做二手衣服的网站有哪些,网站维护中要多久才能重新进入,seo在网站制作,苏州优化哪家公司好GPU工具分类
实话实说#xff0c;暂时只有英伟达的GPU才能实现比较方便的基因组分析集成化解决方案#xff0c;其他卡还需要努力呀#xff0c;或者需要商业公司或学术团体的努力开发呀#xff01;FPGA等这种专用卡的解决方案也是有的#xff0c;比如某测序仪厂家#xf…GPU工具分类
实话实说暂时只有英伟达的GPU才能实现比较方便的基因组分析集成化解决方案其他卡还需要努力呀或者需要商业公司或学术团体的努力开发呀FPGA等这种专用卡的解决方案也是有的比如某测序仪厂家某大厂专门做加速方案的提供商以及CPU加速方案提供商等。
这里就先看下普通人可及的英伟达啦AI的普及以及黑神话的爆火让大家都有了相对较好的卡有的实验室新配服务器也加装了一般的GPU算力卡除了做AI也可以考虑下做下加速分析啦当然如我这种没有大显存的卡没有大显存的服务器我们依然可以租卡呀专门租gpu的公司可以成本低至一块多一小时也是极划算的啦当然自己买张便宜的卡一举多得也不错啦又多了一个上装备的理由啦当然禁运和制裁是个问题应该不跑大项目也不涉及这些国货当自强呀
Clara Parabricks 短读段测序可生成短 DNA 序列并因速度快且经济实惠而受到重视。Clara Parabricks是英伟达基于GPU卡开发用于加速call变异的工具套件支持GATK haplotypecaller和deepvariant 2种call 变异的方式相比原版速度有大幅提升从而有助于快速分析短读段测序数据。可用于处理来自 Element、Illumina、MGI、Singular、Thermo Fisher 和 Ultima 测序仪的数据。从v4.0开始学术机构用户可免费使用。 长读段测序有助于识别结构变异并可用于根据多个样本来组合基因组从而推动群体遗传多样性的研究可用于处理来自 Oxford Nanopore 和 PacBio 长读段测序仪的数据。 NVIDIA RAPIDS™ 可加速单细胞数据处理和可视化工作流并具有与 scverse Python 库类似的可用性模型。cunnData 为 GPU 提供了 AnnData 对象的超小型、轻量级版本有助于快速操作和处理数据RAPIDS cuGraph 和 cuML 库随后则会开展下游分析工作。 暂时手上只有基因组的数据于是先测试下基因组的分析啦
先用自己的3050 Ti Laptop4G VRAM测试
先说下结论安装是可以成功的报错也是会的当然分析小基因组也是极好的话说回来小基因组也就不需要加速啦我是Win11系统已经装了WSL2子系统docker和驱动已经装好以上这些这里不表啦当然最新的驱动已经可以使用RAM当显存前提是牺牲速度所以我的笔记本加到64G RAM也应该可以跑得动的慢速的。 根据官方文档安装是个小挑战众所周知的原因啦费了好久几乎要放弃时在github上找到了新的方法这里分享一下 Request nvidia-docker2 debian download not from repository · Issue #635
安装nvidia-docker2
git clone下载更方便避免官方网站步骤的各种报错亲测可以成功
LOCALDIR/var/lib/nvidia-docker-repomkdir -p $LOCALDIR cd $LOCALDIR
git clone -b gh-pages https://github.com/NVIDIA/libnvidia-container.git
git clone -b gh-pages https://github.com/NVIDIA/nvidia-container-runtime.git
git clone -b gh-pages https://github.com/NVIDIA/nvidia-docker.git# ubuntu系统应该是18.04以上通用
sudo tee /etc/apt/sources.list.d/nvidia-docker.list \
deb file://$LOCALDIR/libnvidia-container/stable/ubuntu18.04/amd64 /
deb file://$LOCALDIR/nvidia-container-runtime/stable/ubuntu18.04/amd64 /
deb file://$LOCALDIR/nvidia-docker/stable/ubuntu18.04/amd64 /
# 更新
sudo apt-key add $LOCALDIR/nvidia-docker/gpgkey
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
sudo apt-get install -y nvidia-docker2docker镜像修改
sudo vi /etc/docker/daemon.json
# 修改为以下内容
{runtimes: {nvidia: {path: nvidia-container-runtime,runtimeArgs: []}},registry-mirrors: [https://docker.1panel.live,https://hub.rat.dev]
}
# 参考自Docker更换镜像源 https://patzer0.com/archives/configure-docker-registry-mirrors-with-mirrors-available-in-cn-mainland使用测试
想了下参考基因组应该是不能切分的所以官方宣称的人类基因组需要16G显存的要求应该是真实的和合理的。
docker run --gpus all --rm --volume $(pwd):/workdir \--volume $(pwd):/outputdir \nvcr.io/nvidia/clara/clara-parabricks:4.3.2-1 \pbrun fq2bam \--ref /workdir/reference/felCat8.fa.gz \--in-fq /workdir/cat_10000_1.fq.gz /workdir/cat_10000_2.fq.gz \--out-bam /outputdir/fq2bam_output.bam报错信息如下
分染色体运行
http://hpc.ncpgr.cn/app/098-parabricks/#fen-ran-se-ti-yun-xing
这里还有个高校的经验介绍部分基因组较大或深度较深的数据运行 pbrun haplotypecaller 时可能会出现显存不够的报错 Out of memory此时可以分染色体来跑最后再合并。
租卡测试
看起来价格很诱人的样子有空了再实测速度和感受怎样欢迎交流相关经验。
