跳转至

DeepMD-kit快速安装

为减少后续安装的困难,请优先参考最佳实践。本文介绍的方法成型时,DP尚未实现对Lammps的解耦,但仍然可用。

本部分主体写于2021年,截至目前(2022.08)仍适用,并且随版本升级仍在更新。

教程中使用的尚且是CUDA 10.1,但对CUDA 11.x也适用。

背景:以 Zeus 集群为例,在服务器通过源代码编译安装DeepMD-kit和包含完整接口的LAMMPS。虽然官方已经提供了通过 Conda 一键安装的方法,但由于此法所安装的各个组件均为预编译版本,因而无法做更多拓展和改动,且通过 Conda 安装的 Protobuf 存在版本冲突,无法进一步编译其他接口。这里介绍一种方法,通过 Conda 安装通常不需要较大改动的TensorFlow C++ Interface,其余部分仍手动编译。

初始环境说明

以下过程以 Zeus 集群为例,操作系统及版本为CentOS 7,管理节点联网,采用module作为环境管理。

以下是预先配置好的环境,对于其他集群,可以此要求准备环境,其中 Intel MPI 可以用 MPICH 代替,其余组件请自行安装。注意CUDA 10.1对Nvidia驱动版本有要求,需要预先检查好(可用nvidia-smi快速查看)。

  • 通过yum安装
  • Git >= 1.8.2
  • 通过module加载
  • CUDA 10.1
  • Miniconda 3
  • GCC >= 7.4.0
  • Intel MPI 2017 (暂未对其他版本进行测试)

版本号仅供参考,实际安装可能会不一样,参考执行即可。

创建新的环境

首先准备必要的依赖。

检查可用的模块,并加载必要的模块:

module avail
module add cuda/10.1
module add gcc/7.4.0

注意这里导入的是GCC 7.4.0版本,如果采用低于4.9.4的版本(不导入GCC)则dp_ipi不会被编译。

然后创建虚拟环境,步骤请参考Anaconda 使用指南

假设创建的虚拟环境名称是 deepmd,则请将步骤最后的 <your env name> 替换为 deepmd。若采用该步骤的设置,则虚拟环境将被创建在/data/user/conda/env/deepmd下(假设用户名为user)。

注意请务必为创建的虚拟环境安装所需的Python环境。通常不指定Python版本号的情况下(例如文中的步骤conda create -n <your env name> python)会安装conda推荐的最新版本,如需要替代请对应指定,如conda create -n deepmd python=3.8

由于Zeus的GPU节点不能联网,故需要将所需的驱动程序库libcuda.solibcuda.so.1的名称手动链接到某个具有权限的路径/some/local/path并分别加入环境变量。

ln -s /share/cuda/10.0/lib64/stubs/libcuda.so /some/local/path/libcuda.so.1
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/share/cuda/10.0/lib64/stubs:/some/local/path

提示

若在Zeus 集群上安装,管理员已事先把libcuda.so.1 链接在/share/cuda/10.0/lib64/stubs/下,故无需额外创建软链接,同理/some/local/path也无需加入环境变量,但仍需要驱动程序库的符号链接libcuda.so。注意这一步骤执行后,实际运行时需要从环境变量中移除

安装Tensorflow的C++ 接口

以下安装,假设软件包下载路径均为/some/workspace, 以TensorFlow 2.3.0版本、DeePMD-kit 1.3.3 版本为例进行说明,其他版本的步骤请参照修改。

首先创建并进入虚拟环境,这里假设命名为deepmd

conda create -n deepmd python=3.8
conda activate deepmd

搜索仓库,查找可用的TensorFlow的C++ 接口版本。

conda search libtensorflow_cc -c https://conda.deepmodeling.com

结果如下:

Loading channels: done
# Name                       Version           Build  Channel
libtensorflow_cc              1.14.0  cpu_h9a2eada_0
libtensorflow_cc              1.14.0  gpu_he292aa2_0
libtensorflow_cc               2.0.0  cpu_h9a2eada_0
libtensorflow_cc               2.0.0  gpu_he292aa2_0
libtensorflow_cc               2.1.0  cpu_cudaNone_0
libtensorflow_cc               2.1.0  gpu_cuda10.0_0
libtensorflow_cc               2.1.0  gpu_cuda10.1_0
libtensorflow_cc               2.1.0   gpu_cuda9.2_0
libtensorflow_cc               2.3.0  cpu_cudaNone_0
libtensorflow_cc               2.3.0  gpu_cuda10.1_0
libtensorflow_cc               2.4.1  gpu_cuda11.0_0
libtensorflow_cc               2.4.1  gpu_cuda11.1_0
libtensorflow_cc               2.5.0  cpu_cudaNone_0
libtensorflow_cc               2.5.0  gpu_cuda10.1_0
libtensorflow_cc               2.5.0  gpu_cuda11.3_0
libtensorflow_cc               2.7.0  cpu_h6ddf1b9_0
libtensorflow_cc               2.7.0 cuda101h50fd26c_0
libtensorflow_cc               2.7.0 cuda113h3372e5c_0
libtensorflow_cc               2.7.0 cuda113hbf71e95_1
libtensorflow_cc               2.9.0  cpu_h681ccd4_0
libtensorflow_cc               2.9.0 cuda102h929c028_0
libtensorflow_cc               2.9.0 cuda116h4bf587c_0

