ROCm文档：https://rocm.docs.amd.com
启用WSL
WSL是Windows Subsystem for Linux，现在已经让Windows变成了“最佳Linux发行版”了。要启用WSL，Windows 11的步骤如下：
首先，打开设置，选择系统，往下找到可选功能。
然后在可选功能中，往下找到更多Windows功能。
在打开的Windows功能对话框中，往下找到适用于Linux的Windows子系统，勾选然后确定。
安装好之后重启即可。
另外商店中也有WSL的应用，但不知道安装效果和上面的步骤一不一样，请自行尝试。Windows 10的启用方法请自行上网查找。
在WSL中安装Ubuntu 24.04
为了稳定，我们最好使用长期支持（Long Term Support，LTS）版本的系统，Ubuntu 24.04就是最新的LTS版本。下文中安装的是测试版ROCm，现在正式版ROCm 6.4.3的WSL支持只有Ubuntu 22.04 LTS，请自行举一反三。
首先打开PowerShell终端，可以在开始按钮上点右键，然后点击终端打开。会打开Windows Terminal终端应用，默认即PowerShell。
在打开的终端中输入如下命令，并回车Enter执行（如无特殊说明，命令都是回车执行，下面不再赘述）。
wsl --update
如果之前安装使用过WSL，上面的命令就是确保WSL升级到最新版。
wsl --set-default-version 2
这条命令是将WSL默认版本设为2，即WSL2。只有WSL2支持GPU应用，为了避免后期转换，直接设置安装时就使用WSL2。
接下来要安装Ubuntu 24.04。
wsl --install Ubuntu-24.04
安装时会询问用户名和密码，按要求设置即可。
如果想安装其他版本或其它系统，可以用wsl -l -o来查看可以安装的发行版。安装好后用wsl -l -v可以查看当前安装的发行版。
另外，为了成功使用GPU应用，需要启用WSLg支持。在开始菜单中找到WSL Settings，并确保可选功能中的启用GUI应用程序打开（默认应该是启用的，如果出问题可以来检查设置）。
安装后设置
安装好之后，就可以在终端应用的新建窗口的下拉菜单中找到Ubuntu 24.04了。在开始菜单中也有对应的项目，可以直接打开。
下面的命令如无特殊说明，都是在Ubuntu 24.04下执行的。
修改软件源并更新
要将Ubuntu的系统软件源修改为国内镜像。使用如下命令打开软件源：
sudo vim /etc/apt/sources.list.d/ubuntu.sources
打开往下翻页会看到两处URIs设置，将两处URIs后的内容都改成http://mirrors.tuna.tsinghua.edu.cn/ubuntu/即可，其他行不要动。
关于Vim的操作方法，可以看Vim简易操作指南。
修改好之后，进行更新。下面每行一条命令，每条命令执行完成后再执行下一条，后面多行命令如无特殊说明均如此。
sudo apt update
sudo apt dist-upgrade
（可选）一些方便设置
为了方便使用，可以安装一些软件包：
sudo apt install zsh git language-pack-zh-hans
分别安装了Zsh（一个好用的Shell）、Git（代码版本控制软件）和中文语言包。
安装语言包后需要重新设置locales包：
sudo dpkg-reconfigure locales
会弹出交互界面，在列表中找到zh_CN.UTF8 UTF8一项，按空格选中，然后按Tab切换到OK回车确认；再下一页选中zh_CN.UTF8，，然后按Tab切换到OK回车确认。等它配置完后重启终端即可。
为了能访问GitHub，需要给Git设置代理：
git config --global http.https://github.com.proxy "http://127.0.0.1:8080"
http://127.0.0.1:8080这部分根据自己使用的代理设置，协议支持http、https和socks5。
为了Zsh更好用，可以安装配置框架Oh My Zsh。
sh -c "$(wget https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.sh -O -)"
要设置Git的GitHub代理，否则有可能失败。安装好后会询问是否设置默认Shell为Zsh，确认即可。修改默认Shell之后，要关闭终端（标签页）再打开才能看到生效。
安装AMD GPU驱动
参考引用来源1（后续新版本可以到此页面的ROCm installation一节查看最新命令，请注意选择正确的Ubuntu版本以免后续出错），首先下载并安装AMD GPU驱动管理工具。
wget https://repo.radeon.com/amdgpu-install/6.4.1/ubuntu/noble/amdgpu-install_6.4.60401-1_all.deb
sudo apt install ./amdgpu-install_6.4.60401-1_all.deb
为了后续使用不出错，最好把当前用户加入video和render组：
sudo usermod -a -G render,video $LOGNAME
然后根据需要安装驱动，可以先列出用例。
amdgpu-install --list-usecase
然后安装所需要的用例。
amdgpu-install --usecase=wsl,rocm --no-dkms
因为是WSL下安装，所以需要安装wsl用例，并且要安装rocm用例，如果有其他需求可以参考上面列出的用例，用英文逗号,分隔。
