ディープラーニングを使う際のメモリ不足を解消する方法｜GPUなど必要スペックの紹介

ニューラルネットワークとは、人間の脳にある神経回路（ニューロン）を人工的に作り出したものです。ニューラルネットワークには、データを入力する部分（入力層）、データを変換する部分（隠れ層）、変換されたデータを出力する部分（出力層）があります。データ変換部分が多層になれば、精度の高い処理が可能となります。

​ディープラーニングは、入力層・隠れ層・出力層の3つの層からなるニューラルネットワークを用いることで行われます。隠れ層には多種類の関数が組み込まれており、入力されたデータの特徴を自ら認識・学習します。​

犬の画像を認識させる場合、従来の機械学習では、人間が犬の特徴を入力する必要がありましたが、ディープラーニングでは、データを入力するだけで、自動的に犬の特徴を抽出できるようなります。

ディープラーニングは、機械学習を発展させたもので、データを入力することで、与えられた課題に対する予測・判断を行うといった点では同じです。異なる点は、ディープラーニングの方が、データを分析する手法がさらに高度化していることです。

機械学習では、犬・猫など識別すべきデータの特徴を人間が入力しておけば、犬と猫を認識できます。ディープラーニングでは、犬・猫の大量のデータを入力するだけで、それぞれの特徴を自動的に抽出し、犬と猫を分類します。

​GPUは、画像処理に特化した半導体チップであり、CPUはパソコン全ての動作を制御するためのチップです。CPUは、人間でいえば頭脳部分にあたり、汎用的に複雑な処理が行え、GPUに対しても処理命令を出します。どちらも、計算処理を行いますが、GPUは計算と画像処理を同時に高速で行えるため、ディープラーニングの学習に大きな影響を与えます。​

GPUは、画像処理と演算処理を同時に処理できるため、ディープラーニングする学習時間が減らせます。CPUのコアは多くても数個ですが、GPUのコアの数は数千個あり、CPUの数倍～100倍以上の計算速度が速いです。コア数が多いほど、同時に行える処理が多くなります。

GPUの性能が悪い場合は学習速度が遅くなるだけですが、メモリが不足すると学習そのものができなくなります。GPUのメモリが少ない場合は、一般的な機械学習にとどめざるを得ないです。ディープラーニングに必要な環境を整えるためには、十分なメモリを用意しましょう。

GPUのメモリ容量は大きいほどよいですが、最低6GBできれば8GBを目安に選定しましょう。ただし、メモリ容量が増えるほど価格が高くなる傾向があります。演算処理能力はスコアが公表されているため、目的に合わせてシリーズ・型式を選びましょう。ディープラーニングに必要なライブラリやフレームワークをサポートしている、NVIDIA製のGPUがおすすめです。

ディープラーニング以外の処理はCPUで行うことになり、学習時間に影響します。Intel Core i5以上の性能、Intel Core i7・i9・Xeonシリーズなど、できるだけ最新のものを使いましょう。古くて性能が低いCPUでは、GPUの機能を最大限に使いきれません。

​メモリはGPUに次いで重要で、メモリが不足すると学習速度が遅くなります。ディープラーニングを行う際に、入力されたデータがメモリに保存されるため、大容量のメモリを用意しておく必要があります。メモリ容量は、32GB以上、できれば64GBが必要です。メモリ周波数も処理速度に関係するため、大きいほど学習時間が短縮されます。​

ストレージはディープラーニング自体には直接関係ありませんが、学習で使う入力データや学習結果の保存をする媒体として非常に重要です。データ読み取り速度、保存容量も考慮して選びましょう。ストレージにはSSDとHDDの2種類があります。SSDはデータの読み取り速度が速いですが、価格が高めです。HDDは容量が多く低コストですが、読み取り速度が遅いです。

クラウドサービスを利用すれば、クラウド上でディープラーニングを実行する環境を使いたいだけ使えます。GPU・CPU・メモリ・ストレージなど、ディープラーニングを実行する環境を自分で設定するには、手間もかかり大変です。

クラウドサービスでは、大容量のワークスペース用意されており、処理速度が非常に速いです。大容量のデータを使って膨大な処理を行う際に、メモリ不足で学習できなくなったり、学習時間が大幅に長くなったりする心配がなくなります。

クラウドサービスには、使用した容量だけ課金される「重量課金制」の物が多く、大容量のデータ処理が必要な時以外はコストを抑えられます。ディープラーニングには、大容量のデータを使う段階と使わない段階があります。