ＡＩ初心者Ｑ＆Ａ

"""

よく受ける質問をまとめておきます。この記事は順次更新します。

"""

Ｑ１：深層学習はGoogle Colabじゃダメですか？

Ａ１：ダメじゃないです。他者との共有が簡単に出来るので、Google Colabですべてが出来れば、再現性という意味では理想的です。が、学習をガンガンやりだす、あるいは遺伝子データや動画データなどの巨大なデータを扱い出すと、無理筋になる状況が出てきますので、その時点が分岐点です。逆に、場合によってはGoogle Colabではローカルよりも大きなメモリー空間を確保できることがあります。これはGoogle Colabのメリットです。教育のプラットホームとしてもたいへん優れています。

"""

Ｑ２：深層学習をローカルサーバーでやるか、クラウドサーバーでやるか？

Ａ２：どちらでもいいです。が、クラウドでやるにしても一つくらいはローカルサーバーはあったほうがいいので、第一選択としてローカルサーバー、それ以上の処理はクラウドサーバーとなるでしょう。また最近ではＧＵＩ完備のＡＩツールもでてきているので、その場合、ローカルサーバーはあったほうが随分操作が楽になります。AWSやGoogleなどのクラウドサーバーは高額ですが、公立の研究者であれば、大学や研究所が共同利用のために用意しているスパコンは格安で使えることがあります。また逆に潤沢な研究資金があるならば、自分でニューラルネットワークをあれこれ触らなくてもノーコードのクラウドサービスもいっぱいあります。

"""

Ｑ３：深層学習はWindowsじゃダメですか？

Ａ３：ダメじゃないです。ただ、深層学習のコードの大半はLinux（多くの場合はUbuntu）で開発されていますので、Windowsで動かないコードが「かなり」あります（経験談）。例えば、DeepLabCutのようなメジャーコードですら一発起動とはいきません。とういわけで、Linuxが第一選択になります。あえてWindowsを第一選択にするとすれば、SONY Neural Network Consoleをメインで使いたいときです。

最近のWindowsはWSL2というバーチャル空間にUbuntuを内挿しており、これは「完全なUbuntu」を謳っておりまり、このWSL2を深層学習に利用する手があります。純粋なLinuxと比べれば、それなりのクセがありますが、Windows側からもファイルにアクセスできますし、Linux側からもWindowsのファイルにアクセスできますのでとても便利です。また、ハードウエアのセッティングはWindowsがやってくれますので超楽ちんです。ゲーミングＰＣを買ってきたらすぐに深層学習ができます。生粋のUbuntuよりは計算処理スピードの面で劣っておりますし（当社比で半分程度）メモリーもWindowsから恵んでいただく状態なのは大問題ですが、これもそのうち多少は改善されるでしょうし、今後、windowsは選択肢としてはありかもです。ただ私としては非推奨です。

"""

Ｑ４：深層学習はＭａｃじゃダメですか？

Ａ４：ダメです。優れたコードエディターとしては使えますが、Ｍａｃだけで深層学習をやることはできません。理由はNvidiaのGPUが使えないからです（いまのところ）。NvidiaのGPUで計算しても数十時間の学習はざらにありますので、それが使えない環境は、選択肢から外れます。ただ、どのみちローカルGPUも、SSH接続や、リモートデスクトップで使いますので、手元のマシンは慣れたOSがいいので、手元のインターフェースとしてMacはいい選択でしょう。

"""

Ｑ５：ＧＰＵワークステーションは値段が高いのですが、必要でしょうか？

Ａ５：市販のゲーミングＰＣで十分です。というか、速度だけで言えば、ゲーミングＰＣのほうが速いです（経験談）。ＧＰＵメモリーのエラーチェック機構は深層学習には必要ありません。選ぶ基準はＧＰＵメモリーの大きさを優先させてください。次は電源の大きさ、メインメモリーの大きさ（GPUメモリーの倍くらい欲しい）、熱処理（とても大事。最悪扇風機の出番）、筐体の大きさ（できるだけ大きいほうがいい）、拡張性の高さなどです。

もうひとつ言うと、ＧＰＵワークステーションは拡張性は高く、しかも使われているパーツの耐久性は抜群なのですが、メモリーやファンなど、ワークステーション専用のパーツを使っていることが多く、これらのパーツは手に入りにくく、しかも高価なので要注意です。