装好之后可以用如下命令查看是否成功：
rocminfo
如果列出的内容中有正在使用的显卡（一般是在Agent 2下面），那么就表示成功了。
卸载
卸载驱动
在Ubuntu中执行命令即可。
amdgpu-uninstall
删除WSL实例
在PowerShell终端中执行命令即可。
wsl --unregister Ubuntu-24.04
此处Ubutu-24.04是发行版名称，可以用wsl -l -v查看。
如果以后不再使用WSL，可以直接删除WSL。
wsl --uninstall
在WSL中使用PyTorch
以下所有命令均在Ubuntu中执行。
安装Miniconda
这一步是为了方便管理虚拟环境，如果使用其他的虚拟环境管理工具，可以跳过。参考Linux（包括WSL）安装Miniconda教程即可。
创建新虚拟环境
使用Miniconda创建一个虚拟环境。
conda create -n pytorch python
pytorch是虚拟环境的名称，请自行设定。python表示初始安装Python包。
完成后激活虚拟环境，后面操作都是在激活的虚拟环境中进行。
conda activate pytorch
安装PyTorch
到PyTorch官网页面查看安装命令。下面是选择Preview (Nightly)（若稳定版支持新版ROCm了可以选择Stable）、Linux、Pip、Python、ROCm 6.4（若选择Stable后这个选项没有删除线且版本大于等于6.4则表示稳定版已经支持）的结果，理论上稳定版的ROCm 6.3应该也能运行。
pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/rocm6.4
根据提示等待安装成功。
一些修正
2025年8月30日更新：最新的PyTorch版本和ROCm 6.4.3已经修正了此问题，若运行没有出错可以不用参考本节内容。
在引用来源2中提到，因为PyTorch自带的libhsa有问题，需要替换，但经过我的测试，直接删除即可。具体可以先用下一节的测试方法测试之后再来修正。
location=`pip show torch | grep Location | awk -F ": " '{print $2}'`
cd ${location}/torch/lib/
rm libhsa-runtime64.so*
如果要替换可以在上面的命令执行完后再执行一条：
cp /opt/rocm/lib/libhsa-runtime64.so.1.15.60401 libhsa-runtime64.so
这里文件名后的1.15.60401是库文件版本，根据自己的实际情况修改，可以用Tab键自动补全。
但这样还是有可能出错，因为Miniconda安装的Python自带的libstdc++.so可能太旧。用下一节的方法测试会提示如下错误：
/home/qakcn/miniconda3/envs/pytorch/bin/../lib/libstdc++.so.6: version `GLIBCXX_
3.4.32' not found (required by /home/qakcn/miniconda3/envs/pytorch/lib/python3.1
3/site-packages/torch/lib/libhsa-runtime64.so)
一般系统自带的都是新的，所以我们这里也可以直接删除，根据上面提示的文件路径删除即可：
rm /home/qakcn/miniconda3/envs/pytorch/lib/libstdc++.so.6
这里的路径要根据实际情况修改。提示的文件名是/home/qakcn/miniconda3/envs/pytorch/bin/../lib/libstdc++.so.6，其中..表示上级目录，/home/qakcn/miniconda3/envs/pyg/bin/的上级目录就是/home/qakcn/miniconda3/envs/pytorch/，把..后的路径接上就行了。也可以直接定位到Miniconda安装目录的envs/<虚拟环境名>/lib目录下（可以直接使用环境变量$CONDA_PREFIX来获取）。
测试PyTorch
用下面几条命令验证PyTorch是否成功：
python3 -c 'import torch' 2> /dev/null && echo 'Success' || echo 'Failure'
python3 -c 'import torch; print(torch.cuda.is_available())'
python3 -c "import torch; print(f'device name [0]:', torch.cuda.get_device_name(0))"
第一条测试PyTorch是否安装成功，输出Success（成功）或Failure（失败）。第二条测试ROCm是否能成功调用，输出True（成功）或False（失败）。第三条测试调用的是否是AMD显卡，输出显卡型号名称。
下面再给出三个Python脚本，用于简单测试性能。
flops.py
import torch
from torch.utils import benchmark
typ = torch.float16 # 可以修改成float32或float64来测试单精度或双精度浮点性能
n = 1024 * 16
a = torch.randn(n, n).type(typ).cuda()
b = torch.randn(n, n).type(typ).cuda()
t = benchmark.Timer(
stmt='a @ b',
