はじめに
tensorflowでGPUを使用するためには、使用するtensorflowのバージョンに合わせてCUDAやcuDNNをインストールする必要がある。
以前にその設定をする記事も書いていた。
しかし、こちらの記事を見てみると、Anacondaで仮想環境ごとにcudatoolkitとcudnnが付属したtensorflowをインストールして使用できるとのこと。
ということで実際に試してみた。
※先に結論から言うと、めっちゃ簡単にGPU使って学習ができる。condaが天才すぎた。
CUDAとcuDNN付きのtensorflowのインストール方法
バージョン2.10のtensorflowをインストールする場合、
conda install tensorflow=2.10.*=gpu_*
と実行することで、CUDAとcuDNNが付属した状態のtensorflowがインストールできる。
試してみる
バージョン
Python 3.9.15
tensorflow 2.10.0
cudatoolkit 11.3.1(自動)
cudnn 8.2.1(自動)
仮想環境の作成
conda create -n tf210 python=3.9
conda activate tf210
tensorflowのインストール
conda install tensorflow=2.10.*=gpu_*
多くのパッケージがインストールされる。conda listすると、cudatoolkitやcudnnが入っていることが分かる。
GPUの確認
適当にpyファイルを作成して以下のコードを実行する。
from tensorflow.python.client import device_lib
device_lib.list_local_devices()
output
2023-01-15 23:14:59.181193: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2023-01-15 23:14:59.826244: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1616] Created device /device:GPU:0 with 3976 MB memory: -> device: 0, name: NVIDIA GeForce GTX 1660 SUPER, pci bus id: 0000:01:00.0, compute capability: 7.5
GPU（私が使っているのは、GeForce GTX 1660 SUPER）が正しく認識されていることが分かる。
試しにmnistで学習してみる
mnist_test.py
import time
import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D
from tensorflow.keras.optimizers import RMSprop
from tensorflow.keras.callbacks import EarlyStopping
(x_train, y_train), (x_test, y_test) = tensorflow.keras.datasets.mnist.load_data()
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
y_train = tensorflow.keras.utils.to_categorical(y_train, 10)
y_test = tensorflow.keras.utils.to_categorical(y_test, 10)
start_time = time.time() # スタート時間計測
model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(),
metrics=['accuracy'])
history = model.fit(x_train, y_train,
# batch_size=128,
epochs=10,
verbose=1,
validation_data=(x_test, y_test),
callbacks=[EarlyStopping(patience=1, verbose=1)])
score = model.evaluate(x_test, y_test, verbose=0)
print('loss:', score[0])
print('accuracy:', score[1])
end_time = time.time() - start_time # 終了時間を計測
print("学習時間：", str(round(end_time, 3)), "秒でした。")
output
2023-01-15 23:18:30.770655: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2023-01-15 23:18:31.392013: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1616] Created device /job:localhost/replica:0/task:0/device:GPU:0 with 3976 MB memory: -> device: 0, name: NVIDIA GeForce GTX 1660 SUPER, pci bus id: 0000:01:00.0, compute capability: 7.5
Epoch 1/10
2023-01-15 23:18:33.175721: I tensorflow/stream_executor/cuda/cuda_dnn.cc:384] Loaded cuDNN version 8201
1875/1875 [==============================] - 16s 7ms/step - loss: 0.1762 - accuracy: 0.9468 - val_loss: 0.0530 - val_accuracy: 0.9830
Epoch 2/10
1875/1875 [==============================] - 13s 7ms/step - loss: 0.0853 - accuracy: 0.9748 - val_loss: 0.0525 - val_accuracy: 0.9838
Epoch 3/10
1875/1875 [==============================] - 13s 7ms/step - loss: 0.0784 - accuracy: 0.9776 - val_loss: 0.0429 - val_accuracy: 0.9864
Epoch 4/10
1875/1875 [==============================] - 13s 7ms/step - loss: 0.0791 - accuracy: 0.9778 - val_loss: 0.0537 - val_accuracy: 0.9826
Epoch 4: early stopping
loss: 0.053737200796604156
accuracy: 0.9825999736785889
学習時間： 54.875 秒でした。
きちんとGPU使って学習できているスピード感で良い感じ。
conda search（おまけ）
conda search tensorflow
と実行すると、
output
# Name Version Build Channel
tensorflow 1.7.0 0 pkgs/main
tensorflow 1.7.1 0 pkgs/main
tensorflow 1.8.0 0 pkgs/main
・・・省略・・・
tensorflow 2.9.1 mkl_py39hc9ebea8_1 pkgs/main
tensorflow 2.10.0 eigen_py310h1d93ef9_0 pkgs/main
tensorflow 2.10.0 eigen_py37h0b514e4_0 pkgs/main
tensorflow 2.10.0 eigen_py38h465b00b_0 pkgs/main
tensorflow 2.10.0 eigen_py39hfced716_0 pkgs/main
tensorflow 2.10.0 gpu_py310h4d27e69_0 pkgs/main
tensorflow 2.10.0 gpu_py37h5d22f32_0 pkgs/main
tensorflow 2.10.0 gpu_py38h51559ff_0 pkgs/main
tensorflow 2.10.0 gpu_py39h9bca9fa_0 pkgs/main
tensorflow 2.10.0 mkl_py310hd99672f_0 pkgs/main
tensorflow 2.10.0 mkl_py38ha5c4042_0 pkgs/main
tensorflow 2.10.0 mkl_py39ha510bab_0 pkgs/main
のようにビルドの一覧が出力される。ここから、gpu_で始まるものを選択してインストールしても同じことができる。
まとめ
NVIDIAのGPU使って機械学習したいならAnacondaから環境構築。
参考