这里所希望安装的版本是2.3.0的GPU版本,CUDA版本为10.1,因此输入以下命令安装:

conda install libtensorflow_cc=2.3.0=gpu_cuda10.1_0 -c https://conda.deepmodeling.org

若所安装的环境没有实际的GPU驱动(比如集群的登录节点)或需要用到Conda安装CudaToolkit,可能需要参照此处说明强制指定GPU环境。比如:

CONDA_OVERRIDE_CUDA="11.3" conda install libtensorflow_cc=2.7.0=cuda113hbf71e95_1 -c https://conda.deepmodeling.com

请注意CONDA_OVERRIDE_CUDA的值需要与GPU支持以及希望用到的CUDA版本相匹配。

提示

注意A100仅支持TF 2.4.0以上、CUDA11.2以上,安装时请对应选择。

提示

个别版本在后续编译时可能会提示需要libiomp5.so,请根据实际情况确定是否需要提前载入Intel环境(见下文Lammps编译部分)或者conda install intel-openmp

提示

conda命令可能速度较慢,也可以考虑切换为mamba,后者可大幅加速Conda的性能,且完全兼容。只需参照前述链接安装后将conda替换为mamba即可

若成功安装,则定义环境变量:

export tensorflow_root=/data/user/conda/env/deepmd

即虚拟环境创建的路径。

安装DeePMD-kit的Python接口

以防万一可以升级下pip的版本:

pip install --upgrade pip

接下来安装Tensorflow的Python接口

pip install tensorflow==2.3.0

若提示已安装,请使用--upgrade选项进行覆盖安装。若提示权限不足,请使用--user选项在当前账号下安装。

然后下载DeePMD-kit的源代码(注意把v1.3.3替换为需要安装的版本,如v2.0.3等)

cd /some/workspace
git clone --recursive https://github.com/deepmodeling/deepmd-kit.git deepmd-kit -b v1.3.3

在运行git clone时记得要--recursive,这样才可以将全部文件正确下载下来,否则在编译过程中会报错。

提示

如果不慎漏了--recursive, 可以采取以下的补救方法:

git submodule update --init --recursive

若集群上 Cmake 3没有安装,可以用pip进行安装:

pip install cmake

修改环境变量以使得cmake正确指定编译器:

export CC=`which gcc`
export CXX=`which g++`
export FC=`which gfortran`

若要启用CUDA编译,请导入环境变量:

export DP_VARIANT=cuda

随后通过pip安装DeePMD-kit:

cd deepmd-kit
pip install .

安装DeePMD-kit的C++ 接口

延续上面的步骤,下面开始编译DeePMD-kit C++接口:

deepmd_source_dir=`pwd`
cd $deepmd_source_dir/source
mkdir build 
cd build

假设DeePMD-kit C++ 接口安装在/some/workspace/deepmd_root下,定义安装路径deepmd_root

export deepmd_root=/some/workspace/deepmd_root

在build目录下运行:

cmake -DLAMMPS_VERSION_NUMBER=<value> -DTENSORFLOW_ROOT=$tensorflow_root -DCMAKE_INSTALL_PREFIX=$deepmd_root ..

请根据自己即将安装的Lammps版本指定-DLAMMPS_VERSION_NUMBER的值,目前最新版本的DeePMD-kit默认为20210929,如需安装Lammps 29Oct2020,请设定为20201029

若通过yum同时安装了Cmake 2和Cmake 3,请将以上的cmake切换为cmake3

最后编译并安装:

make
make install

若无报错,通过以下命令执行检查是否有正确输出:

$ ls $deepmd_root/bin
dp_ipi
$ ls $deepmd_root/lib
libdeepmd_ipi.so  libdeepmd_op.so  libdeepmd.so

安装LAMMPS的DeePMD-kit模块

接下来安装

cd $deepmd_source_dir/source/build
make lammps

此时在$deepmd_source_dir/source/build下会出现USER-DEEPMD的LAMMPS拓展包。

下载LAMMPS安装包,并把接口代码复制到src目录下:

cd /some/workspace
# Download Lammps latest release
wget -c https://lammps.sandia.gov/tars/lammps-stable.tar.gz
tar xf lammps-stable.tar.gz
cd lammps-*/src/
cp -r $deepmd_source_dir/source/build/USER-DEEPMD .

