ROCm は、AMD GPU を活用した AI/ML 開発のためのプラットフォームです。長らく ROCm は Linux のみをサポートしており、Windows には非対応でした。2023 年 7 月に Windows 向けの HIP SDK がリリースされましたが、ROCm のサブセットであり、PyTorch には対応していませんでした。
現在、ROCm の開発版は TheRock (The HIP Environment and ROCm Kit) として公開されており、同一のソースツリーで Linux と Windows の両方をサポートしています。
本記事では、Windows での TheRock のビルド手順やトラブルの対処法をまとめます。
ROCm と TheRock
AMD 公式発表では、2025 年 Q3 に ROCm のプレビュー版が予定されています。これには Windows 版の PyTorch も含まれ、Ryzen AI Max (Strix Halo) や Radeon RX 9000 シリーズにも対応する見込みです。現状は新アーキテクチャでの ROCm のサポートが追い付いていませんが、今後発表される新アーキテクチャでは発売と同時にサポートすることを目標としているようです。
TheRock は所定の目標が達成された段階で切り出され、ROCm としてリリースされると思われます。詳細は不明ですが、2025 年末に ROCm 7.0 としてリリースされるという噂があります。
TheRock はオープンな体制で開発されているため、自分でビルドすれば ROCm を先行体験することができます。これは戦略的なシフトであるとの分析があります。
TheRock には開発版ならではの制約があります。
- 安定性が保証されない
- 性能が十分に最適化されていない
バグレポートなどフィードバックは歓迎されます。
ビルド済 PyTorch
有志が TheRock でビルドした PyTorch のパッケージ (wheel) を配布しています。オプションが調整されており、デフォルトでビルドするよりも高速で動作します。
別途このパッケージの利用法をまとめた記事を書く予定です。
TheRock 公式でも Windows 版の nightly ビルドの提供が予定されています。（現状は Linux 版のみ）
ビルド手順
以下の資料をベースに説明します。
不明点があった時の参考として、公式の手順書もリンクしておきます。
まず TheRock 本体をビルドしてから PyTorch をビルドします。
2025 年 5 月 28 日時点のリポジトリで動作確認した手順を説明します。活発に開発が進んでいるため、手順などは流動的で変更される可能性があります。
開発環境
Visual Studio 2022
Community Edition が無償利用できます。「C++ によるデスクトップ開発」を有効にしてインストールしてください。
既にインストールされている場合でも、17.12 より前のバージョンでは OpenMP 周りの不具合が確認されているためアップデートが必要です。👉Issue #711
開発者ドライブ
作業ディレクトリが深すぎると不具合が発生することがあります。作業専用の開発者ドライブ（VHD 仮想ドライブ）を作成することを推奨します。
VHD は最低でも 70GB 程度のサイズが必要です。可能なら 200GB 程度は確保することを推奨します。
VHD を可変サイズで作成する場合でも、VHD ファイルを設置するドライブの空き容量以上のサイズを指定することは避けてください。使用するうちに VHD ファイルのサイズが膨らんで、設置ドライブの空き容量がなくなった時点で強制的にマウント解除されます。👉参考
除外設定
ウィルス対策ソフト（デフォルトは Windows セキュリティ）から、開発者ドライブを例外指定することを推奨します。大量のファイルを扱うため、所要時間が半分程度になります。
Windows 検索から開発者ドライブを除外することを推奨します。
- 設定 → プライバシーとセキュリティー → Windows 検索
シンボリックリンク
シンボリックリンクをサポートするため、開発者モードを有効にしてください。
- 設定 → システム → 開発者向け
長いパス
レジストリを操作して、長いパスを有効にしてください。PowerShell を管理者として開いて、以下のコマンドを実行します。
New-ItemProperty -Path "HKLM:\SYSTEM\CurrentControlSet\Control\FileSystem" -Name "LongPathsEnabled" -Value 1 -PropertyType DWORD -Force
設定後、Windows を再起動してください。
その他の開発ツール
winget からインストールしてください。
winget install -e --id Git.Git
winget install -e --id GitHub.GitLFS
winget install -e --id StrawberryPerl.StrawberryPerl
winget install -e --id=astral-sh.uv
Python は uv 経由でインストールするため、別途インストールは不要です。
PATH の変更を反映するため、すべてをインストールした後に Windows を再起動してください。
Git の設定
Git でシンボリックリンクと長いパスのサポートを有効にします。
git config --global core.symlinks true
