機械学習 ＆ ディープラーニング 環境構築 入門

目次

第1章　UbuntuでのGPUディープラーニング環境の構築【Ubuntu 16.04 LTS対応】

ディープラーニングのOS環境の選択指針

PCとOS環境の準備

・Ubuntuとデスクトップ環境
　- Ubuntu 最新LTSバージョン
　- デスクトップ環境
　- Ubuntuの日本語化
・リモート接続用サーバー
　- SSHサーバー
　- リモートデスクトップ接続サーバー
　- リモートデスクトップ接続クライアント

NVIDIA GPU環境の準備

・NVIDIAドライバーとCUDA Toolkitのバージョン要件の確認
・NVIDIAドライバー（＝CUDAドライバー）
・NVIDIA GPUの状態確認
・nvidia-docker（OS環境切り替え）［オプション］
　- nvidia-dockerを使う場合のシステム構成
　- Docker
　- nvidia-docker
　- Dockerコンテナー上でのGPU状態の確認
　- GPU付きDockerコンテナーの実行
・CUDA Toolkit（開発環境）
・cuDNN（ディープラーニング用ライブラリ）
・CUDA Profiling Tools Interface（libcupti-devライブラリ）のインストール

ディープラーニング開発環境の準備

・Python仮想環境の使い分け指針
・Anaconda
・PyCharm
・Visual Studio Code

はじめに ― 本連載の読み方

　機械学習およびディープラーニングでGPUを用いた作業環境を構築する方法を説明する連載記事です。

　本格的な作業環境としては、自前のPC、もしくはクラウド環境を選択することになります。記事内容を試すときのような一時的な作業や、短時間で終わる作業、費用は気にせずに大量のGPUを使って高速に処理をさせたい場合には、クラウド環境の方が便利です。逆に、日常的に常用する作業や、追加の費用をかけずに処理を実施したい場合は、自前のPCの方がより良いでしょう。なお、これ以外の選択肢としては、あまりお勧めはしませんが、GPUは使わず、日常使いのWindow PCやMacなどで手軽にディープラーニングを実行することも可能です。

　第1章では、自前のPCを活用して、NVIDIA GPUを用いたディープラーニング環境を構築する方法を説明しています。具体的な手順は、参考説明となっており、本家の正式なインストール手順と突き合わせながら作業することができるので、安全かつ簡単に各種インストール作業を済ませることができます。また、本格的なディープラーニング作業環境を構築するための、OS環境の選択指針やPython仮想環境の選択指針が示されており、各自がどれを選択すべきかを考えるためのヒントが示されています。さらにディープラーニングでは、NVIDIA GPUを使うことが一般的で、各ライブラリがCUDAドライバーやcuDNNライブラリに対応（もしくは依存）していますが、そういったハードウェアに関する知識も知ることができます。特に「幅広いライブラリに対応可能な、NVIDIA GPUを用いたディープラーニング環境が構築したい」という方には、ぜひ一読をお勧めします。

　第2章（※今後、記事を提供予定）では、クラウドを活用して、GPUを用いたディープラーニング環境を構築する方法が説明されています。「Azure／AWS／GCPといった3大クラウドを用いて効率的に機械学習／ディープラーニング環境を構築したい」という方は、こちらをご参照ください。