PlaidMLを使ってMacでDeep Learning：導入編

今回は，MacでDeep Learningするための手段として最近注目の，PlaidMLの導入について説明する．

PlaidMLとは？
前準備
導入手順
ベンチマークを動かしてみる
Kerasのバックエンドとして使う
参考

PlaidMLとは？

現状，GPUを用いた深層学習を行うためには，NVIDIA製のGPUと，それに付随したCUDA等のプラットフォームを利用する必要がある．これは，TensorFlowなどの深層学習ライブラリが，NVIDIA製GPUに対するハードウェアアクセラレーションしかサポートしていないためである．

しかしながら，近年のMacはAMD製のGPUを搭載しており，なおかつMacOS MojaveからNVIDIA製GPUのサポートを行なっていないため，Macで機械学習を行う上での制約が大きかった．

一方，PlaidMLはOSやGPUなどの環境に対してオープンな機械学習フレームワークを目指して開発されており，近年注目を集めている．

注目すべき点は，人気の深層学習ライブラリであるKerasのバックエンドとしてPlaidMLを指定できることである．これにより，既存のKerasで書いたプログラムをほぼそのまま実行可能である．

前準備

前準備として，Pythonが導入されている必要がある． Macなら標準でPython 2.X系が入っているので，それを利用しよう．

ちなみに，今回の実行環境は以下の通りである．

Macbook Pro 13インチ（Late 2016）
CPU: 2.9GHz Intel Core i5
GPU: Inter Iris Graphics 550
メモリ: 16GB

導入手順

Python環境の確認

環境を汚したくないので，仮想環境上で作業していこう．

まず，任意のディレクトリ（ユーザ直下とかでOK）でPythonの仮想環境を構築する．

virtualenvであれば，

virtualenv plaidml-test

でOK．

これで，plaidml-testというディレクトリが作成されたはずだ．

作成したディレクトリ内のbin/activateに対してsourceコマンドを実行すると，仮想環境を利用できるようになる．

source ~/plaidml-test/bin/activate

Ternimalのコマンドライン冒頭に(plaidml-test)と表示されているはずだ．

PlaidMLのインストール

早速PlaidMLをインストールしていく．デフォルトでpipというパッケージ管理用のコマンドが使えるので，それを利用する．

pip install plaidml-keras

しばらく待って，Successfully installed ...という表示が出ればインストール完了だ．

セットアップ

次に，PlaidMLを使う上での環境設定を行っていく．

引き続き仮想環境内で，以下のコマンドを入力する．

plaidml-setup

ここから，設定上の質問がいくつか表示されるので，順番に答えていく．

PlaidML Setup (0.3.5)

Thanks for using PlaidML!

Some Notes:
  * Bugs and other issues: https://github.com/plaidml/plaidml
  * Questions: https://stackoverflow.com/questions/tagged/plaidml
  * Say hello: https://groups.google.com/forum/#!forum/plaidml-dev
  * PlaidML is licensed under the GNU AGPLv3
 
Default Config Devices:
   No devices.

Experimental Config Devices:
   opencl_intel_intel(r)_iris(tm)_graphics_550.0 : Intel Inc. Intel(R) Iris(TM) Graphics 550 (OpenCL)
   opencl_cpu.0 : Intel CPU (OpenCL)
   llvm_cpu.0 : CPU (LLVM)
   metal_intel(r)_iris(tm)_graphics_550.0 : Intel(R) Iris(TM) Graphics 550 (Metal)

Using experimental devices can cause poor performance, crashes, and other nastiness.

Enable experimental device support? (y,n)[n]:y

使えるデバイス一覧が表示され，検証されていないデバイスを使っても良いかと聞かれる．問題ないのでyを入力．

Multiple devices detected (You can override by setting PLAIDML_DEVICE_IDS).
Please choose a default device:

   1 : opencl_intel_intel(r)_iris(tm)_graphics_550.0
   2 : opencl_cpu.0
   3 : llvm_cpu.0
   4 : metal_intel(r)_iris(tm)_graphics_550.0

Default device? (1,2,3,4)[1]:4

Selected device:
    metal_intel(r)_iris(tm)_graphics_550.0

先ほどのデバイス一覧のうち，どれを使うかを選択する．

見ての通り，CPUもGPUも選べる． AMDのGPUを積んでいるMacの場合はここに表示される．

今回は，内蔵GPUのmetalを選んだ．ちなみに，MacではOpenCLよりMetalの方が高パフォーマンスらしい．

PlaidML sends anonymous usage statistics to help guide improvements.
We'd love your help making it better.

