Deep Learning 向けの PyTorch プログラミング

第1章. PyTorchを使い始める

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

この章ではPyTorchを使うために必要なものをセットアップする。一度セットアップしてしまえば、以降の章はすべてこの初期化の上に構築されることになるので、正しくセットアップすることが重要だ。これは最初の基本的な疑問につながる。カスタムのディープラーニング・コンピューターを作るべきか、それとも利用可能なクラウドベースのリソースの一つを使うべきか？

カスタムDeep Learningマシンを構築する

ディープラーニングの世界に飛び込むと、あらゆる計算ニーズに対応するモンスターを自作したいという衝動に駆られる。さまざまな種類のグラフィックカードを調べたり、CPUの選択によって得られるメモリレーンや購入すべき最適なメモリのソートを学んだり、ディスクアクセスを可能な限り高速にするためにどれくらいの大きさのSSDドライブを購入すればいいかを学んだりするのに何日も費やすことになる。数年前、私は1ヶ月かけてパーツのリストを作り、ダイニングテーブルの上で新しいコンピューターを作った。

特にディープラーニングに慣れていない人へのアドバイスとしては、「やめとけ」ということだ。あまり使わないかもしれないマシンに数千ドルを費やすことになりかねない。その代わりに、クラウドリソース（Amazon Web Services、Google Cloud、Microsoft Azureのいずれか）を使って本書を読み進め、24時間365日の演算に1台のマシンが必要だと感じたら、初めて自分のマシンを作ることを考え始めることをお勧めする。本書のコードを実行するために、ハードウェアに多額の投資をする必要はない。

自分用にカスタムマシンを作る必要はないかもしれない。スウィートスポットのようなものがあり、計算が常に（せいぜい数個のGPUを搭載した）1台のマシンに制限されることがわかっている場合は、カスタムリグを構築した方が安くつくこともある。しかし、計算が複数のマシンとGPUにまたがる必要が出てくれば、クラウドは再び魅力的になる。カスタムマシンを組み立てるコストを考えると、飛び込む前にじっくりと考えたい。

もし私が、自作を思いとどまらせなかったのなら、次のセクションで自作に必要なものを提案しよう。

GPU

ディープラーニングの心臓部であるGPUは、PyTorchの計算の大部分を担うものであり、マシンの中で最も高価なコンポーネントとなる可能性が高い。近年、GPUはBitcoinのような暗号通貨の採掘に使用されるため、価格が上昇し、供給量が減少している。ありがたいことに、そのバブルは後退しているようで、GPUの供給は少し潤沢に戻りつつある。

この記事を書いている時点では、NVIDIA GeForce RTX2080 Tiを入手することをお勧めする。より安価なオプションとしては、1080 Tiがある（ただし、予算の関係で1080 Tiを手に入れるかどうか迷っているのであれば、代わりにクラウドオプションを検討することをお勧めする）。AMD製GPUカードは存在するが、PyTorchでのサポートは今のところNVIDIAカード以外を推奨するほど良くない。しかし、NVIDIAのROCmテクノロジーに注目してほしい。このテクノロジーによって、NVIDIAはGPUの分野で信頼できる代替品になるはずだ。

CPU/マザーボード

おそらく、Z370シリーズのマザーボードを購入したいと思うだろう。多くの人は、ディープラーニングにCPUは関係ない、強力なGPUさえあれば低速のCPUでも何とかなると言うだろう。私の経験では、特に拡張データを扱う場合、CPUがボトルネックになることがいかに多いかに驚くだろう。 ...