globals={'a': a, 'b': b})
x = t.timeit(50)
print(2*n**3 / x.median /1e12) # 输出结果单位是TFLOPS
test.py
vimport time
import torch
# 测试gpu计算耗时
A = torch.ones(5000, 5000).to('cuda')
B = torch.ones(5000, 5000).to('cuda')
startTime2 = time.time()
for i in range(100):
C = torch.matmul(A, B)
endTime2 = time.time()
print('gpu计算总时长:', round((endTime2 - startTime2) * 1000, 2), 'ms')
# 测试cpu计算耗时
A = torch.ones(5000, 5000)
B = torch.ones(5000, 5000)
startTime1 = time.time()
for i in range(100):
C = torch.matmul(A, B)
endTime1 = time.time()
print('cpu计算总时长:', round((endTime1 - startTime1) * 1000, 2), 'ms')
testscript.py
# converted to convenient script form
# just run python -m testscript
# it should go without saying that you need a CUDA-enabled PyTorch installation before running this will work
# I mean, that's the whole point of this script, to test that very installation
# Imports
import time
import torch
# functions
def timeFun(f, dim, iterations, device='cpu'):
iterations = iterations
t_total = 0
for _ in range(iterations):
start = time.time()
f(dim, device)
end = time.time()
t_total += end - start
if device == 'cpu':
print(f"time taken for {iterations} iterations of {f.__name__}({dim}, {device}): {t_total:.5f}")
else:
print(f"time taken for {iterations} iterations of {f.__name__}({dim}, {device}): {t_total:.5f}")
def set_device():
device = "cuda" if torch.cuda.is_available() else "cpu"
if device != "cuda":
print("GPU is not available")
else:
print("GPU is available")
return device
def simpleFun(dim, device):
"""
Args:
dim: integer
device: "cpu" or "cuda"
Returns:
Nothing.
"""
# 2D tensor filled with uniform random numbers in [0,1), dim x dim
x = torch.rand(dim,dim,device=device) # don't use "to". just make it a cuda-native array (with device='cuda') and it'll go way faster because you'll be abolishing the transfer overhead!
# 2D tensor filled with uniform random numbers in [0,1), dim x dim
y = torch.rand_like(x,device=device)
# 2D tensor filled with the scalar value 2, dim x dim
z = 2*torch.ones_like(x,device=device)
# elementwise multiplication of x and y
a = x * y
# matrix multiplication of x and y
b = x @ y
del x
del y
del z
del a
del b
# set device
DEVICE = set_device()
# params for timeFun
dim = 10000
iterations = 1
# test your GPU matrix multiplication against a CPU benchmark
timeFun(f=simpleFun, dim=dim, iterations=iterations, device='cpu')
timeFun(f=simpleFun, dim=dim, iterations=iterations, device=DEVICE)
