DL 실험 환경 세팅 with WSL, GPU

Jaeho Lee·2023년 2월 12일

Introduction

연구실 데스크탑 OS를 Windows11로 업데이트 후 새롭게 실험 환경을 구성해 보려 합니다.

경험에 의하면 Windows에서는 환경 구축이 어려울뿐더러, 구축하더라도 패키지 의존성, 환경변수 등 불편한 점이 너무 많습니다.
무엇보다 연구실 GPU 서버는 Linux 환경이고, 제가 관리를 하고 있기에 저에게는 Linux가 더 익숙합니다.

그래서 WSL을 이용해 Linux에서 GPU로 실험할 수 있는 환경을 구축해 봤습니다.

1. Install WSL(Windows Subsystem for Linux)

WSL을 사용하면 기존 가상 머신의 오버헤드 또는 듀얼 부팅 설정 없이 대부분의 명령줄 도구, 유틸리티 및 애플리케이션을 비롯한 GNU/Linux 환경을 수정하지 않고 Windows에서 직접 실행할 수 있습니다.

설치 전 확인 해야 할 사항들

WSL2를 이용하기 위해선 Windows 10 version 2004(Build 19041) 보다 높은 버전을 사용하거나 Windows 11을 사용해야 하며, Windows11에서도 최신 버전으로 업데이트가 필요합니다.
CPU 가상화 여부
작업 관리자의 성능 탭에서 CPU의 가상화가 '사용'인지 확인해야 합니다.
가상화가 '사용'이 아니라면 BIOS에 진입 후 CPU 가상화를 활성화시켜주면 됩니다.

Intel: Intel Virtualization Technology
AMD: SVM Mode

WSL2 설치 및 설정

터미널 또는 PowerShell을 관리자 권한으로 실행시켜줍니다.

가장 쉬운 설치 방법은 아래와 같으며, 가장 최신 버전의 Ubuntu가 설치됩니다.

wsl --install

저는 연구실 GPU 서버와의 통일을 위해 20.04를 설치했습니다.

wsl --list --online
wsl --install -d <배포>

※ 중간에 오류가 발생한 부분은 wsl --update로 해결했습니다.

설치 완료 후 재부팅을 하게 되면 아래와 같이 ID, PW를 설정할 수 있습니다.

2. Install NVIDIA-Driver

https://www.nvidia.co.kr/Download/index.aspx?lang=kr
해당 링크에서 GPU에 맞는 드라이버를 설치할 수 있습니다.

3. Install CUDA Toolkit

https://developer.nvidia.com/cuda/wsl
해당 링크에서 CUDA Toolkit을 설치할 수 있습니다.
저는 연구실 GPU 서버 환경과의 통일을 위해 11.3을 설치했습니다.

Linux -> x86_64 -> WSL-Ubuntu -> 2.0 -> deb (local)의 순서대로 선택하게 되면 사진과 같이 설치 명령어가 제공됩니다.

명령어 입력 전 오래된 GPG key부터 삭제해 줍니다.

First, remove the old GPG key
sudo apt-key del 7fa2af80

Key를 삭제했다면 아래 명령어를 한 줄씩 수행해 줍니다.

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda-repo-wsl-ubuntu-11-3-local_11.3.0-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-11-3-local_11.3.0-1_amd64.deb
sudo apt-key add /var/cuda-repo-wsl-ubuntu-11-3-local/7fa2af80.pub
sudo apt-get update
sudo apt-get -y install cuda

정상적으로 설치가 되었다면 nvidia-smi -q 명령어 실행 시 아래와 같이 GPU 정보가 나타납니다.

4. Install cuDNN

https://developer.nvidia.com/rdp/cudnn-download
해당 링크에서 로그인 후 cuDNN을 다운받을 수 있습니다.
저는 앞서 설치한 CUDA Toolkit 과의 호환을 위해 11.x를 설치했습니다.

Local Installer for Linux x86_64 (Tar)를 다운로드합니다.

이때 다운로드 파일은 Windows downloads에 저장되기 때문에 이를 Ubuntu로 옮겨와야 합니다.

cd /mnt/c/user/<User Name>/Downloads
mv cudnn-linux-x86_64-8.8.0.121_cuda11-archive.tar ~/downloads

이후 다운받은 cuDNN을 압축 해제해 준다.

tar -xvf cudnn-linux-x86_64-8.8.0.121_cuda11-archive.tar ~/downloads

압축 해제 후 아래 명령어를 통해 cuDNN 관련 파일들을 이동, 복사, 권한 변경해준다.

sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include

sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64

sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

마지막으로 ~/.bashrc에 PATH를 등록해 준다.

vim ~/.bashrc
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.3/lib64/

※ export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.3/lib64/
cuda-11.3은 설치한 버전에 맞게 변경해 줘야 합니다.

정상적으로 설치가 되었다면 /usr/local/cuda-11.3/extras/demo_suite/deviceQuery 명령어 실행 시 사진과 같이 GPU 정보가 나오게 되며, 가장 마지막에 Result = PASS 가 나와야 합니다.

5. Test

모든 환경 구축을 마친 뒤 간단한 테스트를 진행했습니다.
아래 사진을 보면 정상적으로 CUDA 사용이 가능하며 GPU 종류, 개수 모두 정확히 인식하는 것을 볼 수 있습니다.

비록 연구실 GPU 서버에 비해 연산 성능, VRAM 등이 한참 모자라 학습은 힘들지만, 간단한 디버깅 용으로는 충분한 것 같습니다.

Jaeho Lee