MacBookのグラフィックカードがAIモデルを実行できないのはもったいない：このディープラーニングツールはすべてのブランドのGPUをサポートしています

PlaidML と呼ばれるこのツールを使用すると、NVIDIA、AMD、または Intel のグラフィックカードに関係なく、ディープラーニングのトレーニングを簡単に実行できます。

[[315945]]

周知のとおり、ディープラーニングは2010年代のNVIDIAのGPUコンピューティング能力の向上により急速に発展しました。しかし、現在市場には多くのブランドのグラフィックカードがあり、それらも優れたパフォーマンスを備えています。後者はAIモデルのコンピューティング能力の基礎となることができるでしょうか？

[[315946]]

答えが「はい」であれば、私たちのラップトップ、特に多額のお金をかけて購入した MacBook Pro を使ってディープラーニングモデルを実行できます。

MacBookProはテクノロジー界隈で広く普及しており、品質も良いのですが、ディープラーニングには使えないのが残念です。 MacBookを購入する際、一部の人はディスクリートグラフィックカードに多額のお金をかけますが、ディープラーニングに関しては、お金が無駄になることに気づきます。なぜなら、長い間、ほとんどの機械学習モデルは、汎用GPUライブラリCUDAを通じてのみNVIDIAのGPUを使用できたからです。

しかし、本当に選択の余地はないのでしょうか? Medium のブロガーは、そうではないと述べています。 PlaidML と呼ばれるディープラーニングフレームワークがこのジレンマを解決できます。

並列コンピューティングに GPU を使用する理由は何ですか?

たとえば、家を建てる場合、一人でやる場合は 400 時間かかりますが、建築業者を雇えば、おそらくその時間を半分に短縮できます。雇う労働者の数が増えるほど、家は早く建ちます。これはアムダールの法則が明らかにしたものです。これは、並列コンピューティング後にプロセッサの効率を向上させる能力を表す、コンピュータサイエンスにおける経験則です。

[[315948]]

では、なぜ GPU を使用するのでしょうか? GPU はもともとディープラーニング用に設計されたものではありませんが、並列コンピューティングの性質はグラフィックス処理に似ているようです。単一の GPU コアはパフォーマンスが劣りますが、高度な並列構造と多数のコアを備えているため、大規模なデータブロックのアルゴリズムを処理する場合、CPU よりも効率的です。グラフィックス処理とディープラーニングの本質的な類似性により、GPU はディープラーニングと並列コンピューティングの第一の選択肢となっています。

CUDA以外に選択肢はないのでしょうか？

しかし、GPU の並列機能を利用する場合、NVIDIA の CUDA は避けて通れません。この汎用並列コンピューティングライブラリは、ディープラーニングには不可欠です。現在、高性能クラウドコンピューティングや DL サーバーが NVIDIA GPU を使用する主な理由は CUDA です。

ラップトップの並列機能を最大限に活用したいが、N カードを購入する余裕がない場合は、この記事で紹介した PlaidML が非常に適しています。

プロジェクトアドレス: https://github.com/plaidml/plaidml

PlaidML は、2017 年に Vertex.AI によってオープンソース化されたディープラーニングツールキットです。 2018年にIntelはVertex.AIを買収した。 PlaidML 0.3.3 がリリースされた後、開発者は Keras を使用して、AMD および Intel GPU 上で並列ディープラーニングタスクを完了できるようになりました。先月、Vertex.AI は PlaidML のバージョン 0.7.0 をリリースしました。

PlaidML は、ラップトップ、組み込みデバイス、その他のデバイスでディープラーニングを可能にするポータブルテンソルコンパイラです。重要なのは、CUDA ではなく、オープンスタンダードの OpenCL に依存していることです。

OpenCL 汎用並列コンピューティングオープンスタンダードは、N カード専用に設計されていないため、AMD、Intel、NVIDIA のいずれであっても、ラップトップ GPU をサポートできます。

[[315949]]

多くの読者は、OpenCL エコシステムは CUDA ほど成熟しておらず、開発がそれほど安定して速くないのではないかと考えているかもしれません。ただし、複雑な基礎メカニズムは PlaidML に任せることができ、私たちはそれを使用するだけで済みます。

PlaidML に触れる必要すらありません。PlaidML は一般的なディープラーニングフレームワークに統合されており、ユーザーはどのハードウェアでも呼び出すことができます。現在、PlaidML は Keras、ONNX、nGraph などのツールをすでにサポートしています。Keras を直接使用してモデルを構築し、MacBook の GPU を簡単に使用できます。

