GPU動作確認をTensorFlowで行う方法!サンプルチュートリアルも

こんにちは!ピジョンです!

今日はGPUの動作確認をTensorFlowを通して行ってみたいと思います。

GPUの主な使用例としてディープラーニングがあると思います。

そのディープラーニングの構築に使用するポピュラーなAIライブラリとしてTensorFlowがあると思うので、今回はTensorFlowを動かしてみたいと思います。

それではさっそくみていきましょう!

スポンサーリンク

Tensolflowの動作環境

messenger

さっそくGPUの動作確認の方法をお話していきたいと思いますが、その前にまず事前準備が必要です。

それはpythonとtensorflowの実行環境を構築することです。

多くのデベロッパーの方はMacbookを使用しているかと思いますが、その場合の環境構築は簡単です。

pythonはあらかじめインストールされていますのでTensorFlowをインストールするだけで済むからです。

TensorFlowのインストール方法については下記の公式HPを参照されるのがオススメです。アップデートが一番はやいと思うので。

英語に抵抗がある方はテキトーにぐぐってみたらいろんな方法が見つかると思います。

Installing TensorFlow

スポンサーリンク

GPUの動作確認

では本題です。GPU動作確認を2ステップに分けて説明していきます。

これらはTensorFlowの公式チュートリアルを抜粋して行っているものです。

1. まずTensorFlowのインポートをおこないます。

import tensorflow as tf

2. GPUを使ってグラフの算出を行います。

# Creates a graph.
with tf.device('/gpu:2'):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
  c = tf.matmul(a, b)
# Creates a session with allow_soft_placement and log_device_placement set
# to True.
sess = tf.Session(config=tf.ConfigProto(
      allow_soft_placement=True, log_device_placement=True))
# Runs the op.
print(sess.run(c))

このコードが動作すればGPUを使用することができていることになります。

参考のために、CPUを使ったグラフの算出方法も記述しておきます。以下のコードが実行できなかった場合はGPUの動作環境だけが問題ではないことになります。

# Creates a graph.
with tf.device('/cpu:0'):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))

この手順の元になっているTensorFlowの公式チュートリアルは下記リンク先にあります。詳細が知りたい方はぜひ読んでみて下さい。英語版しかありませんが・・・

TensorFlow Tutorials Using GPUs

スポンサーリンク

そもそもTensolflowとは

とりあえず手順に沿って今回の手順を行ったという方もいらっしゃったかもしれません。そんな方はそもそもTesnorflowとは?という疑問を持ったかもしれません。

TensorFlowはpythonで動くAIライブラリの1つです。Googleが開発したオープンソースライブラリになります。

TensorFlowを使用することで簡単に機械学習を実行することができます。ディープラーニングを比較的に実行することができます。

実際に機械学習で難しいのはデータ加工なんですけどね。

TensorFlowの僕のオススメの実行環境はGoogle Cloud Datalabです。コードのフローやデータの可視化が容易であることから作業効率が上がるので。

そのセットアップの仕方は次の記事にまとめていますので必要に応じて参照されてみてください。

Cloud Datalabの使い方を解説!TensorflowのGPU環境を簡単構築
こんにちは!ピジョンです! 今日はPythonコードの実行に非常に便利なGoogle Cloud Datalabの使用方法を紹...

  

いかがでしたでしょうか。

最近では誰でもGPUを使っていろんな計算を試してみることが可能です。クラウド上のリソースを使えばなおさら簡単ですよね。

思いつきでGPUを使って畳み込みニューラルネットワーク等のディープラーニングを実行できるわけです。初期コストなしで。

すごい時代ですよね、ほんと。

これからもコンピュータリソースの発展のおかげで最新テクノロジーを誰でも扱えるようになっていくと思います。(ていうか既になっているといえます。)

これまでよりもっとアイディア勝負の時代がやってきていると思います。今後の最新テクノロジーの動きが楽しみですねー。

スポンサーリンク

シェアする

  • このエントリーをはてなブックマークに追加

フォローする

コメント

  1. […] We checked this .whl file by using this python code.(We get this code from here. Thank you!!) […]

  2. […] We checked this .whl file by using this python code.(We get this code from here. Thank you!!) [code language=”python”] import tensorflow as tf # Creates a graph. with tf.device(‘/gpu:2′): a = tf.constant([1.0, 2.0, 3.0, 4.0, 5 […]