git config --global core.longpaths true
TheRock
スタートメニューから開発者プロンプトを開きます。
- Visual Studio 2022 → x64 Native Tools Command Prompt for VS 2022
ビルドに HIP SDK は不要です。既に HIP SDK がインストールされていても無視するように設定されていますが、念のため開発者プロンプト内では環境変数 HIP_PATH を無効化しておくことを推奨します。（右辺は空欄）
set HIP_PATH=
準備
開発者ドライブの直下に必要なリポジトリをクローンします。ドライブレターの割り当ては自由ですが、ここでは仮に D: とします。
D:
git clone https://github.com/nod-ai/amdgpu-windows-interop.git
git clone https://github.com/ROCm/TheRock.git
あまりパスが深くなると不具合が発生することがあるようなので、開発者ドライブ直下を推奨します。
TheRock のディレクトリに入り、追加のソースを取得します。
cd TheRock
python ./build_tools/fetch_sources.py
指定したバージョンの Python で仮想環境 (venv) を構築して、必要なパッケージをインストールします。
uv venv --python 3.12 .venv
.venv\Scripts\activate
pip install -r requirements.txt
TheRock のビルド用の venv です。PyTorch のビルド用は別に作ります。（後述）
ビルド
コンフィグを指定します。
cmake -B build -GNinja -DTHEROCK_AMDGPU_FAMILIES=gfx**** -DTHEROCK_AMDGPU_WINDOWS_INTEROP_DIR=D:\amdgpu-windows-interop .
gfx**** は使用している GPU に応じて変更してください。以下に表があります。
- Accelerator and GPU hardware specifications — ROCm Documentation
- System requirements (Windows) — HIP SDK installation (Windows)
gfx110X-dgpu のようにまとめて指定する方法もありますが、ビルド時間が増大します。👉参考
README には ccache の使用方法も書かれていますが、バージョンによっては duplicate symbol の不具合が発生することもあるため、最初のうちは使用を避けた方が無難です。👉Issue #748
ビルドを開始します。
cmake --build build
cmake のオプション -B build や --build build の build はディレクトリを指します。不具合が発生してやり直したいときは build ディレクトリを削除して、コンフィグからやり直してください。また、ディレクトリ名を変更することで、複数のコンフィグを使い分けることが可能ですが、PyTorch のビルドで若干の修正が必要になるため、最初のうちは変更しない方が無難です。
所要時間は AMD Ryzen 5 5600X 6-Core Processor で 2 時間半程度です。時間を計測するには PowerShell 経由で cmake を呼び出す方法があります。
powershell -Command "Measure-Command { cmake --build build | Out-Default }"
Git Bash から time コマンドで計測すると不具合が発生します。👉Issue #670
リリースフォルダ
ビルドが完了すれば、build/dist/rocm にリリースフォルダが構築されます。これが従来 HIP SDK として配布されていたものに相当します。
llama.cpp をビルドしてみました。API 変更に伴う修正と、llvm-rc が足りないため HIP SDK から借りてくる必要がありました。
hipconfig でバージョンを確認する例を示します。TheRock が内部的に ROCm 6.5 というバージョン番号で開発されていることが分かります。
>hipconfig --version
6.5.25214-d6bb0478b
このコマンドを実行する際、HIP SDK が既にインストールされている場合、環境変数 HIP_PATH を無効化しておかないと干渉します。
PyTorch
TheRock のビルドが完了したら、次は PyTorch のビルドに入ります。
ビルド環境は分けた方が良いので、開発者プロンプトは別に開いてください。
- Visual Studio 2022 → x64 Native Tools Command Prompt for VS 2022
既定でリリースフォルダ (build/dist/rocm) を参照するようになっているため、再配置する必要はありません。ただし既に HIP SDK がインストールされている場合、開発者プロンプト内では環境変数 HIP_PATH を無効化してください。
set HIP_PATH=
右辺は空欄のままで、リリースフォルダを指定する必要はありません。
libuv
diffusers で Stable Diffusion などの画像生成を行うには、PyTorch の分散機能を有効にする必要があります。Windows では libuv が必要になります。
