Tensorflowを使ったDeep LearningにおけるGPU性能調査
Kabukuエンジニアブログを始めます
どうも、おはこんばんちわ、カブクの足立です。
カブクのエンジニアって何やっているのか分かりにくいね、と言われ続け、我々のことを知ってもらうためにエンジニアブログなどで発信していかねば。
と、一念発起してはや半年。
忙しさにかまけて先延ばしにし続けるあるある状況を打開すべくKabukuエンジニアブログを始めます！
会社のエンジニアブログは重厚長大で、会社ブランディングを意識し、自社が技術的に優れている事をアピールする風潮があります。我々はそこに風穴を空けるべく、重厚長大ではないブログも書いていこう！
重厚長大じゃなくても世の中のためになることはある。
もっとライトにエンジニアがオフィシャルブログで情報発信していってもいいじゃないか。
と、言い訳たっぷり、ハードルを地中に埋めたところで、記念すべき第一回は会社のビジネス活動に関係ないDeep Learning周りの調査を報告いたします。
GPUってどれぐらい速いの？
最近、Deep Learningが流行っているおかげで注目し学習をはじめる人が増えている様に思います。
そういう方々からよく聞くのが「GPUでどれぐらい速くなるの？」ということです。
Deep Learningは大規模なデータを大規模に計算して、なんか凄い結果を出すというイメージかと思います。
開発者としては「大規模に計算」が気になるところ。
実際、Deep Learning系のフレームワークが提供しているチュートリアルを試すと20〜30分掛かるなんてことは普通です。
なのでGPUを活用することでどれ位速くなるのかが気になるところ。
TensorflowのMNISTでGPU性能調査
TensorflowのMNISTを使ってDeep LearningでGPUがどれだけ性能に影響するのかの調査しました。
性能調査のマシンとソフトの構成は以下のとおりです。
マシン構成
- CPU: Intel Core i7-6700K [4GHz/4Core/HT/HD530/TDP91W]
- RAM: 32GB
- SSD: Intel SSD 730 Series [SSD 240GB]
- GPU: NVIDIA GeForce GTX980Ti
ソフト構成
- OS: Ubuntu 14.04.2
- Driver: nvidia-352
- Library: CUDA Toolkit(v7.5.18), cuDNN(v7.0)
- Deep Learning Framework: Tensorflow 0.8rc0(Linux CPU/GPU版)
- etc: Python2.7.6, Docker 1.10.2
調査方法
MNISTをConvolutional NN（ConvNet）で解くTensorflowのサンプルを実行するだけ。
MNISTで必要とするデータセットはローカルにダウンロード済み（ダウンロード時間は考慮する必要なし）。
CPUを使うTensorflowのフレームワークとGPUを使うTensorflowのフレームワークで性能を比較しました。
下記のコマンドの結果にて実行時間を測定し評価します。
$ time python /usr/local/lib/python2.7/dist-packages/tensorflow/models/image/mnist/convolutional.py評価結果は測定回数は3回（結果に大きなブレがなかったので3回で打止め）の平均。
結果
CPUで計算した平均時間: 1147.53s
GPUで計算した平均時間: 58.75s
CPUに比べてGPUだと約20倍でした。
詳細
次のtimeコマンドでの計測結果
/usr/bin/time -f "real %e user %U sys %S cpu %P mem %M" python ...CPUでの計算時間
1: real 1147.89 user 6463.80 sys 488.71 cpu 605% mem 676216
2: real 1148.67 user 6456.33 sys 503.56 cpu 605% mem 676892
3: real 1146.03 user 6456.04 sys 488.36 cpu 605% mem 675524GPUでの計算時間
1: real 58.86 user 63.80 sys 22.17 cpu 146% mem 919568
2: real 58.91 user 63.66 sys 22.19 cpu 145% mem 925912
3: real 58.47 user 62.88 sys 22.46 cpu 145% mem 920544
NN構造との関係は？
これはTensorflowにおける結果です。他のフレームワークは別途調査が必要です。
ただ、他フレームワークの方がTensorflowよりも高速という情報もあるのでもっと速くなる可能性が高いと思います。
TensorflowのMNISTのサンプルプログラムにおける結果であることも注意が必要です。
ニューラルネットワークの構造としては深いというわけではありません。
構造の深さが性能に与える影響はこの調査では分かりません。
そこで追調査として、ConvNetの深さが性能に与える影響を調査しました。
DeepになるほどGPUが有利
調査対象は引き続きMNISTをConvNetで解くTensorflowのサンプルプログラムです。
このサンプルプログラムのニューラルネットワークの構造はConvolutional Layer(C)にPooling Layer(P)という組み合わせを2回繰り返し、中間層512ノード、出力層10ノードのFully Connected Layer(FC)でクラスタリングするという構造です(下図参照)。