ゲーミングＰＣのGPUで対応しきれなくなったらクラウドPCのレンタルという選択が良いと思います。現状のゲーミングPCのGPUメモリーが２４Gbが最大（２０２３年３月現在）ですので、このメモリーを超えるような処理が必須になってきた時、クラウドPCの４０Gb、８０Gb（あるいはそれ以上のモンスター）の出番となります。

"""

Ｑ６：コードエディターは何がいい？

Ａ６：好きなものをお使いください。ちまたではVS Codeが大人気です。迷ったらこれです。みんなが使っているので安心感が違います。私は使っていません。

＝＝＝

Ｑ７：

Ａ７：

NVIDIAドライバーが認識されなったとき（ディスプレイの解像度が低下）

 例えば、不用意にUBUNTUのアップデートをしてしまい、NVIDIAドライバーが認識されなくなることがあります。そんなときは、あきらめて、再インストールです。

sudo apt autoremove cuda

をしたあとに、通常のNVIDIAドライバーのインストールです。

現状、cudnn for cuda 11.xが最新なので、

cuda 11.8を入れることになります。

「cuda 11.8」で検索です。

Installation Instructions:

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin

sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-ubuntu2204-11-8-local_11.8.0-520.61.05-1_amd64.deb

sudo dpkg -i cuda-repo-ubuntu2204-11-8-local_11.8.0-520.61.05-1_amd64.deb

sudo cp /var/cuda-repo-ubuntu2204-11-8-local/cuda-*-keyring.gpg /usr/share/keyrings/

sudo apt update

sudo apt -y install cuda

keyringsのところは、ターミナルで指定されます。

最後に

sudo rebootです。

UBUNTU 20.041lts 22.04lts & CUDA & RTX-A6000 (A100、OMEN RTX3090もおなじ)

【「いま」の定義：２０２３年１月】

以下は、OMENのRTX3090（注：４５Lではないやつ＝４５Ｌはすこし厄介です）をセットアップしていますが、どのような機種でも基本は同じです（RTX-A6000 やA100など）。UBUNTUは、20.041ltsか22.04ltsの２択ですが、安全をみれば練りに練られた20.041lts。Windowsとのリモートデスクトップ環境をとるなら22.04lts。私の場合はデスクトップのクラゲが好きなので22.04ltsの一択。

【BIOS設定】

BIOSで、セキュアブートはオフにしたほうが無難。インテルのソフトセキュリティも。これをしないとNvidia系のドライバーが認識されなかったり、ネットワークが勝手に切られたりする。されない場合もときにある。結論としては、どちらでもいいか。

【SSD】

OMEN RTX3090の場合、データディスクのHDDを抜いて替わりにSSDを刺し、このSSDにUBUNTUをインストール。WINがいらないという人はM.2にインストール。いままでの経験上、WINを残しても使ったことはなく、なくしてしまったほうがいいかも。

以下は、PredNet in PyTorchとPredNet in Chainerを動かすまでの手順。Prednet以外のAIを使う場合も途中まで同じ。

注）以前はsudo pip3 installでやっていましたが、今はpip3 installで実行しています。pipは階層的にはaptの下と考えれば、そのほうがよさそう。あと、22.04ltsでは、若干異なることろもあり。

CDもしくはUSB（USBでのインストールを強く推奨）でUBUNTUをインストールしたあと、以下のコマンドを順次入力していく。

（まずは）

$ sudo apt update

$ sudo apt upgrade

（ここは個人的な趣味）

$ sudo apt install geany

（ここから本番）

$ sudo apt install python3-pip

$ pip3 install -U setuptools

$ pip3 install -U cython

$ pip3 install -U filelock

https://developer.nvidia.com/cuda-toolkit

あるいはcuda 11.xを利用する場合は、cuda 11.xで検索（いま、cudnnは12がないので、11.xを推奨。また多くのＡＩコードは１２に対応していないので、そういう意味でも11.xを推奨）。

LINUX、ｘ８６＿６４、UBUNTU、２２．０４、deb(local)と選ぶと下記のような指令。

$ wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin

$ sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600

$ wget https://developer.download.nvidia.com/compute/cuda/11.4.2/local_installers/cuda-repo-ubuntu2004-11-4-local_11.4.2-470.57.02-1_amd64.deb