Python のパッケージ管理ツール uv とは無関係です。
開発者ドライブに移動して、libuv をビルドします。（ここでは D: と仮定）
D:
git clone https://github.com/libuv/libuv.git
cd libuv
cmake -B build -DBUILD_TESTING=OFF
cmake --build build --config Release
cmake --install build --prefix dist
インストール先の D:\libuv\dist を PyTorch のビルド時に環境変数で渡します。
link.exe
ビルドには Git と共にインストールされた Bash（通称 Git Bash）を使用します（WSL 不可）。link コマンドが MSVC のリンカーと競合するため対策が必要です。👉Issue #651
あまりスマートではありませんが、手っ取り早い方法として、エクスプローラーで C:\Program Files\Git\usr\bin を開いて、link.exe を link_.exe にリネームしてください。
いずれビルドスクリプトが Python で書き直されるようなので、それまでの一時的な回避策です。このコマンドはほとんど使われることはないため、影響は受けないはずです。
準備
TheRock 内の PyTorch のディレクトリに移動します。
D:
cd \TheRock\external-builds\pytorch
ビルド手順はこのディレクトリにある README.md をベースに説明します。
専用のスクリプトで PyTorch のリポジトリを取得します。
python pytorch_torch_repo.py checkout
指定したバージョンの Python で仮想環境 (venv) を構築して、必要なパッケージをインストールします。
uv venv --python 3.12 .venv
.venv\Scripts\activate
pip install -r pytorch/requirements.txt
pip install mkl-static mkl-include
ソースの修正
分散機能を有効にすると no previous prototype for function 'flock_' というエラーが発生するため、一箇所修正します。（static の追加）
--- a/torch/csrc/distributed/c10d/FileStore.cpp
+++ b/torch/csrc/distributed/c10d/FileStore.cpp
@@ -33,7 +33,7 @@
#define LOCK_SH 0x00000010
#define LOCK_UN 0x00000100
-int flock_(int fd, int op) {
+static int flock_(int fd, int op) {
HANDLE hdl = (HANDLE)_get_osfhandle(fd);
DWORD low = 1, high = 0;
OVERLAPPED offset = {0, 0, 0, 0, NULL};
ビルド
libuv の場所と分散機能を指定してビルドします。gfx**** は使用している GPU に応じて変更してください。
set libuv_ROOT=D:\libuv\dist
set USE_DISTRIBUTED=1
set USE_GLOO=0
"C:\Program Files\git\bin\bash.exe" build_pytorch_windows.sh gfx****
分散機能を有効にすると Gloo は自動的に有効になりますが、ROCm 未対応でエラーになるため無効にします。
ビルドログはファイルに格納され、画面には表示されません。ログのファイル名は表示されます。
Setting PYTORCH_ROCM_ARCH to gfx****
ROCM_HOME: /d/TheRock/build/dist/rocm
ROCM_HOME_WIN: D:\TheRock\build\dist\rocm
Running "python setup.py bdist_wheel", directing output to /c/Users/****/.therock/logs_pytorch_windows_YYYY-MM-DD_hhmmss.txt
所要時間は AMD Ryzen 5 5600X 6-Core Processor で 1 時間半程度です。
正常終了すればビルドしたパッケージ (wheel) の情報や使用方法が表示されます。
Build completed! Wheels should be at '/d/TheRock/external-builds/pytorch/pytorch/dist':
total ******
-rw-r--r-- 1 **** **** ********* Jun 1 hh:mm torch-2.7.0a0+git*******-cp312-cp312-win_amd64.whl
To use these wheels, either
* Extend your PATH with 'D:\TheRock\build\dist\rocm/bin':
set PATH=D:\TheRock\build\dist\rocm\bin;%PATH%
* Create a fat wheel using 'windows_patch_fat_wheel.py'
