今回はDeepLearning 4jでGPUを利用する方法を確認する。DeepLearning 4jでは行列計算をND4Jライブラリで行っているが、GPUによってこの行列計算を高速化することになる。

---

■　GPUの利用方法

　DeepLearning 4jでのGPU利用は、現在のところCUDA(NVIDIA製のグラフィック・カードで利用可能な開発環境)のバージョン5.5以降にしか対応していない。グラフィック・カードを持っていてもCUDAが利用できない場合はGPU利用もできないため、注意が必要である。DeepLearning 4jでGPU利用するには、以下の手順を行う。

1. CUDAのインストール
2. POMファイルの編集

　手順１についてはCUDAのダウンロードサイトでインストーラをダウンロードし、インストールをする必要がある。インストールは特に難しいことはなく、「次へ」を選択して進んでいけばよい。手順２についてはDeepLearning 4jプロジェクトのPOMファイルに以下の依存性記述を追加するだけでよい。ただし、artifactIdタグは「nd4j-cuda-○○」(○○はインストールしたCUDAのバージョン)という値に変更する必要があり、以下の記述はCUDA 7.5の場合の記述である。

<dependency>
 <groupId>org.nd4j</groupId>
 <artifactId>nd4j-cuda-7.5</artifactId>
 <version>${nd4j.version}</version>
</dependency>

　特に本サイトの方法で環境を構築した場合(=『dl4j-0.4-examples/pom.xml』を利用して環境構築した場合)、すでにPOMファイル内に上記は記述されており、以下のように「nd4j.backend」タグの設定を修正するだけで計算にGPUが利用されるようになる。

<name>DeepLearning4j Examples</name>
<description>Examples of training different data sets</description>
<properties>
    <nd4j.backend>nd4j-native</nd4j.backend>

<name>DeepLearning4j Examples</name>
<description>Examples of training different data sets</description>
<properties>
    <nd4j.backend>nd4j-cuda-7.5</nd4j.backend>

---

■　性能比較

　GPUを利用した場合の性能を計測するため、CPU利用時とGPU利用時の実行速度差を比較する。実行速度の計測には、公式サイトに掲載されている『LenetMnistExample』(LeNet：2014年度開催の画像認識コンテストILSVRCでGoogleが利用し、高い認識精度を示したニューラルネットワーク構成）を利用し、1世代分の学習(6万個の学習データで各1回学習)にかかる時間を比較した。結果は以下の通り。

◇実行環境

機能	内容
OS	Windows7(64bit)
CPU	Intel Core2 (1.86GHz) …プロセッサ数=2
GPU	GeForce GTX650 …プロセッサ数=384
Java	1.8.0_60
CUDA	CUDA 7.5

◇実行結果

CPU/GPU	実行時間
CPU	820.489秒　(=13分40.489秒)
GPU	349.991秒　(=05分49.991秒)

　処理時間は2分の1以下となり、高速化できたことが確認できた。

---

■　参照

1. ND4J 公式 「JCublas Backend for GPUs」