# Отчёт: запуск KNP в WSL

Oct 7, 2026 · @Александр Ступак

Kaspersky Neuromorphic Platform собрана из исходников и работает на CPU: полный MNIST (60 000 картинок) обучается за 11,5 минут, но на GPU запустить сеть не удалось.

## Что это

KNP (Kaspersky Neuromorphic Platform) — платформа для создания, обучения и запуска импульсных (спайковых) нейросетей. Работает на C++ и Python, лицензия Apache 2.0, рассчитана на CPU, GPU (CUDA) и нейроморфный чип «Алтай».

В `C:\KNP` лежали:

- `knp-2.0.0-py3-none-any.whl` — готовый Python-пакет, но под Python 3.11 и Boost 1.81, а в системе Python 3.14 и Boost 1.90;
- `examples/` — клон репозитория GitHub с исходниками и C++-примерами;
- `1/` — заготовка проекта на `uv` с `import knp`.

В wheel нет библиотеки `libknp-base-framework-core.so`, поэтому `import knp` из него не работает. Прав администратора (`sudo`) нет, так что всё собрано из исходников в домашней папке WSL.

## Что сделано

1. Собрал минимальный OpenCV 4.10 (core, imgproc, highgui, imgcodecs) в `~/deps`: CMake требовал OpenCV, а в системе его не было.
2. Поставил `mypy`, `build`, `pytest` в `~/toolvenv`: нужен `stubgen`, иначе Python-фреймворк не собирается.
3. Собрал KNP из исходников (`make -j20`): CPU-бэкенды, Python-фреймворк, примеры, wheel под Python 3.14.
4. Установил wheel в `C:\KNP\1\.venv`. Проверил `import knp`, `knp.core`, `knp.base_framework`.

Три проблемы при сборке и как я их решил:

- CMake выбирал Boost.Python для Python 2.7 — указал `-DBoost_PYTHON_VERSION=3.14`.
- GCC 15 превращал предупреждение `maybe-uninitialized` в ошибку — отключил его флагами.
- Сборка wheel падала без модуля `build` — доустановил.

## Результаты на CPU

Однопоточный бэкенд быстрее многопоточного: полный MNIST на нём занял 11,5 минут, а многопоточный за 30 минут прошёл лишь часть пути.

| Запуск | Бэкенд | Время | Результат |
| --- | --- | --- | --- |
| `simple-network` (20 шагов) | CPU, 1 поток | мгновенно | спайки на шагах 1 6 7 11 12 13 16 17 18 19 |
| MNIST, 1000 обучение / 300 проверка | CPU, 1 поток | 5 с | работает |
| MNIST, 3000 / 1000 | CPU, 1 поток | 15 с | precision по классам 93–97% |
| MNIST, 60 000 / 10 000 | CPU, 1 поток | 690 с (11,5 мин) | 3086 из 10 000 верно (30,9%) |
| MNIST, 60 000 / 10 000 | CPU, многопоточный | прерван на 30 мин | дошёл до шага ≈155 тыс. из ≈ 1,05 млн |

Полный MNIST на однопоточном бэкенде: сеть почти всегда права, когда отвечает (precision по классам 92–100%), но на большую часть картинок ответа нет (recall 20–51%). Столбец `ACCURACY` в таблице примера (92–95%) считается по каждому классу отдельно и вводит в заблуждение; честный итог — около 31%. Почему так, не выяснял.

### MNIST 60 000 / 10 000: результаты по цифрам

Модель `blifat`, однопоточный бэкенд, 900 000 шагов обучения и 150 000 шагов проверки. Столбец «верно» — TRUE\_POSITIVES из лога прогона.

| Цифра | Картинок | Верно | Ложные срабатывания | Precision | Recall |
| --- | --- | --- | --- | --- | --- |
| 0 | 980 | 310 | 0 | 1,000 | 0,316 |
| 1 | 1135 | 576 | 5 | 0,991 | 0,510 |
| 2 | 1032 | 204 | 8 | 0,962 | 0,199 |
| 3 | 1010 | 233 | 4 | 0,983 | 0,232 |
| 4 | 982 | 234 | 20 | 0,921 | 0,243 |
| 5 | 892 | 258 | 8 | 0,970 | 0,292 |
| 6 | 958 | 228 | 5 | 0,979 | 0,239 |
| 7 | 1028 | 360 | 18 | 0,952 | 0,356 |
| 8 | 974 | 192 | 6 | 0,970 | 0,198 |
| 9 | 1009 | 491 | 3 | 0,994 | 0,488 |
| **Итого** | **10 000** | **3086 (30,9%)** | **77** |  |  |

- Самые хорошие цифры: 1 (recall 0,51) и 9 (0,49). Самые слабые: 8 (0,20) и 2 (0,20).
- Ложных срабатываний по таблице всего 77 на 10 000 картинок (0,8%). То есть сеть в основном молчит, а не ошибается: остальные 6914 картинок не получили верного ответа. Это моё чтение таблицы: точный смысл столбцов примера я не верифицировал по исходникам.

### Сравнение малого и полного прогонов

| Прогон | Обучение | Проверка | Время | Верно | Ложные срабатывания |
| --- | --- | --- | --- | --- | --- |
| Малый | 3000 | 1000 | 15 с | 471 (47,1%) | 36 |
| Полный | 60 000 | 10 000 | 690 с | 3086 (30,9%) | 77 |

Неожиданный результат: после обучения на 3000 картинках доля верных ответов выше, чем после 60 000. Наборы для проверки разного размера (1000 и 10 000), поэтому сравнение приблизительное. Причину я не выяснял; возможно, при длинном обучении веса «забывают» ранние образы, это только гипотеза.