$ sudo dpkg -i cuda-repo-ubuntu2004-11-4-local_11.4.2-470.57.02-1_amd64.deb

$ sudo apt-key add /var/cuda-repo-ubuntu2004-11-4-local/7fa2af80.pub

$ sudo apt-get update

$ sudo apt-get -y install cuda

https://developer.nvidia.com/rdp/form/cudnn-download-survey

ログインして以下をダウンロード

DL: cuDNN Library for Linux (x86_64)

展開してフォルダー名がcudaとし、

cd ###

カレントをフォルダーのあるところへ

$ sudo cp -P cuda/lib/* /usr/local/cuda/lib64/

$ sudo cp cuda/include/* /usr/local/cuda/include/

$ sudo chmod 644 /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

$ sudo vi ~/.bashrc

vi editor「o」で以下を一番下に付け加える。copy & paste。

====

export CUDA_ROOT=/usr/local/cuda

export PATH=$PATH:/usr/local/cuda/bin

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64:

export CPATH=$CPATH:/usr/local/cuda/include

export CUDA_INC_DIR=/usr/local/cuda/bin:$CUDA_INC_DIR

====

「esc」して「:wq」でeditorを抜ける。

$ sudo reboot

$ nvidia-smi

でGPUが認識されているかどうかを確認。

以上で、GPUのセットアップはおわり。

次にPredNet in PyTorch。

興味のない方はここで終わり。

$ sudo apt install git

$ pip3 install opencv-python

$ pip3 install opencv-contrib-python

$ pip3 install tensorflow

$ pip3 install librosa

$ pip3 install matplotlib

$ pip3 install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

いまは、以下。時期によっては適宜修正。

$ pip3 install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 -f https://download.pytorch.org/whl/torch_stable.html

$ pip3 show torch

Name: torch

Version: 1.8.0+cu111

Summary: Tensors and Dynamic neural networks in Python with strong GPU acceleration

Home-page: https://pytorch.org/

Author: PyTorch Team

Author-email: packages@pytorch.org

License: BSD-3

Location: /usr/local/lib/python3.8/dist-packages

Requires: numpy, typing-extensions

Required-by: torchvision, torchaudio

pip3 install torchviz

pip3 install janome

pip3 install tqdm

cd #

$ git clone https://github.com/NIBB-Neurophysiology-Lab/pytorch_prednet

OR

$ git clone https://github.com/eijwat/prednet_in_pytorch

cd #

$ git remote -v

origin https://github.com/NIBB-Neurophysiology-Lab/pytorch_prednet(fetch)

origin https://github.com/NIBB-Neurophysiology-Lab/pytorch_prednet(push)

cd #

$ git pull https://github.com/NIBB-Neurophysiology-Lab/pytorch_prednet

以下のコマンドでテストラン

$ python3 main.py -s '160,120'

次にPredNet in Chainer。

cd #

git clone https://github.com/NIBB-Neurophysiology-Lab/pcdnn_s11

OR

https://github.com/eijwat/prednet_in_chainer_py3

cd #

git remote -v

origin https://github.com/NIBB-Neurophysiology-Lab/pcdnn_s11 (fetch)

origin https://github.com/NIBB-Neurophysiology-Lab/pcdnn_s11 (push)

$ pip3 install cupy-cuda114

Collecting cupy-cuda114

  Downloading cupy_cuda114-9.5.0-cp38-cp38-manylinux1_x86_64.whl (80.0 MB)

     |████████████████████████████████| 80.0 MB 6.8 MB/s 

Requirement already satisfied: numpy<1.24,>=1.17 in /usr/local/lib/python3.8/dist-packages (from cupy-cuda114) (1.19.5)