ここでは省略してC1P-C1P-FCと表記します（※ 1はCを1層という意味）。
この構造をよりDeepにした場合、計算時間がどうなるのかを調査します。
これ以上Pooling Layerを増やすと画像がなくなってしまい層を増やせないので、今回はConvolutional Layerを増やします。
前半のConvolutional LayerのChannel数は32とし、後半のそれは64で統一とした構造としました。
以下の様な構造です。
- 構造0(C1P): C1P-C1P-FC [1]
- 構造1(C2P): C2P-C2P-FC [3.5]
- 構造2(C3P): C3P-C3P-FC [5.8]
- 構造3(C4P): C4P-C4P-FC [8.3]
- 構造4(C5P): C5P-C5P-FC [10.7]
※Stanfordの講義資料(PDF)を見る限り、C層が1〜5つに対してP層が1つという組合せの事例が多いみたい。
各構造の右側の括弧内の数字はオリジナルのConvNetの構造(C1P)の計算数を1とした時の各構造におけるザックリとした計算数です。
※手計算なので間違ってたらごめんなさい。
※Back Propagationの計算数は考慮していません（順方向の計算数に対して大きくないので無視しました）。
各計算が等しい計算リソースを消費するわけではないので、単純にこの数値から計算コストを粗見積りするのは危険なのですが、オーダー感として参考にできると思います。
結果
GPU(青)の結果は計算数(横軸)に対して計算時間(縦軸)がなだらかに比例しています。
それに対して、CPU(赤)の結果は非常に急な比例関係にあります。
この結果から、GPUの並行計算が大きく効いてそうです。
詳細
GPUとCPUの計算時間の比較を表にまとめました。
CPUの結果がC3Pまでしかありません。
計算時間かかりすぎてデータ取得を諦めました（C3Pですら12時間超…）。
ただ、計算数にほぼ等倍比例する値が実測値で得られたので、C4PとC5Pは推測値を大きくはずさないと思われます。
※推測値は赤文字
Conv層の段数が上がるほど性能比が高くなっています。
これはニューラルネットワークの構造がDeepであるほどGPUによる並行計算の高速化の恩恵が大きいことを意味しています。
C3Pの構造(CPU版で実測した最深の構造)において約45倍となりました。
まとめ
カブクのエンジニアの事を知ってもらうために、Kabukuエンジニアブログはじめました！
Deep LearningフレームワークであるTensorflowのチュートリアルプログラムでCPUを使った実行時間とGPUを使った実行時間の比較調査を行いました。
約20倍GPUを使ったほうが高速でした。
さらにConvNetのConvolutional Layerを深くしていくとその性能比の差は大きくなり、45倍以上になりました。
蛇足
この調査をしている間にTensorflowのバージョンが0.7.1から0.8に上がりました。
その結果、GPUでの計算における実行時間が34%ぐらい短縮(約89s→約58s)しました。
GPUのデバイスのモニタリングとしてNVIDIAのSMI (System Management Interface)というツールが便利です。
とりあえず
$ nvidia-smi dmon -s pucvmeってコマンドを打てば幸せになれます。本家ドキュメントはこちら→PDF
おわりに
もうCPUでDeep Learningやりたくない
その他の記事
Other Articles
2022/06/03
拡張子に Web アプリを関連付ける File Handling API の使い方
2022/03/22<selectmenu> タグできる子; <select> に代わるカスタマイズ可能なドロップダウンリスト
2022/03/02
Java 15 のテキストブロックを横目に C# 11 の生文字列リテラルを眺めて ECMAScript String dedent プロポーザルを想う
2021/10/13
Angularによる開発をできるだけ型安全にするためのKabukuでの取り組み
2021/09/30
さようなら、Node.js
2021/09/30
Union 型を含むオブジェクト型を代入するときに遭遇しうるTypeScript型チェックの制限について
2021/09/16
[ECMAScript] Pipe operator 論争まとめ – F# か Hack か両方か
2021/07/05
TypeScript v4.3 の機能を使って immutable ライブラリの型付けを頑張る
2021/06/25
Denoでwasmを動かすだけの話
2021/05/18
DOMMatrix: 2D / 3D 変形（アフィン変換）の行列を扱う DOM API
2021/03/29
GoのWASMがライブラリではなくアプリケーションであること
2021/03/26
Pythonプロジェクトの共通のひな形を作る
2021/03/25
インラインスタイルと Tailwind CSS と Tailwind CSS 入力補助ライブラリと Tailwind CSS in JS
2021/03/23
Serverless NEGを使ってApp Engineにカスタムドメインをワイルドカードマッピング
2021/01/07
esbuild の機能が足りないならプラグインを自作すればいいじゃない
2020/08/26