### Однопоточный и многопоточный бэкенд

|  | Однопоточный | Многопоточный |
| --- | --- | --- |
| Загрузка CPU | ≈ 97% (1 ядро) | ≈ 196% (2 ядра из 24) |
| Время полного прогона | 690 с | не завершён, остановлен на 30 мин |
| Пройдено шагов из 1 050 000 | все | ≈ 156 000 (≈ 15%) |

По темпу многопоточный был примерно в 7 раз медленнее (оценка по доле пройденных шагов за 30 минут до остановки и время однопоточного). Почему, не выяснял; вероятно, накладные расходы на синхронизацию потоков на сети такого размера.

## GPU

На видеокарте (RTX 4070 Ti SUPER, 16 ГБ, драйвер CUDA 13.3) нейросеть не запустилась: GPU-бэкенд собран и загружается, но вычисления падают.

**Что получилось**

- GPU виден из WSL, простое тестовое ядро CUDA работает.
- Тулкит CUDA 12.9 поставлен в `~/cuda-12.9` вручную: штатный установщик требует `libxml2.so.2`, которой нет, поэтому я распаковал компоненты из `.run`-файла.
- `nvcc` 12.9 не работает с GCC 15, поэтому поставил GCC 14 через micromamba.
- GPU-бэкенд `libknp-gpu-cuda-backend.so` собран (пришлось подавить предупреждения Boost и поправить команду линковки).

**Что не получилось**

- MNIST на GPU падает с ошибкой `Type is not supported`: бэкенд поддерживает только нейроны `BLIFAT` и синапсы `Delta`, без обучения STDP.
- `simple-network` на GPU падает с `invalid device function`. В бинарнике есть кубин под sm\_89 и нужные ядра, тестовое ядро на этой карте работает, причину не нашёл. Моё предположение (не проверено): регистрация шаблонных ядер ломается при раздельной компиляции.
- Режим «обучить на CPU, запустить на GPU» недоступен: в MNIST-примере `save_network` объявлена, но нигде не вызывается, и `--inference_only` падает даже на CPU.

Изменение в вашем проекте: в `knp/backends/gpu/cuda-backend/CMakeLists.txt` архитектура `60` заменена на `"89"`; его можно откатить.

### Детали проверок GPU

| Проверка | Результат |
| --- | --- |
| `nvidia-smi` из WSL | RTX 4070 Ti SUPER, 16 ГБ, KMD 610.88, CUDA UMD 13.3 |
| Тестовое ядро, компиляция под sm\_89 | работает, результат верный (42) |
| Тестовое ядро, компиляция под sm\_60 | без ошибки, но ядро не выполнилось (результат 0) |
| Кубины в бэкенде после сборки под `"89"` | один, sm\_89; нужные ядра (в том числе `destruct_kernel`) в нём есть |
| `simple-network` на GPU-бэкенде | бэкенд загружен, на первом шаге `invalid device function` |
| `compute-sanitizer` | ошибка на вызове `cudaLaunchKernel` из `CUDAVector<...>` в `CUDAMessageBus::unload_messages`; всего 58 ошибок |
| MNIST на GPU (blifat и altai) | `Type is not supported` |

Поддерживаемые GPU-бэкендом типы (из исходников): нейроны `BLIFATNeuron`, синапсы `DeltaSynapse`.

## Как запускать

Всё запускается внутри WSL. Без переменной `LD_LIBRARY_PATH` программы не найдут библиотеки KNP, OpenCV и CUDA.

```bash
export LD_LIBRARY_PATH=$HOME/knp-build/bin:$HOME/deps/lib:$HOME/cuda-12.9/lib64:/usr/lib/wsl/lib

# C++ пример
$HOME/knp-build/bin/simple-network

# Python
cd /mnt/c/KNP/1 && .venv/bin/python main.py

# MNIST на CPU (программа ждёт ENTER, поэтому echo)
cd ~/run && echo | $HOME/knp-build/bin/mnist_learn_example -m blifat \
  --images MNIST.bin --labels MNIST.target \
  --training_backend $HOME/knp-build/bin/libknp-cpu-single-threaded-backend.so
```

Расположение файлов в домашней папке WSL:

| Папка | Что внутри |
| --- | --- |
| `~/knp-build` | сборка, бинарники в `bin/`, wheel в `knp_python_framework/dist/` |
| `~/deps` | OpenCV |
| `~/cuda-12.9` | тулкит CUDA |
| `~/mamba` | GCC 14 |
| `~/run` | MNIST и логи прогонов |
| `~/cuda-dl` | скачанный `.run`-файл (\~5,8 ГБ), можно удалить |

В `C:\KNP` добавлен только файл `knp-2.0.0-py3.14-linux-built.whl` (новый wheel под Python 3.14). `1/pyproject.toml` всё ещё указывает на старый wheel; чтобы `uv sync` не вернул старый пакет, замените путь.

## Не проверено и следующие шаги

Не проверялось:

- тесты проекта (`pytest`, C++-тесты);
- модель `-m altai`;
- `mnist-client`;
- из Python проверен только `import`, сети на Python не писались.

Следующие шаги:

- [ ] Разобраться с `invalid device function` на маленьком тесте с одним ядром, чтобы заработал GPU
- [ ] Прогнать модель `altai` и сравнить с `blifat`
- [ ] Выяснить, почему сеть отвечает только на 31% картинок, и попробовать улучшить
- [ ] Написать на Python сеть на `BLIFAT` и `Delta` и запускать её на CPU и GPU