これが表示されなければエラーが発生しているため、ログファイルを確認してください。
動作確認
PyTorch の動作確認を行います。普通のコマンドプロンプトを起動して、開発者ドライブにテスト用のディレクトリを作成します。
D:
mkdir test
cd test
TheRock とは別に HIP SDK がインストールされている場合、コマンドプロンプト内では環境変数 HIP_PATH を無効化してください。（右辺は空欄）
set HIP_PATH=
PyTorch ビルド終了時の指示通り PATH を設定します。
set PATH=D:\TheRock\build\dist\rocm\bin;%PATH%
uv 環境を初期化して、ビルドした PyTorch と NumPy 1 系をインストールします。
uv python pin 3.12
uv init
uv add "D:\TheRock\external-builds\pytorch\pytorch\dist\torch-2.7.0a0+git*******-cp312-cp312-win_amd64.whl"
uv add "numpy<2"
Python の REPL を起動して動作確認を行います。
>uv run python
Python 3.12.7 (main, Oct 16 2024, 00:21:24) [MSC v.1929 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> torch.cuda.is_available()
True
>>> torch.cuda.get_device_name(0)
'AMD Radeon ****'
Radeon GPU が認識されれば成功です。
画像生成
diffusers から簡単な画像生成を行います。Anything V3.1 のモデルカードに記載されているサンプルを実行してみます。
初回の生成はかなり遅いですが、2 回目からは改善されます。有志が配布しているパッケージはこの点がかなり改善されています。具体的な比較は別の記事で行う予定です。
diffusers の使い方については以下の記事を参照してください。
この記事は CPU で動かす前提のため、GPU で動かすには pipe = pipe.to("cuda") を追加する必要があります。
その他のエラー
踏む可能性があるエラーはその都度補足しましたが、それ以外にも経験したエラーを書いておきます。
BLAS のビルドで boost が必要になりますが、非 ASCII 文字のファイルがテストとして含まれており、英語以外の環境で問題が発生しました。既に問題のファイルを抜いたアーカイブに差し替えられたため解決済みです。
テストファイルのビルドで問題が起きるようだったので、それをパスするためにテストを無効にしたところ、今までチェックされていなかった構成らしく問題が発生しました。テストファイルは ccache の問題だったことが判明したため、ccache を無効にすればテストを無効にする必要はなくなりました。
トラブルの対処法
エラーを AI に貼り付けて聞くのは基本として、Issue から効果的に探す方法について書きます。
GitHub のサイトから Copilot チャットが呼び出せるので、発生したエラーが Issue にあるかどうか聞くのが手っ取り早いです。👉参考
ただし全文を見ているわけではないようで、コメントで少し言及されているようなケースでは漏れが発生します。そのような場合は GitHub CLI で全部の Issues を取得して、Google AI Studio で Gemini に読ませるのが確実です。
この記事では NotebookLM を使用していますが、Gemini にコンテキストとして与えるよりは精度が落ちます。1M トークンは Markdown 換算で 2MB 程度なので、それ未満であれば Gemini、それ以上であれば NotebookLM と使い分けるのが良いでしょう。なお、TheRock の規模でも 200K トークンは超えます。Claude に分割して読ませたとしても Pro の枠ではすぐ上限に達してしまうので、Gemini が無難です。
Issue にないことを確認してから報告したら、ドキュメントに書かれていたということもありました。👉Issue #748
Claude には GitHub のリポジトリからファイルを指定して読み取る機能があるので、ドキュメントを全文読ませて確認すれば良いでしょう。
感想
当初、手順通りにやっても問題が発生したため、Issue や Discussion などに書かれている断片的な情報を基に試行錯誤しました。ビルドに時間が掛かるため、何度も手戻りがあるとなかなか進まずに心が折れそうになりました。👉参考
地道に 1 つずつエラーを潰して、（間に都合で数日空きましたが）1 週間くらい掛かってようやくビルドできるようになりました。一度ビルドを通してしまえば、要領が分かるのでかなり気持ちが楽になります。私はそこまでが長かったですが、この記事が少しでも役に立って一発で通せるようになることを願っています。
参考
Linux でのビルドについての記事です。
関連記事
2 年前の AMD GPU の状況です。今考えれば、この記事を書いた直後に最初の HIP SDK が出たのでした。
ZLUDA という CUDA の翻訳レイヤを利用することで、Radeon で CUDA 版 PyTorch を利用することが行われています。
Ollama は HIP に対応しているため、ROCm/PyTorch の対応を待たずに利用できます。