TypeScriptで関数の部分型を理解しよう
2020/06/16
[Web フロントエンド] esbuild が爆速すぎて webpack / Rollup にはもう戻れない
2020/03/19
[Web フロントエンド] Elm に心折れ Mint に癒しを求める
2020/02/28
さようなら、TypeScript enum
2020/02/14
受付のLooking Glassに加えたひと工夫
2020/01/28
カブクエンジニア開発合宿に行ってきました 2020冬
2020/01/30
Renovateで依存ライブラリをリノベーションしよう 〜 Bitbucket編 〜
2019/12/27
Cloud Tasks でも deferred ライブラリが使いたい
2019/12/25
*, ::before, ::after { flex: none; }
2019/12/21
Top-level awaitとDual Package Hazard
2019/12/20
Three.jsからWebGLまで行きて帰りし物語
2019/12/18
Three.jsに入門＋手を検出してAR.jsと組み合わせてみた
2019/12/04
WebXR AR Paint その２
2019/11/06
GraphQLの入門書を翻訳しました
2019/09/20
Kabuku Connect 即時見積機能のバックエンド開発
2019/08/14
Maker Faire Tokyo 2019でARゲームを出展しました
2019/07/25
夏休みだョ！WebAssembly Proposal全員集合！！
2019/07/08
鵜呑みにしないで！ —— 書籍『クリーンアーキテクチャ』所感 ≪null 篇≫
2019/07/03
W3C Workshop on Web Games参加レポート
2019/06/28
TypeScriptでObject.assign()に正しい型をつける
2019/06/25
カブクエンジニア開発合宿に行ってきました 2019夏
2019/06/21
Hola! KubeCon Europe 2019の参加レポート
2019/06/19
Clean Resume きれいな環境できれいな履歴書を作成する
2019/05/20
[Web フロントエンド] 状態更新ロジックをフレームワークから独立させる
2019/04/16
C++のenable_shared_from_thisを使う
2019/04/12
OpenAPI 3 ファーストな Web アプリケーション開発（Python で API 編）
2019/04/08
WebGLでレイマーチングを使ったCSGを実現する
2019/03/29
その1 Jetson TX2でk3s(枯山水)を動かしてみた
2019/04/02
『エンジニア採用最前線』に感化されて2週間でエンジニア主導の求人票更新フローを構築した話
2019/03/27
任意のブラウザ上でJestで書いたテストを実行する
2019/02/08
TypeScript で “radian” と “degree” を間違えないようにする
2019/02/05
Python3でGoogle Cloud ML Engineをローカルで動作する方法
2019/01/18
SIGGRAPH Asia 2018 参加レポート
2019/01/08
お正月だョ！ECMAScript Proposal全員集合！！
2019/01/08
カブクエンジニア開発合宿に行ってきました 2018秋
2018/12/25
OpenAPI 3 ファーストな Web アプリケーション開発（環境編）
2018/12/23
いまMLKitカスタムモデル（TF Lite）は使えるのか
2018/12/21
[IoT] Docker on JetsonでMQTTを使ってCloud IoT Coreと通信する
2018/12/11
TypeScriptで実現する型安全な多言語対応（Angularを例に）
2018/12/05
GASでCompute Engineの時間に応じた自動停止/起動ツールを作成する 〜GASで簡単に好きなGoogle APIを叩く方法〜
2018/12/02
single quotes な Black を vendoring して packaging
2018/11/14
3次元データに2次元データの深層学習の技術(Inception V3, ResNet)を適用
2018/11/04
Node Knockout 2018 に参戦しました
2018/10/24
SIGGRAPH 2018参加レポート-後編（VR/AR）
2018/10/11
Angular 4アプリケーションをAngular 6に移行する
2018/10/05
SIGGRAPH 2018参加レポート-特別編（VR@50）
2018/10/03
Three.jsでVRしたい
2018/10/02
SIGGRAPH 2018参加レポート-前編
2018/09/27
ズーム可能なSVGを実装する方法の解説
2018/09/25
Kerasを用いた複数入力モデル精度向上のためのTips
2018/09/21
競技プログラミングの勉強会を開催している話
2018/09/19
Ladder Netwoksによる半教師あり学習
2018/08/10
「Maker Faire Tokyo 2018」に出展しました
2018/08/02
Kerasを用いた複数時系列データを1つの深層学習モデルで学習させる方法
2018/07/26
Apollo GraphQLでWebサービスを開発してわかったこと
2018/07/19
【深層学習】時系列データに対する１次元畳み込み層の出力を可視化