Collecting fastrlock>=0.5

  Downloading fastrlock-0.6-cp38-cp38-manylinux1_x86_64.whl (42 kB)

     |████████████████████████████████| 42 kB 279 kB/s 

Installing collected packages: fastrlock, cupy-cuda114

Successfully installed cupy-cuda114-9.5.0 fastrlock-0.6

$ pip3 install chainer

Successfully installed chainer-7.8.0

$ nvcc -V

nvcc: NVIDIA (R) Cuda compiler driver

Copyright (c) 2005-2021 NVIDIA Corporation

Built on Sun_Aug_15_21:14:11_PDT_2021

Cuda compilation tools, release 11.4, V11.4.120

Build cuda_11.4.r11.4/compiler.30300941_0

以下でテストラン

python3 PredNet/main.py -i data/train_list.txt

python3 PredNet/main.py -i data/train_list.txt -g 0

WINDOWS10が一瞬だけ暗転する問題について

DELLのPRECISION（ノート）を２０ｈ２に更新した途端に、

WINDOWS10が一瞬だけ暗転するようになった。

「windows10 暗転 一瞬」で検索するといろいろ対応策はでてきますが、

私のところの場合の解決策は、

BIOS画面で、VIDEOの項目ー＞オプティマックスー＞OFF

で解決しました。

このPCのBIOSに組み込まれたNVIDIAのオプティマックスは、WINDOIWS7用なので、そもそもWINDOWS10には対応していません。なぜか、２０ｈ２までは機能していたのが、それが顕在化したということでしょう。

古いグラボを積んでいるPCで起こる現象とおもわれます。

一応、WINDOWS10対応のNVIDIA純正のドライバーも手動でダウンロードしてインストールしておきました。

UbuntuにChainerをInstallする（TitanRTX）cudaとdriver

基本的には下記の記事通りです。

https://doraemonkokoro.blogspot.com/2016/09/ubuntuchainerinstallgtx1080_5.html

しかし今はＣＵＤＡとドライバーのコンビネーションが決まっているようで、

上のようにドライバーをインストール、ＣＵＤＡをインストール、という具合に順々にやると失敗します。

というわけで、ＣＵＤＡだけを導入します。

以前と違ってドライバーは勝手にインストールされます。

ここへ行きＣＵＤＡをインストールします。

https://developer.nvidia.com/cuda-toolkit

ボタンをポチポチ押してこんな感じに選択すると、

Installation Instructions:というテキストがでてきます。

灰色の中のテキストを忠実に実行してください。

sudo reboot

リブートして、nvidia-smiを実行して、

それなりのテーブルがでてきたらＯＫです。

Win10のグラボ（GTX750Ti）をGTX1080Tiに換装

GTX750Tiで動いているWin10のグラボをGTX1080Tiに換装しました。
基本的には下記ふたつのサイトを参照しました。

【できる！グラボ交換】 グラフィックボード・ビデオカードの増設・換装の方法
http://blog.livedoor.jp/wisteriear/archives/1061882137.html

Windows 10 をセーフモードで起動する方法、覚えておくべき注意事項
https://freesoft.tvbok.com/win10/safemode/how-to-enter-safe-mode.html
（4. msconfigを利用する場合で対応）

ポイントとしては、
１）十分な電源余力があるか（７５０Wくらい。電源ソケットに余り必要）
２）パソコンの筐体に十分な大きさがあるか（GTX1080Tiはとにかく長い）
の２点です。

【できる！グラボ交換】 の通りに作業を行い、グラボを付けたら再起動させ、NVIDIAの最新ドライバーインストーラーを起動させればあとは自動的にセットアップされます。いちおう予めNVIDIAの最新ドライバーインストーラーはダウンロードしておき、LANは切り離しておきました。msconfigを利用する場合は、マニュアルで元の設定に戻しましょうと書かれてありますが、勝手にもとにもどりました。SONYのNNCを走らせてGPUの働きと、温度をチェックすれば作業完了です。温度はELSA System Graphなどでチェックできます。

ちなみにこのグラボは色が虹のように変わるのですが、外からみえない...

