前回 Anaconda 環境の Docker イメージを作ったのですが、機械学習をやるには Jupyter Notebooks という統合開発環境の方がいろいろ便利だということなので、そちらをメインに使うことにします。

会社で週一のイテレーションをしている際に「すごい会議」っていう本、いいらしいよと聞いたので読んでみた。

本書の前半部分は会議とは関係ない著者のビジネス体験記がつらつらと書かれており、右往左往しながら問題を克服した話しで、俺はすごいだろ感が伝わってきた。 まぁそれはそれで読み物として面白かった。

前回は最低限 Ubuntu が起動するまでの設定だったので、これから GPU で TensorFlow を実行するまでの環境を作っていきます。 移植性の高い方法で構築したいので Docker を使います。

前提

• GPU (今回は GEFORCE GTX 1080) を積んだマシンがある
• Ubuntu 16.04 LTS がインストールされている
• Docker がインストールされている

構築環境

• CUDA — Nvidia が提供する GPU 向けの統合開発環境
• cuDNN — Nvidia が作ったディープラーニング用のライブラリ (SDK) で GPU をフル活用できるようになっている
• NVIDIA Docker — Nvidia が提供している、コンテナから GPU を操作できるようにするもの
• TensorFlow — Google が開発したオープンソースの機械学習ライブラリ

構築手順

CUDA インストール

1

$ sudo apt-get install nvidia-cuda-toolkit

cuDNN インストール

https://developer.nvidia.com/cudnn からユーザー登録をしてライブラリをダウンロードする。

人工知能といえば機械学習、そして機械学習といえば数学。チュートリアルやらライブラリやらで、これだけ手軽になった機械学習といえども現段階ではちょっとまだ簡単に扱えるようにはなっていません。 その主たる原因は数学だと思います。専門的とはいえ理系大学一年程度の知識があればそこそこいけそうなので頑張りましょう。

機械学習の主流言語といえば Python ですよね。最近はインストール方法も変わってきており、より便利な方法があるようです。

今回は Anaconda の環境を Docker で作って、さらに各種ライブラリを Anaconda の仮想として作成していくような予定でいます。 Docker にすると各OS毎に環境を作らないで済むのがいいですね。Anaconda 公式でも Docker はいいよって言ってます。

公式サイトを参考にする。

Install Docker on Ubuntu

メモリーとスワップ設定、UFW、DNSの設定はおこなっていない。

人工知能に関する平易で読みやすい本、特化型AIと汎用AIの違いについてよく分かる。

脳のモデルと学習モデルの比較をしている点が面白かった。

• 大脳新皮質 — 教師なし学習
• 大脳基底核 — 強化学習
• 小脳 — 教師あり学習

あとコラム欄が面白い。いくつか引用しておこう。

『Hardware Architecture for Machine Learning』で作ったマシンに Ubuntu 16.04 LTS をインストールしました。

Nvidia GTX-1080 を使っていたせいで、インストーラーが表示されず躓いたのでその解決法を記載します。

機械学習をさせるための専用演算マシンを構築しました。 クラウドでいいじゃんとも思いますが、自分の手元に自由に使える演算サーバーがあるのはそれはそれで便利だと思います。 テンションあがりますしね。

人工知能という言葉を聞いてどんなイメージを抱くだろう。

以前『人工知能は人間を超えるか』という書籍を読んで、これからの人工知能の行末について想像した。

最近はメディアでも取り上げられるほどの注目度で、自動運転技術の例であったり、画像処理に対する認識のすごさだったり、あるいは、りんなちゃんとの対話だったりと研究段階から実用的なものまで幅広く展開されている。 特にディープラーニングを活用した AlphaGo が囲碁対決で勝ったことは、人工知能という可能性を大きく広げた出来事であったと思う。