Enable telemetry reporting? (y,n)[y]:y

使用上の統計情報を取得しても良いかと聞かれる．問題ないのでyを入力した．

Almost done. Multiplying some matrices...
Tile code:
  function (B[X,Z], C[Z,Y]) -> (A) { A[x,y : X,Y] = +(B[x,z] * C[z,y]); }
Whew. That worked.

Save settings to /Users/[ユーザ名]/.plaidml? (y,n)[y]:y
Success!

行列計算が行われ，成功したそうだ．これまでの設定情報を保存して良いか聞かれるので，yとした．

次からは，保存した設定情報が自動で読み出される．

以上で，PlaidMLの導入が完了した．

ベンチマークを動かしてみる

実際に，ベンチマークを動かして性能を確認してみよう．

pip経由でplaidml-kerasとplaidbenchをインストールする．

pip install plaidml-keras plaidbench

ちなみにplaidml-kerasをインストールすることで，KerasのバックエンドとしてPlaidMLが使用できるようになる．

早速ベンチマークを回してみよう．

plaidbench keras mobilenet

Running 1024 examples with mobilenet, batch size 1
INFO:plaidml:Opening device "metal_intel(r)_iris(tm)_graphics_550.0"
Model loaded.
Compiling network...
（中略）
Warming up ...
Main timing
Example finished, elapsed: 0.71901512146 (compile), 33.0695531368 (execution), 0.0322944854852 (execution per example)
Correctness: PASS, max_error: 2.15340751311e-05, max_abs_error: 1.28149986267e-06, fail_ratio: 0.0

無事動いた！！ちゃんとCorrectnessもPASSとなっている．

せっかくなので，実行デバイスを変えて結果を比較してみた．

デバイス	Correctness	コンパイル時間	実行時間
OpenCL (GPU: Inter Iris Graphics 550)	PASS	2.9	17.8
OpenCL (CPU: 2.9GHz Core i5)	FAIL	2.4	339.2
LLVM (CPU: 2.9GHz Core i5)	PASS	5.1	135.7
Metal (GPU: Inter Iris Graphics 550)	PASS	0.7	33.1

OpenCL (CPU)以外はちゃんと動くことが確認できた．

しかし，流石にGPUは速いなぁ…．意外だったのは，実行時間に関してはMetalよりOpenCLの方が早くなった点である．

AMDの外部GPUであればさらに圧倒的なパフォーマンスになると思われるので，いつか試してみたいところである．

Kerasのバックエンドとして使う

実際にPythonのプログラムで使う際には，KerasのバックエンドとしてPlaidMLを指定する必要がある．

特に複雑な設定は不要で，単にimport kerasの前に以下のコードを入力すればよい．

import plaidml.keras
plaidml.keras.install_backend()

これで，KerasのバックエンドにPlaidMLがセットされ，MacでもGPUを使った機械学習が可能となる．

今後は，AMD製のグラフィックボードを載せたeGPUを接続してみて，どの程度のパフォーマンスが発揮されるのか是非とも試してみたいところである．

PythonとKerasによるディープラーニング

作者: Francois Chollet,巣籠悠輔,株式会社クイープ
出版社/メーカー: マイナビ出版
発売日: 2018/05/28
メディア: 単行本（ソフトカバー）
この商品を含むブログ (2件) を見る

AKiTiO Node Thunderbolt 3対応グラフィックボード専用外付け拡張ボックス（Windows 10専用/アミュレットオリジナルマニュアル付き）

出版社/メーカー: AKiTiO
メディア: エレクトロニクス
この商品を含むブログを見る

GIGABYTE ビデオカード RX580搭載外付けVGA BOX GV-RX580IXEB-8GD

出版社/メーカー: 日本ギガバイト
発売日: 2018/04/28
メディア: Personal Computers
この商品を含むブログを見る

参考

以下の記事を参考にさせていただいた．

qiita.com