2018/07/11
きたない requirements.txt から Pipenv への移行
2018/06/26
CSS Houdiniを味見する
2018/06/25
不確実性を考慮した時系列データ予測
2018/06/20
Google Colaboratory を自分のマシンで走らせる
2018/06/18
Go言語でWebAssembly
2018/06/15
カブクエンジニア開発合宿に行ってきました 2018春
2018/06/08
2018 年の tree shaking
2018/06/07
隠れマルコフモデル 入門
2018/05/30
DASKによる探索的データ分析(EDA)
2018/05/10
TensorFlowをソースからビルドする方法とその効果
2018/04/23
EGLとOpenGLを使用するコードのビルド方法〜libGLからlibOpenGLへ
2018/04/23
技術書典4にサークル参加してきました
2018/04/13
Python で Cura をバッチ実行するためには
2018/04/04
ARCoreで3Dプリント風エフェクトを実現する〜呪文による積層造形映像制作の舞台裏〜
2018/04/02
深層学習を用いた時系列データにおける異常検知
2018/04/01
音声ユーザーインターフェースを用いた新方式積層造形装置の提案
2018/03/31
Container builderでコンテナイメージをBuildしてSlackで結果を受け取る開発スタイルが捗る
2018/03/23
ngUpgrade を使って AngularJS から Angular に移行
2018/03/14
Three.jsのパフォーマンスTips
2018/02/14
C++17の新機能を試す〜その1「3次元版hypot」
2018/01/17
時系列データにおける異常検知
2018/01/11
異常検知の基礎
2018/01/09
three.ar.jsを使ったスマホAR入門
2017/12/17
Python OpenAPIライブラリ bravado-core の発展的な使い方
2017/12/15
WebAssembly（wat）を手書きする
2017/12/14
AngularJS を Angular に移行: ng-annotate 相当の機能を TypeScrpt ファイルに適用
2017/12/08
Android Thingsで4足ロボットを作る ~ Android ThingsとPCA9685でサーボ制御)
2017/12/06
Raspberry PIとDialogflow & Google Cloud Platformを利用した、3Dプリンターボット(仮)の開発 (概要編)
2017/11/20
カブクエンジニア開発合宿に行ってきました 2017秋
2017/10/19
Android Thingsを使って3Dプリント戦車を作ろう ① ハードウェア準備編
2017/10/13
第2回 魁！！ GPUクラスタ on GKE ~PodからGPUを使う編~
2017/10/05
第1回 魁！！ GPUクラスタ on GKE ~GPUクラスタ構築編~
2017/09/13
「Maker Faire Tokyo 2017」に出展しました。
2017/09/11
PyConJP2017に参加しました
2017/09/08
bravado-coreによるOpenAPIを利用したPythonアプリケーション開発
2017/08/23
OpenAPIのご紹介
2017/08/18
EuroPython2017で2名登壇しました。
2017/07/26
3DプリンターでLチカ
2017/07/03
Three.js r86で何が変わったのか
2017/06/21
3次元データへの深層学習の適用
2017/06/01
カブクエンジニア開発合宿に行ってきました 2017春
2017/05/08
Three.js r85で何が変わったのか
2017/04/10
GCPのGPUインスタンスでレンダリングを高速化
2017/02/07
Three.js r84で何が変わったのか
2017/01/27
Google App EngineのFlexible EnvironmentにTmpfsを導入する
2016/12/21
Three.js r83で何が変わったのか
2016/12/02
Three.jsでのクリッピング平面の利用
2016/11/08
Three.js r82で何が変わったのか
2016/12/17
SIGGRAPH 2016 レポート
2016/11/02
カブクエンジニア開発合宿に行ってきました 2016秋
2016/10/28
PyConJP2016 行きました
2016/10/17
EuroPython2016で登壇しました
2016/10/13
Angular 2.0.0ファイナルへのアップグレード
2016/10/04
Three.js r81で何が変わったのか
2016/09/14
カブクのエンジニアインターンシッププログラムについての詩
2016/09/05
カブクのエンジニアインターンとして3ヶ月でやった事 〜高橋知成の場合〜
2016/08/30
Three.js r80で何が変わったのか
2016/07/15
Three.js r79で何が変わったのか
2016/06/02
Vulkanを試してみた
2016/05/20
MakerGoの作り方
2016/05/08
TensorFlow on DockerでGPUを使えるようにする方法
2016/04/27
Blenderの3DデータをMinecraftに送りこむ
関連職種
Recruit