Make命令安装

选择需要编译的包(若需要安装其他包,请参考Lammps官方文档):

make yes-user-deepmd
make yes-kspace

如果没有make yes-kspace 会因缺少pppm.h报错。

这里也可以通过以下命令批量安装其他包:

make yes-all                        # install all packages
make no-lib                         # uninstall packages that require extra libraries
make no-ext                         # uninstall packages that require external libraries

注意如Plumed、SMD、COLVARS等等需要提前配置或预先编译的插件如需安装请参考Lammps官方文档,同时诸如 Intel、GPU等加速包如果不需要编译可能需要额外手动取消安装。

目前官方文档改动较大,且未提供历史版本,因而仅适用于官方最新Release版本(目前仅适用于Lammps 29Sep2021以后的版本,但可能随着后续更新适用面进一步缩窄。),使用旧版请注意甄别。

加载MPI环境,并采用MPI方式编译Lammps可执行文件:

module load intel/17.5.239 mpi/intel/2017.5.239
make mpi -j4

注意

此处使用的GCC版本应与之前编译Tensorflow C++接口和DeePMD-kit C++接口一致,否则可能会报错:@GLIBCXX_3.4.XX。如果在前面的安装中已经加载了GCC 7.4.0,请在这里也保持相应环境的加载。

经过以上过程,Lammps可执行文件lmp_mpi已经编译完成,用户可以执行该程序调用训练的势函数进行MD模拟。

Cmake安装

也可以直接使用Cmake进行编译,更加干净、快捷。

如需要安装Plumed,请首先利用Conda安装GSL环境:

conda install gsl

然后请编辑lammps-stable/cmake/CMakeLists.txt,找到set(STANDARD_PACKAGES这一行,并在末尾括号内增加一项:USER-DEEPMD

set(STANDARD_PACKAGES
  ...  
  USER-DEEPMD)

然后在lammps-stable目录下,新建build目录:

cd lammps-stable
mkdir build
cd build

进行配置:

cmake -C ../cmake/presets/most.cmake -C ../cmake/presets/nolib.cmake \
-D BUILD_MPI=yes -D BUILD_OMP=yes -D LAMMPS_MACHINE=mpi \
-D WITH_JPEG=no -D WITH_PNG=no -D WITH_FFMPEG=no \
-D PKG_PLUMED=yes -D PKG_COLVARS=yes -D PKG_USER-DEEPMD=ON \
-D CMAKE_INSTALL_PREFIX=/data/user/conda/env/deepmd \
-D CMAKE_CXX_FLAGS="-std=c++14 -DHIGH_PREC -DLAMMPS_VERSION_NUMBER=20220623 -I${deepmd_root}/include -I${tensorflow_root}/include -L${deepmd_root}/lib -L${tensorflow_root}/lib -Wl,--no-as-needed -ldeepmd_cc -ltensorflow_cc -ltensorflow_framework -Wl,-rpath=${deepmd_root}/lib -Wl,-rpath=${tensorflow_root}/lib" \
../cmake

注意CMAKE_INSTALL_PREFIX指示的是安装路径,请根据实际情况修改。

注意

这里额外关闭了图形输出模块(JPEG、PNG、FFMPEG),因为Conda自带的图形库会与系统有冲突,暂时没有解决,且使用make默认也不会安装。

注意

由于未知原因,有时候CMake会找不到Conda安装的GSL。但若提前编译好Plumed并采用Runtime方式载入,可不需要GSL:-D PLUMED_MODE=runtime

然后进行编译:

make -j 16
make install

经过以上过程,Lammps可执行文件lmp_mpi已经编译完成,用户可以执行该程序调用训练的势函数进行MD模拟。

DP-CP2K 安装指引

首先clone对应的安装包:

git clone https://github.com/Cloudac7/cp2k.git -b deepmd_latest --recursive --depth=1

然后运行相应的Toolchain脚本:

cd tools/toolchain/
./install_cp2k_toolchain.sh --enable-cuda=no --with-deepmd=$deepmd_root --with-tfcc=$tensorflow_root --deepmd-mode=cuda --mpi-mode=no --with-libint=no --with-libxc=no --with-libxsmm=no

根据脚本运行结尾的提示复制arch文件并source所需的环境变量。最后回到主目录进行编译:

make -j 4 ARCH=local VERSION="ssmp sdbg"

编译正确完成后,可执行文件生成在exe/下,即cp2k.sopt

注意目前DP-CP2K暂未支持MPI,因而请单独编译此Serial版本。且CP2K由于IO问题,性能相比Lammps低50%以上,如非刚需还是建议使用Lammps进行MD模拟,后者可提供更多特性和加速的支持。

同时目前开发者遇到一些困难,故提交的PR尚未更新且由于沉默过久已被官方关闭。如读者有在CP2K实现共享状态的开发经验,请联系作者,谢谢。

Now there is some difficulty in implemetion of shared state in CP2K run to decrease IO in each MD step. However, the developer has not find out a proper way as a solution, making the PR silent. If you could provide any experience, please contact me. Thanks!

评论