下記エントリを参照したところ、Google製TensolFlow、Lasagna、日本製のChainerの３種を比較されていて、GPUによる演算速度についてはLasagna、Chainerが優秀なようで、それほど差もないみたいなので、日本の将来に期待も込めてChainer製をインストールする。
Windwos環境へのChainerインストールについては下記エントリでPythonのインストールから説明されていたので、参照させていただきました。
■環境
CPU: intel i7 3930kGPU: NVIDIA Geforce TITAN(GK110)
OS: Windows 8.1 64bit
■インストール済み
・Visual Studio 2013=> PATH を追加(C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin)
・CUDA 7.5
=> PATHを追加
■Deep Learning環境構築(Chainer編)
1.Python 3.5.1 64bitのインストール
2.PythonのインストールフォルダとScriptsフォルダを環境変数のPATHに追加
3.コマンドプロンプトで pip install -U pip →pipのバージョンアップ
4.git for windowsをインストール
5.cuDNNのダウンロード
6.コマンドプロンプトでpip install chainer -g 0を実行しChanerをインストール
2.python train_mnist.py -g 0と打つと動作が開始
6.コマンドプロンプトでpip install chainer -g 0を実行しChanerをインストール
■動作確認
1. コマンドプロンプトで chainer\examples\mnistフォルダへ移動2.python train_mnist.py -g 0と打つと動作が開始
■実行結果
c:\python35\chainer>cd examples\mnist c:\python35\chainer\examples\mnist>python train_mnist.py -g 0 GPU: 0 # unit: 1000 # Minibatch-size: 100 # epoch: 20 Network type: simple load MNIST dataset epoch 1 graph generated train mean loss=0.18834821649671843, accuracy=0.9437333369379243, throughput=691 .3110249556729 images/sec test mean loss=0.08855921053502243, accuracy=0.97180000603199 epoch 2 train mean loss=0.0747522115187409, accuracy=0.976850009560585, throughput=10381 .941450655235 images/sec test mean loss=0.06881112593226135, accuracy=0.9788000071048737 epoch 3 train mean loss=0.04882968860814193, accuracy=0.9839666775862376, throughput=106 20.948297869925 images/sec test mean loss=0.06907143144635483, accuracy=0.979700009226799 epoch 4 train mean loss=0.03349738874007016, accuracy=0.9892000088095665, throughput=105 42.620746444218 images/sec test mean loss=0.07294375938065059, accuracy=0.97960000872612 epoch 5 train mean loss=0.027073768219270277, accuracy=0.990983340938886, throughput=106 77.88767790045 images/sec test mean loss=0.09122716756464797, accuracy=0.9740000069141388 epoch 6 train mean loss=0.0223064595470593, accuracy=0.9927166734139125, throughput=9759 .258058521522 images/sec test mean loss=0.0672288033500081, accuracy=0.9820000064373017 epoch 7 train mean loss=0.022047765679805403, accuracy=0.9929500065247218, throughput=10 077.110092376824 images/sec test mean loss=0.08667147413810199, accuracy=0.9805000066757202 epoch 8 train mean loss=0.018381894112565834, accuracy=0.9939500054717064, throughput=10 100.60864158346 images/sec test mean loss=0.09303110711173758, accuracy=0.9797000068426133 epoch 9 train mean loss=0.01833144460947551, accuracy=0.9945333384474119, throughput=104 19.502815740656 images/sec test mean loss=0.08693365473445738, accuracy=0.9802000057697297 epoch 10 train mean loss=0.01621717433361482, accuracy=0.9945166717966397, throughput=104 46.218885223827 images/sec test mean loss=0.07281878189469808, accuracy=0.9831000065803528 epoch 11 train mean loss=0.012322531957258132, accuracy=0.9958833369612694, throughput=10 492.04429736561 images/sec test mean loss=0.07679061198437238, accuracy=0.9841000080108643 epoch 12 train mean loss=0.011249084522120634, accuracy=0.9963166701793671, throughput=98 15.026065226972 images/sec test mean loss=0.11117106852701454, accuracy=0.979300007224083 epoch 13 train mean loss=0.014876986914943397, accuracy=0.9957000040014585, throughput=93 50.331690901867 images/sec test mean loss=0.08766837027709584, accuracy=0.9822000062465668 epoch 14 train mean loss=0.01137099189220199, accuracy=0.9963833367824555, throughput=102 50.936668271568 images/sec test mean loss=0.11220182075423422, accuracy=0.9790000081062317 epoch 15 train mean loss=0.010550330964031976, accuracy=0.9965500031908353, throughput=10 665.27569862685 images/sec test mean loss=0.10793900951127766, accuracy=0.9788000077009201 epoch 16 train mean loss=0.00863217724114899, accuracy=0.9975166690349578, throughput=997 0.245941056204 images/sec test mean loss=0.08872542766274882, accuracy=0.9804000055789948 epoch 17 train mean loss=0.009105495277005389, accuracy=0.9970333361625672, throughput=97 21.225698842078 images/sec test mean loss=0.1051332284804596, accuracy=0.9813000047206879 epoch 18 train mean loss=0.012184605781218731, accuracy=0.9965500032901764, throughput=98 90.955442871747 images/sec test mean loss=0.09870909668044149, accuracy=0.9803000062704086 epoch 19 train mean loss=0.011317851965395675, accuracy=0.9967333363493284, throughput=92 57.925678194886 images/sec test mean loss=0.12538345889342226, accuracy=0.976500004529953 epoch 20 train mean loss=0.0084696619688476, accuracy=0.9976500021417936, throughput=9671 .66307419608 images/sec test mean loss=0.10508101527237233, accuracy=0.9829000061750413 save the model save the optimizer
■反省
それぞれのライブラリインストール時に最新版が良いと勝手に判断するとインストールが失敗したり、実行時にエラーが出てどうにもならなくなるので、自分で解決できる自信がない場合は素直に他の方が示した手順通りに進めるのが大切だと痛感しました。。。
ともあれ、これでDeep Learning環境が整ったのでガツガツやっていこう！