さて、本題に入りましょう。ラップトップの GPU を使用してシンプルな CNN を実行する方法です。

ラップトップのGPUでニューラルネットワークを実行する

PlaidMLと関連コンポーネントをインストールして設定する

まず、ラップトップに Python 3 がインストールされていることを確認する必要があります。著者は、次のコードを仮想環境で実行することを推奨しています。

 #まだインストールしていない場合は、 python3 virtualenv をインストールします。
 pip3 仮想環境をインストールする
  
 # ケースの仮想環境を作成してアクティブ化します  
 python3 -m venv プレイドml-venv
ソース plaidml-venv/bin/activate 
  
 # KerasでPlaidMLをインストールする
pip インストール -U plaidml-keras

標準の TensorFlow フレームワークの Keras では PlaidML を使用できないため、PlaidML でカスタマイズされた Keras をインストールする必要があることに注意してください。

 # 適切なデバイスを使用するためにPlaidMLを設定します
plaidml セットアップ

PlaidML の設定手順 2。

これで、選択したデバイスのリストが表示されます。著者のコンピューター Macbook Pro 15'2018 を例にとると、デバイスリストは次のようになります。

CPU
インテルUHDグラフィックス630
AMD Radeon Pro 560x グラフィックカード

最後に、「y」または「nothing」と入力して戻り、設定を保存します。これですべてがインストールされ、GPU を使用してディープラーニングプロジェクトを実行できるようになりました。

ファッション mnist で CNN 分類器を作成する

まず、Jupyter Notebook を起動します。

ジュピターノートブック

次に、Keras バックエンドとして PlaidML を使用するために次のコードを実行します。それ以外の場合は、デフォルトで TensorFlow が使用されます。

 # PlaidMLをインポートしています。必ずこの順序に従ってください
plaidml.kerasをインポートする
plaidml.keras.install_backend()
インポートOS
 os.environ[ "KERAS_BACKEND" ] = "plaidml.keras.backend"

これで、パッケージをインポートしてファッションデータセットをダウンロードできます。

 kerasをインポートする
keras.modelsからSequentialをインポートする
keras.layers からDense、Dropout、Flatten をインポートします
keras.layers からConv2D、MaxPooling2Dをインポートします
kerasからバックエンドをKとしてインポートします
 
 # Kerasからファッションデータセットをダウンロードする
ファッション_mnist = keras.datasets.fashion_mnist
 (x_train, y_train)、(x_test, y_test) = keras.datasets.fashion_mnist.load_data() 
 
 # データを再形成して正規化する
x_train = x_train.astype( 'float32' ).reshape( 60000 , 28 , 28 , 1 ) / 255  
 x_test = x_test.astype( 'float32' ).reshape( 10000 , 28 , 28 , 1 ) / 255

次に、Keras のシーケンシャルモジュールを使用して、単純な CNN を作成し、コンパイルします。

 # CNN モデルを構築します。このチャンクを実行すると、 「INFO:plaidml:Opening device xxx」と表示されます。
モデル = keras.Sequential()
 model.add ( keras.layers.Conv2D (フィルター= 64 、カーネルサイズ= 2 、パディング= 'same' 、アクティベーション= ' relu' 、入力シェイプ=( 28、28、1 ) ))
モデルを追加します(keras.layers.MaxPooling2D(pool_size= 2 ))
モデルを追加します(keras.layers.Dropout( 0.3 ))
 model.add(keras.layers.Conv2D(フィルター= 32 、カーネルサイズ= 2 、パディング= 'same' 、アクティベーション= 'relu' ))
モデルを追加します(keras.layers.MaxPooling2D(pool_size= 2 ))
モデルを追加します(keras.layers.Dropout( 0.3 ))
モデルを追加します(keras.layers.Flatten())
モデルを追加します(keras.layers.Dense( 256 , activation= 'relu' ))
モデルを追加します(keras.layers.Dropout( 0.5 ))
モデルを追加します(keras.layers.Dense( 10 , activation= 'softmax' )) 
 
 # モデルをコンパイルする
model.compile(optimizer= 'adam' ,
損失=keras.losses.sparse_categorical_crossentropy、
メトリック=[ '精度' ])

次に、モデルを適合させてその精度をテストします。

 # トレーニングセットにモデルを適合させる
モデル.fit(x_train, y_train,
バッチサイズ = 64 、
エポック = 10 ) 
 
 # テストセットでモデルを評価する
スコア = model.evaluate(x_test, y_test, 詳細 = 0 )
 # 印刷テストの精度
print( '\n' , 'テスト精度:' , score[ 1 ])