機械学習

スポンサーリンク
機械学習

Windows11 WSL2 Ubuntu-20.04 LTSでTensorflow/PyTorchのGPU機械学習環境(Anaconda使用)

NVIDIA GPU搭載PCで機械学習環境を構築できずに悩んでいる方は必見です。 Windows11のWSL2上にTensorflow/PyTorchのGPU機械学習環境を構築する方法を紹介します。 WSL2でUSBカメラ入力する方法も紹介します。
機械学習

OpenPoseで骨格推定 Tensorflow 2.x版(M1 Mac/Intel Mac/Windows11対応)

M1 Macに対応したMinicondaでOpenPoseによる骨格推定を行う方法を紹介します。 Tensorflow 2.xを使用しています。 画像、動画、カメラ入力に対応し、推定した骨格と重ね合わせて表示できます。
機械学習

Jetson-Nanoの使い方 JetPack4.3でTensorflowとDeepStream

Jetson-Nanoの立ち上げからTensorFlow実行やDeepStreamのサンプル実行を試す方法を紹介します。 動画のAI処理は見ていてとても楽しく、この記事が機械学習をはじめるきっかけになれば幸いです。
機械学習

機械学習環境ベンチマーク

これまでに当サイトで扱ってきた機械学習環境の実行速度比較を行い、その結果を紹介します。 結論としてはGoogle Colabがダントツで速く、次いでハイスペックMacbook、GPU搭載Macbookでした。 Jetson-Nanoは上記より遅いですが、この機器の目的が推論実行にあるため、単純に比較すべきではありませんが、参考までに同じ条件下での結果を記載しています。
機械学習

NVIDIA GPU搭載MacBook ProにUbuntu 18.04を入れてCUDA/cuDNN/Tensorflow機械学習環境を構築

GPUを使用した機械学習環境をMacBook Proで立ち上げるまでにかなり苦労したので、内容を備忘録として残します。 最近のMacBookには載っていないのですが、2012〜2013年あたりのMacBookにはNVIDIA GPUが載っているマシンがあり、これを利用した機械学習環境を構築しました。 OSはUbuntu 18.04をmacOSとデュアルブートにして、起動時に切り替えて立ち上げられるようにしました。
機械学習

Google ColabでGPU/TPU使用の機械学習

無料でGPUを利用できる機械学習環境Google Colaboratoryを試し、とても役に立つと感じたので紹介します。 自分で高速な機械学習環境を構築するには、高価なGPUを購入したり、それを組み込むデスクトップPCを自作したりと、かなりハードルが高いですが、クラウドサービスであるGoogle Colabを利用すれば、高性能なGPUを利用した本格的な機械学習を実施できます。 また、環境構築も難易度が高いのですが、Google Colabではすぐに機械学習が実施できる環境が整っており、これから機械学習を始める方の助けになります。
スポンサーリンク
タイトルとURLをコピーしました