UbuntuにChainerをInstallする（GTX1080）

DEEP LEARNINGの計算をする際、NVIDIAのGTX1080の威力は凄いとの噂で、今回ラボに導入することにしました。DEEP LEARNINGだけではなく、メダカの３Ｄアニメーションのレンダリングにも活躍するはずです。研究費を節約するためごく普通のマザーボード（Intel H97Express）にGTX1080という構成です。電源は８５０Ｗ、ＳＳＤは２５６Ｇｂ、メモリーは１６Ｇｂ確保しました。

インストールに苦労したので、ここに書き留めておきます。ネット上の沢山のサイトを参考にしました。感謝です。参考サイトはあまりにも多く、そして修正箇所多々でしたので引用は控えます。２０１６年の夏の時点でのインストールです。

準備
０）ディスプレイはGTX1080ではなく、ひとまずマザーボードのポートに差しておく。

OSのインストール
１）Ubuntu14.04LTS（６４ビット）をイメージＤＶＤからインストール（16.04LTSは非推奨）。
２）Ubuntuをアップデート。

Chainerが依存するライブラリーをインストール
３）以下はTerminalからのコマンド実行。
４）sudo apt-get install g++
５）sudo apt-get install python2.7
６）sudo apt-get install libhdf5-dev
７）sudo apt-get install python-dev
８）sudo apt-get install python-pip
９）sudo pip install -U setuptools
１０）sudo pip install -U cython
１１）sudo pip install -U filelock

以下１２）～２４）は最近は様変わりをしたようである。

最近（２０２０年春）にTitanRTX追加を導入したときは、

こちら。

https://doraemonkokoro.blogspot.com/2020/06/ubuntuchainerinstalltitanrtxcudadriver.html

<-これをやったら、２５）へ進むが、cudnnもバージョンは上がっておりますぞ。

GTX1080のドライバーをインストール
１２）リポジトリ登録
１３）sudo add-apt-repository ppa:graphics-drivers/ppa
１４）sudo apt-get update
１５）sudo apt-get install nvidia-370
この時点の最新版が３７０でした。
sudo apt-cache search 'nvidia-[0-9]+$'
で確かめることができます。
１６）おそらく途中で「BIOSのセキュアブートをオフにしますか」という指令がくるのでOKに。
１７）sudo reboot
１８）ここでマザーのビデオポートは使えなくなるので、ディスプレイをGTX1080に差し直す（使える場合もあります。使えるならマザーのビデオボードを使いましょう。現在本マシンはマザーのビデオボードでディスプレイを表示させていますので、GTX1080のメモリーは全部深層学習に使える状態になりました）。
１８）おそらくここで「BIOSのセキュアブートをオフにしますか」という指令がくるのでOKに。次回からは聞かれない。ちなみにセキュアブートのオフ状態はＯＳをクリーンインストールしても生きた状態が続くので注意。
１９）nvidia-smiで確認。テーブルが出てくればOK。ＧＰＵ番号と稼働状態が確認できる。

CUDAのインストール
２０）CUDA Toolkit8.0(RC)をnvidiaのサイトからWEBからダウンロード。ダウンロードするのは.debファイル。NVIDIAにアカウントを登録する必要がある。GTX1080の場合、現状ＲＣ版しか選択はない。
２１）sudo dpkg -i ###.deb
###.debはダウンロードしたファイルのディレクトリー。Terminalにそのまま投げ込めばＯＫ。
２２）sudo apt-get update
２３）sudo apt-get install cuda
２４）sudo apt-get install nvidia-370（２３でダウングレードされてしまうため。そのうちここは必要なくなる？）

もし修正パッチがあった場合は、
sudo dpkg -i ###.deb
でパッチをあてる。

cudnnのインストール
２５）NVIDIAからcudnn5.1をダウンロード（Library for Linux)。適当なところに解凍。
２６）解凍したフォルダーから所定の場所にファイルをコピー
sudo cp ###/lib* /usr/local/cuda/lib64/
sudo cp ###/cudnn.h /usr/local/cuda/include/
###は所定のディレクトリ－（Terminalにそのまま投げ込めばＯＫ）。行った先のファイルパーミッションは６４４に変更（sudo chmod 644 ###）。

パスを通す
２７）sudo vi ~/.bashrcで以下を一番下に付け加える。エディターviの使い方は各自勉強。
export CUDA_ROOT=/usr/local/cuda
export PATH=$PATH:/usr/local/cuda/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64:
export CPATH=$CPATH:/usr/local/cuda/include
export CUDA_INC_DIR=/usr/local/cuda/bin:$CUDA_INC_DIR

リブートしてパスをアクティブにする
２８）sudo reboot

パスを書き間違えているとターミナルからのコマンドがまったく通らなくなるので注意。もしすべてのコマンドが通らなくなったら、ターミナルから、
export PATH=/bin:/usr/bin:/sbin:/usr/sbin:/usr/local/bin:/usr/local/sbin

