essendo in anteprima, PyTorch su Windows su ROCm potrebbe non coprire tutti i casi né offrono lo stesso livello di stabilità di Linux. Se il tuo progetto è mission-critical, prendi in considerazione ambienti dual-boot o container su Linux, dove lo stack è più maturo.

Prestazioni e risoluzione dei problemi: il buono, il cattivo e cosa dovresti controllare

Ci sono esperienze utente molto diverse. Da un lato, un Netto miglioramento della compatibilità e delle prestazioni Con ogni versione, soprattutto nell'ambito dell'intelligenza artificiale applicata (PyTorch, TensorFlow, vLLM), vengono segnalate anche installazioni frustranti con errori di dipendenza o pacchetti non adatti al sistema.

Un esempio reale riguarda un utente che ha testato Sei distribuzioni Ubuntu in metallo e, in tutti, amdgpu_install ha restituito pacchetti mancanti o incompatibili. Ho confrontato l'esperienza con Nvidia (dove l'installazione di autisti l'ha trovato "un gioco da ragazzi") e ha criticato la discrepanza tra marketing e realtà quando il suo 7800 XT non è stato elencato come ufficialmente supportato da ROCm su Linux.

In situazioni come questa, il primo passo è rivedere il matrice di compatibilità hardware e versioni La mancanza di supporto ufficiale da parte di AMD per una specifica GPU spesso spiega errori di installazione o crash. Il secondo passo consiste nell'allineare la distribuzione, il kernel e la versione ROCm documentati da AMD come "buoni" per quell'hardware.

Se continui a non riuscirci, prendi in considerazione metodi alternativi: installazione con runfile, creatori di programmi di installazione offline o, in casi specifici, repository gestiti da dipendenti AMD. Tieni inoltre a portata di mano l'opzione multi-versione per provare una versione precedente o successiva senza compromettere il tuo ambiente principale.

Per le prestazioni, ricorda le impostazioni di MIOPEN_FIND_MODE e MIOPEN_FIND_ENFORCE, verificate la precisione (fp16 è solitamente una scelta sicura su RDNA 3+ per bilanciare VRAM e velocità) e abilitate CK Flash Attention quando applicabile. Queste piccole modifiche comportano una differenza notevole nei tempi di inferenza e nel consumo energetico.

Comunità e risorse utili

La comunità gioca un ruolo significativo nella vita di tutti i giorni. Se lavori con flussi creativi, il subreddit non ufficiale di ComfyUI È un ottimo luogo di incontro per condividere suggerimenti, trucchi e flussi di lavoro. Ti chiedono di mantenere i tuoi post SFW (Safe Work), di evitare flussi di lavoro a pagamento, di attenerti all'argomento e, soprattutto, di essere gentile con chi è alle prime armi.

Inoltre, è facile trovare script e configurazioni per automatizzare le installazioni ROCm, configurando ambienti con PyTorch compatibile o ottimizzando SD.Next. Confronta sempre ciò che leggi con la documentazione ufficiale e le matrici di supporto correnti per evitare perdite di tempo.

Se sei alle prime armi, la raccomandazione di AMD è chiara: utilizzare la guida rapida Da lì, passa a metodi avanzati (multi-versione, runfile, offline) una volta che hai chiaro quale problema specifico risolvono per te. Eviterai inutili backtracking.

Panoramica. Concentriamoci sugli elementi chiave: ROCm su Linux è attualmente la soluzione più stabile. per le GPU Radeon; Windows è in fase di sviluppo con PyTorch in "Anteprima"; la compatibilità hardware è molto importante; e ci sono strumenti collaudati (vLLM, ONNX Runtime con MIGraphX, llama.cpp, FlashAttention-2) che danno forza ai veri flussi di lavoro di intelligenza artificiale e di elaborazione.

Chiunque desideri una stazione locale privata per IA ha un percorso con Radeon con fino a 48 GB di VRAMChi è alla ricerca di laptop o PC compatti può esplorare le APU Ryzen con memoria condivisa. Nel frattempo, Docker e altri programmi di installazione alternativi offrono soluzioni per ambienti controllati o offline.

Senza promettere miracoli, con i pezzi giusti montati e la versione giusta per il tuo hardware, ROCm ti consente di creare un ambiente serio e produttivo per intelligenza artificiale e HPC, sia in fase di sviluppo che di distribuzione. E se qualcosa non funziona al primo tentativo, non sei il solo: la community e la documentazione sono lì per aiutarti a perfezionarlo.