PlaidMLを使ってMacでDeep Learning：R編

前回導入したPlaidMLだが，実はRからも使うことができる． PlaidMLがkerasのバックエンドとして動くことは前回説明した通りだが，R用のkerasを導入すれば実現できるというわけだ．これにより，GPUを使った深層学習のためのコードをRで書くことができる．

私のように，PythonよりRの使用頻度が多い人には良いかもしれない．

前準備
導入方法
- kerasをインストール
- PlaidMLのインストール
動かしてみる
まとめ
参考
追記（2019.02.02）

前準備

まず前準備として，R用のkerasパッケージをインストールする．

インストール方法は普通のRのパッケージと同様に

install.packages("keras")

でOK．

ターミナルからやってもよいし．RStudioからでもよい．

導入方法

Python 2.X系に導入するか，Python 3.X系に導入するかで手順が変わるらしい．

Python 3.X系の場合はかなり癖がありそうだったので，今回はMacでデフォルトのPython 2.X系を利用する．

ただし，anacondaは入っていない前提である．

デメリットとしては，2020年にPython 2.X系のサポート終了が確定しているため，将来性が薄いところか．とりあえずPlaidMLを試したい場合はこちらでよいだろう．

kerasをインストール

先ほどインストールしたパッケージを読み込み，install_keras()コマンドでkerasをインストールする．

library(keras)
install_keras()

すると，ユーザフォルダ直下に.virtualenvsという仮想環境が生成されている．

PlaidMLのインストール

仮想環境.virtualenvsにPlaidMLをインストールする．

まず，仮想環境をアクティベートする．

source ~/.virtualenvs/r-tensorflow/bin/activate

その後，pipでPlaidMLをインストールする．

pip install -U plaidml-keras

インストールが完了したら，以下のコマンドでPlaidMLの環境設定を行う．

plaidml-setup

環境設定については前回の記事を参考に↓

stella-log.hatenablog.com

動かしてみる

さっそく動かしてみよう．

なお，今回の実行環境では外部GPUが無いので， PlaidMLの環境はIntel CPU (OpenCL)を選択した．

library(keras)
library(reticulate)

use_virtualenv("~/.virtualenvs/r-tensorflow")

pml_keras <- import("plaidml.keras")
pml_keras$install_backend()

batch_size <- 128
num_classes <- 10
epochs <- 5
img_rows <- 28
img_cols <- 28
mnist <- dataset_mnist()
x_train <- mnist$train$x
y_train <- mnist$train$y
x_test <- mnist$test$x
y_test <- mnist$test$y
x_train <- array_reshape(x_train, c(nrow(x_train), img_rows, img_cols, 1))
x_test <- array_reshape(x_test, c(nrow(x_test), img_rows, img_cols, 1))
input_shape <- c(img_rows, img_cols, 1)

x_train <- x_train / 255
x_test <- x_test / 255

y_train <- to_categorical(y_train, 10)
y_test <- to_categorical(y_test, 10)

model <- keras_model_sequential() %>%
  layer_conv_2d(filters = 32, kernel_size = c(3,3), activation = 'relu',
                input_shape = input_shape) %>% 
  layer_conv_2d(filters = 64, kernel_size = c(3,3), activation = 'relu') %>% 
  layer_max_pooling_2d(pool_size = c(2, 2)) %>% 
  layer_dropout(rate = 0.25) %>% 
  layer_flatten() %>% 
  layer_dense(units = 128, activation = 'relu') %>% 
  layer_dropout(rate = 0.5) %>% 
  layer_dense(units = num_classes, activation = 'softmax')

model %>% compile(
  loss = loss_categorical_crossentropy,
  optimizer = optimizer_adadelta()
)

model %>% fit(
  x_train, y_train,
  batch_size = batch_size,
  epochs = epochs,
  validation_split = 0.2
)