はじめに

tensorflowで機械学習をする際、NVIDIAのGPUを学習に使用するためには設定をしなくてはならない。
この設定は、tensorflowのバージョンごとにCUDAやcuDNNで対応するバージョンを使用する必要がある。

※追記※

Anacondaを使い、conda installからCUDAやcuDNNを使えるようにtensorflowをインストールできることが分かった。これに関しては以下の記事を参照。

バージョン情報

tensorflow-2.6.0
python 3.7.13
コンパイラ：GCC 7.3.1
CUDA 11.2
cuDNN 8.1.1

参考

Python,tensorflow,CUDA,cuDNNのバージョン対応表はこちら

CUDA ダウンロード

Archive of Previous CUDA Releases から過去バージョンを選択

win10用でインストーラをダウンロードして実行。インストールする。

システム環境変数にCUDA_PATHとCUDA_PATH_Vxxxが追加されていることを確認。

インストール完了しているかの確認で、以下コマンドを実行する。

where nvcc

出力

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin\nvcc.exe

cuDNN ダウンロード

アカウント等が必要、バージョンを選択してダウンロード。
バージョンはCUDAのバージョンに対応したものを使う。

ダウンロードして解凍した中身を、CUDAのインストールフォルダ内にコピペで移動する。
これは、ダウンロードしたzipを解凍し、cudaフォルダに入っているものを全選択してコピーする。
ペースト先は、上記のwhere nvccで出てくるディレクトリの、binの上位、バージョン表記のフォルダ内。

システム環境変数でCUDNN_PATHという名前で、値にはCUDA_PATHと同じものを追加。
（つまり、CUDA_PATH CUDA_PATH_Vxxx CUDNN_PATHの3つの変数として同じPATHの値が設定されている状態。）

インストールできているかを以下コマンドで確認。

where cudnn64_8.dll
(インストールのバージョンによって微妙にファイル名が異なる可能性あり)

tensorflowで確認

tensorflow-gpuを入れ、以下のコードを実行して、GPUが認識されているか確認。

cmd

pip install tensorflow-gpu==2.6.0

python

from tensorflow.python.client import device_lib
device_lib.list_local_devices()

試しにmnistデータを学習してみる

仮想環境を新規作成し、Pythonを対応するバージョンにする（ここでは3.7.13）。

tensorflow-gpu==2.6.0でインストールし、以下のコードを実行してみる。

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。")

GPUを正しく認識し、使用できていればEpoch開始前に表示され、学習が行われる。