Recommended
More Related Content
What's hot
What's hot (20)
Similar to Chainer on Azure 2 年の歴史
Similar to Chainer on Azure 2 年の歴史 (20)
More from Hirono Jumpei
More from Hirono Jumpei (20)
Recently uploaded
Recently uploaded (9)
Chainer on Azure 2 年の歴史
- 1. Chainer on Azure 2 年間の取り組み 廣野 淳平 マイクロソフト 2019/3/30
- 3. 自己紹介 • 廣野 淳平 • 深層学習領域のビズデブ • Deep Learning Lab 事務局長 • Chainer は v1.2 ぐらいから • 主な活動 • 機械学習プロジェクト推進 • AI Startup との協業 • AI 関連の講演 • Azure 啓蒙活動、ハンズオン • 社内のいろいろ（重要） 岩登りで培ったメンタル力で つらい深層学習プロジェクトを 乗り切っています。
- 4. 遡ること 2 年前の 5 月 23 日 PFN x Microsoft(HQ) の グローバル協業発表 Chainer と Azure の親和性を 増していくぞ！ これを組成したのが廣野です この後、AWSさん、GCPさんの Chainer対応が続き、日本人として 誇らしいです（2017/5/23 de:code 2017 基調講演の様子）
- 5. 今日のお品書き • 学習領域での取り組み • 推論領域での取り組み • ML Ops / Tool 系の取り組み • 最近の活動の宣伝
- 6. Azure インスタンスラインナップ NC NVIDIA GPU K80 HPC, DL InfiniBand搭載 （NC24r） 最速CPU InfiniBand搭載 (H16r) H ND NVIDIA P40 搭載 Deep Learning InfiniBand 搭載 (ND24rs) NVIDIA P100 HPC, DL InfiniBand 搭載 （NC24rs_v2） NCv2 NVIDIA GPU M60搭載 可視化 NV 6 A Av2 B D Dv2Dv3 DS DSv2 G GSF Ev3FS Fv2 M Ls汎用 コンピューティング最適化 メモリの最適化 ストレージの最適化 NVIDIA V100 HPC, DL InfiniBand 搭載 （NC24rs_v3） NCv3 ハイパフォーマンス コンピューティング GPUコンピューティング NVv2(Public Preview), NDv2(Public Preview予定 2018年末) HB, HC (リリース予定 2018年末) 日本DC 2019 H1
- 7. GPUインスタンス NCシリーズ NVシリーズ NCv2シリーズ NDシリーズ NCv3シリーズ 用途 HPC & DL 可視化 HPC & DL DL HPC & DL GPU Tesla K80 (1～4GPU) Tesla M60 (1～4GPU) Tesla P100 (1～4GPU) Tesla P40 (1～4GPU) Tesla V100 (1～4GPU) GPU Xeon E5-2690 v3 (1～24コア) Xeon E5-2690 v3 (1～24コア) Xeon E5-2690 v4 (1～24コア) Xeon E5-2690 v4 (1～24コア) Xeon E5-2690 v4 (1～24コア) メモリ 56～224GB 56～224GB 112GB～448GB 112GB～448GB 112GB～448GB ローカル SSD ～1.4TB ～1.4TB ～1.344TB ～1.344TB ～1.344TB InfiniBand FDR InfiniBand N/A FDR InfiniBand FDR InfiniBand FDR InfiniBand
- 8. データサイエンス仮想マシン（DSVM） データ サイエンス専用カスタマイズされた VM イメージ https://docs.microsoft.com/ja-jp/azure/machine-learning/data-science- virtual-machine/overview
- 10. 開発環境としてのWSL Windows Subsystem for Linux 素晴らしいんだけど… OpenCL / CUDA 未サポート ぐぬぬぬ…
- 11. そこで Ubuntu on Surface Book 2
- 12. とはいえ、1060 は非力すぎ たぶん GTX 2060 積んだ Surface Book 3 も 出ると思います（未来を確約するものではあ りません） そこでInfiniBand 付 GPU クラスタですよ （ちょっと飛躍しすぎ）
- 13. P100 実験結果 (NC24rs_v2 (P100) x 32 nodes = 128 GPUs)
- 14. V100 実験結果 (NC24rs_v3 (V100 x 4) x 32 nodes = 128 GPUs)
- 15. K80 vs P100 0 2000 4000 6000 8000 10000 12000 0 20 40 60 80 100 120 140 Speedup(times,linear) # of GPUs K80 vs P100 – Scale out Comparison NC24r (K80) NC24rs_v2 (P100)
- 16. ChainerMN on Azure まとめ • ChainerMNを使った大規模分散深層学習はAzureで動作可能 • ただし、現状のAzureではセットアップが煩雑で実戦投入するのは 難しい • セットアップ済みのVMを簡単にデプロイできるようARM Template 等を準備中 • いろいろな活用可能性 • 頻繁に新しい膨大な追加データが届き、それを次のデータ追加ま でに学習し終えなければならない場合 • モデルアーキテクチャへ変更を加えた後、それを素早く ImageNet-1Kでpre-trainingしたい場合 • 大規模なデータセットを使った研究開発サイクルの効率化 • ご利用は計画的に
