Update Workstations-Getting-Started.md

Workstations-Getting-Started.md

@@ -104,9 +104,53 @@ aufgerufen werden
 
 ## Ein Beispiel einer Berechnung
 
+Im folgenden Beispiel verwenden wir das MNIST Datenset um ein einfaches Tensorflow Modell zu trainieren.
 
 ### Login auf dem Rechner
-```ssh <username>@mercury.fhgr.ch```
+`ssh <username>@mercury.fhgr.ch`
+
+### Einrichten einer Execution Environment für Tensorflow mit Apptainer
+```
+mkdir -p ~/build-apptainer/sandboxes/ && cd ~/build-apptainer
+apptainer pull tensorflow-2.16.1-gpu.sif docker://tensorflow/tensorflow:2.16.1-gpu
+apptainer build --sandbox sandboxes/tensorflow ./tensorflow-2.16.1-gpu.sif
+apptainer exec --fakeroot --writable sandboxes/tensorflow/ apt-get update 
+apptainer exec --writable --fakeroot sandboxes/tensorflow/ apt install -y nvidia-profiler
+```
+
+### Starten eines Slurmjobs
+Um auf die GPUs zuzugreifen, brauchen wir eine Slurm Session. Da unser Programm nur für eine GPU ausgelegt ist, fordern wir auch nur eine GPU mit Slurm an:
+
+`salloc -p student -G a100:1`
+
+Sobald unser Slurm Job an der Reihe ist um ausgeführt zu werden, können wir zum Testen ob wir Zugriff auf die GPU haben, den folgenden Befehl aufrufen:
+
+```
+apptainer shell --nv "/scratch/${USER}/tensorflow-2.16.1-gpu-modified.sif"
+```
+
+Wir haben nun in den Tensorflow Container gewechselt und können nun ein kurzes Skirpt aufrufen um den Zugriff auf die GPU zu testen:
+
+```
+python3 <<- EOF
+import tensorflow as tf
+print(tf.config.list_physical_devices('GPU')[0])
+EOF
+```
+In der letzten Ausgabezeile unseres Skripts steht nun:
+
+`PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')`
+
+Falls ein Index Error erscheint (IndexError: list index out of range), hat der Zugriff auf die GPU nicht geklappt.
+
+
+
+
+
+
+
+
+
 
 Mehr zum Login findet man im ![Lab Login Tutorial](https://gitea.fhgr.ch/CDS/infrastruktur-dok/src/branch/main/Lab-Login-Tutorial.md)