无头骑士的AI工作站：Ubuntu Server 22.04下纯命令行配置MI50显卡驱动与ROCm 6.0

无头骑士的AI工作站：Ubuntu Server 22.04下纯命令行配置MI50显卡驱动与ROCm 6.0

在数据中心和远程实验室里，那些没有连接显示器的计算节点往往承载着最繁重的AI训练任务。当我们需要为AMD Instinct MI50这样的高性能计算卡配置环境时，传统的图形界面安装方式反而会成为累赘。本文将带你走进纯命令行环境下的系统配置世界，从BIOS调优到驱动安装，从ROCm平台部署到最终验证，全程通过SSH完成所有操作。

1. 无头环境的前期准备

在开始之前，我们需要明确几个关键概念。所谓"无头"（Headless）指的是服务器不连接任何显示设备，完全依靠网络进行管理。这种模式下，MI50显卡的视频输出功能变得无关紧要，我们需要确保计算核心能够被系统正确识别和使用。

1.1 硬件配置检查清单

• 亮机卡选择：建议准备一张支持UEFI的入门级AMD显卡（如RX 550）或使用主板集显
• 电源要求：MI50的TDP为300W，需确保电源有足够的PCIe 8pin接口和余量
• 散热方案：数据中心级风道设计或第三方涡轮散热器
• 网络连接：主板集成网卡或独立网卡需确保PXE支持

1.2 BIOS关键设置

通过亮机卡进入BIOS后，以下设置对MI50的正常工作至关重要：

# 临时查看当前BIOS设置（需ipmitool工具） ipmitool chassis bootparam get

必须调整的两个核心参数：

注意：某些主板在关闭CSM后可能需要单独禁用UEFI Video输出选项

2. Ubuntu Server基础环境搭建

选择Ubuntu Server 22.04 LTS作为基础系统，不仅因为其长期支持特性，更因为其对AMD硬件良好的兼容性。最小化安装时，只需选择以下软件包：

• OpenSSH server：远程管理基础
• build-essential：编译工具链
• linux-headers-generic：内核头文件

2.1 自动化安装脚本

对于批量部署，可以使用preseed文件实现无人值守安装：

# 示例preseed.cfg片段 d-i partman-auto/method string lvm d-i partman-lvm/device_remove_lvm boolean true d-i partman-auto/choose_recipe select atomic d-i partman-partitioning/confirm_write_new_label boolean true d-i partman/confirm_write_new_label boolean true d-i partman/confirm boolean true d-i partman/confirm_nooverwrite boolean true

安装完成后立即进行的操作：

1. 更新软件源并升级所有包
2. 设置静态IP（如需）
3. 配置防火墙允许SSH连接
4. 安装基础诊断工具（lshw、htop等）

3. AMD驱动与ROCm栈部署

MI50需要完整的AMDGPU-Pro驱动和ROCm计算平台支持。Ubuntu 22.04的默认仓库并不包含最新版本，需要添加AMD官方源。

3.1 驱动安装流程

首先添加APT仓库并安装基础驱动：

wget -qO - https://repo.radeon.com/rocm/rocm.gpg.key | sudo apt-key add - echo 'deb [arch=amd64] https://repo.radeon.com/amdgpu/23.40.1/ubuntu jammy main' | sudo tee /etc/apt/sources.list.d/amdgpu.list sudo apt update sudo apt install amdgpu-dkms

安装ROCm 6.0完整套件：

sudo apt install rocm-hip-libraries rocm-opencl-runtime

3.2 环境变量配置

在/etc/profile.d/rocm.sh中添加以下内容：

export PATH=$PATH:/opt/rocm/bin export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/opt/rocm/lib export HIP_PLATFORM=amd export HSA_OVERRIDE_GFX_VERSION=9.0.0

验证安装：

/opt/rocm/bin/rocminfo | grep -A 4 'Agent'

预期应看到MI50的设备信息，包含128个计算单元和32GB HBM2显存。

4. 稳定性调优与故障排除

无头环境下的稳定性问题往往更难诊断。以下是几个常见问题及其解决方案。

4.1 驱动加载问题

创建/etc/modprobe.d/amdgpu.conf配置文件：

options amdgpu virtual_display=1 options amdgpu cik_support=1 options amdgpu si_support=1

更新initramfs并重启服务：

sudo update-initramfs -u sudo systemctl restart systemd-modules-load

4.2 温度监控方案

由于无显示器输出，需要建立远程监控：

# 安装传感器工具 sudo apt install lm-sensors sudo sensors-detect --auto # 持续监控脚本 watch -n 1 "cat /sys/class/drm/card0/device/hwmon/hwmon*/temp1_input"

4.3 性能调优参数

在/etc/default/grub中修改以下内核参数：

GRUB_CMDLINE_LINUX_DEFAULT="amdgpu.ppfeaturemask=0xffffffff amdgpu.vm_fragment_size=9"

更新GRUB配置：

sudo update-grub

5. AI框架适配实践

以llama.cpp为例，展示如何针对MI50进行编译优化。

5.1 HIP编译器配置

编译前确保环境变量正确：

export HIPCC_COMPILE_FLAGS_APPEND="-O3 -ffast-math" export HIPCC_LINK_FLAGS_APPEND="-O3"

5.2 典型编译命令

git clone https://github.com/ggerganov/llama.cpp cd llama.cpp mkdir build && cd build cmake .. -DLLAMA_HIPBLAS=ON -DCMAKE_C_COMPILER=/opt/rocm/llvm/bin/clang -DCMAKE_CXX_COMPILER=/opt/rocm/llvm/bin/clang++ make -j$(nproc)

5.3 性能对比测试

使用不同精度进行推理速度测试：

提示：MI50的矩阵核心在FP16模式下效率最高，建议优先尝试混合精度训练

6. 持续集成方案

对于生产环境，建议将配置过程代码化。以下是Ansible playbook的片段示例：

- name: Install AMDGPU drivers apt: name: "{{ item }}" state: present update_cache: yes loop: - amdgpu-dkms - rocm-hip-libraries - rocm-opencl-runtime - name: Configure environment template: src: templates/rocm.j2 dest: /etc/profile.d/rocm.sh mode: 0644 - name: Load kernel module modprobe: name: amdgpu state: present

这套配置在多个数据中心部署实践中，单卡可稳定运行7×24小时的大模型训练任务。遇到最多的问题其实是散热不足导致的频率抖动，建议在机柜中保持环境温度低于25℃。