- 17. Azure Platform Services Containers + Serverless
- 18. Open and Interoperable AI
- 19. Before ONNX CNTK TensorFlow Chainer PyTorch CPU Clusters GPU Clusters FPGA Clusters IoT iOS/AndroidAzureWindows Research
- 20. After ONNX CNTK TensorFlow Chainer PyTorch ONNX CPU Clusters GPU Clusters FPGA Clusters IoT iOS/AndroidAzureWindows
- 21. import numpy as np import chainer from chainer import serializers import onnx_chainer serializers.load_npz("my.model", model) sample_input = np.zeros((1, 3, 224, 224), dtype=np.float32) chainer.config.train = False onnx_chainer.export(model, sample_input, filename="my.onnx") Chainer Model の Export 例
- 22. ONNX Runtime & Menoh • High performance runtime for ONNX models • Supports full ONNX-ML spec (v1.2 and higher, currently up to 1.4) • Works on Mac, Windows, Linux (ARM too) • Extensible architecture to plug-in optimizers and hardware accelerators • CPU and GPU support • Python, C#, and C APIs 0 1 2 3 BERT-based Transformer w/ attention Bing QnA Original framework ONNX Runtime 0 1 2 3 zfnet512 tiny_yolov2 squeezenet shufflenet resnet 50 inception_v2 inception_v1 emotion_ferplus densenet121 bvlc_googlenet ONNX Model Zoo CUDA TensorRT
- 23. FPGA の話 7km x 7km のNAIPの120TBのデータセット 224 pixel x 224 pixel の PNG 画像に分割、2億枚 18TBのデータセット National Land Cover Mapのデータセットで4万枚学習、1万枚 Validation 6クラス Resnet50で学習、 トレーニングデータセットでの制度で93％、Validationデータセットで81％ 2億枚推論を 10分38秒、Total Wall Time（環境構築含めた時間）は43分 秒感30万枚推論
- 24. モデル開発は繰り返す 1. 課題の特定 2. データの取得と加工 3. モデルの設計 4. モデルの作成5. モデルの テストと評価 a. 初期化 b. データセットからミニバッチ データ取得 c. 損失(差分)を計算d. 最適化: 損失(差分)の最小 化 e. 重みづけの更新 y =Wx + b loss = |desired – actual outcome| δ 6. 展開と推論 a. ログ収取
- 25. アナリティクスを強力に推進する プラットフォーム Prepare Data Register and Manage Model Train & Test Model Build Image … Build model (your favorite IDE) Deploy Service データ準 備 モデリング モデル実装・モデル実行 Model Monitor
- 26. Azure Cloud Services Compute (Container) / Storage Python SDK ✓データの加工 ✓モデルの構築 ✓モデルの管理 ✓モデルの展開 Azure Machine Learning services の実体
- 28. Python での モデル開発 ✓ ブラウザー ✓ 無料 ✓ Microsoft Account のみ ✓ Azure 連携 ✓ Azure コアモジュール インストール済み ✓ Github 連携 ✓ CPU のみ 主に…お勉強 | 一人で ✓ Azure 上の仮想マシン ✓ GPU 対応 ✓ Azure 連携 ✓ 各種 深層学習のフレーム ワークがインストール+構成 済み 深層学習 | 1人で 繰り返し | チームで
- 31. 機械学習・深層学習の実用化を推進 会員数 5,200 名 全国 7 都市で 54 回イベント開催 福岡 大阪 広島 名古屋 東京 札幌 オンライン・オフライン含めた 機械学習教育講座の全国での推進 機械学習 SI エコシステム日本最大の AI コミュニティ
- 34. DeepCon @ Otemachi 2019/6/8(Sat) Global Business Hub Preferred Networks Spaces Intel Show Room NTT Com Otemachi Places