を実行してみる。

プロトコールバッファーを導入
２９）sudo pip install protobuf

chainerのインストール
３０）sudo pip install chainer
CUDAの位置などはchainerが自動で探し出してくれるので指定不要。

テストラン
３１）sudo apt-get install git
３２）sudo git clone https://github.com/pfnet/chainer.git
３３）ホームのchanierフォルダーのパーミッションは丸ごと７７７に設定。
３４）ホームのchainer/example/mnist内のtrain_mnist.pyを実行。
（ＣＰＵで計算。train_mnist.pyのとこはディレクトリーを）
python train_mnist.py
（ＧＰＵで計算）
python train_mnist.py --gpu=0
GPU番号はコマンドnvidia-smiで確かめることができる。普通は０になっている。
pythonのプログラム実行は、クセのようになっているsudo実行をやらないこと。
sudo vi ~/.bashrcで通したパスはログインユーザーにのみ有効。

結果
３５）ＣＰＵ計算すると数分かかる1 epochが、ＧＰＵ計算すると１秒ほどになりました。train_mnist.pyをデフォルト設定で実行すると（20 epoch）、ＣＰＵ計算で約２時間、ＧＰＵ計算で約２０秒です。DEEP LEARNINGにはＧＰＵ計算が必須なのは間違いありません。今後複数マシンでの分散計算へと時代は移行していくでしょうが、それはまだ試験段階のようです。

後日追記１
２０１７年２月２７日に新たなマシンが来たので再びセットアップ。インストールしていて気になったポイントは以下の通り。
A）１５）sudo apt-get install nvidia-370はnvidia-378になっていた。
B)それに伴う変更なのかBIOSのセキュアブートをオフにしますかという指令が来なかった（セキュアブートに対応した？）
C)CUDA Toolkit8.0(RC)はCUDA Toolkit8.0になっていた。にも関わらず、２４）のバージョン戻しは相変わらず必要。ひょっとしたらドライバーのインストールが省略できるのかもしれない。
D)python train_mnist.pyの実行でPlotReport関係のエラーが発生。それは以下でリポート済みの現象。
https://github.com/pfnet/chainer/pull/2277
古いtrain_mnist.pyファイルを動かしてみたら問題なく動いた。GPUもちゃんと動いた。

後日追記２
２０１６年９月にセットアップしたのはIntel H97ExpressのボードにCorei7 6700K/4core 4Ghzに１６Ｇｂメモリーという構成だった。メモリーは３２Ｇｂに増設はした。２０１７年２月にセットアップしたのはIntel H99ExpressのボードにCorei7 6800K/6core 3.4Ghzに３２Ｇｂメモリーという構成だった。使ってみると２０１６年版のほうが１．２倍くらい速い。同じGTX1080を積んでいても、古い方のマシンが速いという結果になった。

後日追記３
２０１７年６月１９日に新しいハードディスクにインストール。既存のChainerプログラムを走らせるとＣＵＰＹ関係のエラーがでた。知らない間にChainerがバージョン２に上がっていたので、たぶんこれが原因ということで、sudo pip install chainer==1.20.0.1で古いCHAINERをインストール。

後日追記４
別用途に買ってあったＧＴＸ１０７０を深層学習用に使えるようにした。既存のChainerプログラムを動かしてみたが十分実用に耐える実力を持っていた。十二分に速かった。

後日追記５
最近、深層学習専用機が売られています。自作ＰＣのと差は、１）一連の深層学習用のフレームワーク（ライブラリーやツール）がプレインストールされているか否か、２）ディスプレイ専用のＧＰＵが別に付属しているか否か、３）価格が高いか安いか、の３点だとおもいます。２）に関しては、ほんの若干計算のリソースに影響を与えるものと思いますが、大勢に影響なしだと思われますし、なんでしたら安価なグラフィックボード追加するのも一手です。１）のプレインストールは確かにありがたいですが、セットアップは数時間ですし、必要のないツールが入っていても無駄ですし、３）との兼ね合いかと思います。

後日追記６
Windows10とUbuntu14.04のデュアルブート（OMEN by HP Desktop 880）