WindowsのWSL2は深層学習にガッツリ使えるか？

いろいろ検討した結果、

「WindowsのWSL2は深層学習に使える」

と、結論しましたので、ここに記録。

が、諸事情によりタイトルは？を付けました。

諸事情は最後に。

まず、

Windows及びNvidia driverはとことんアップデートする。

その後、

https://chigusa-web.com/blog/wsl2-win11/

のようなサイトを参考にWSL2をインストール。

Windowsは、１０でも１１でもいい。

proでもhomeでもOKだけど、proが無難。

Windows Terminalも導入（デフォルトよりも見やすいし拡張性もある）。

https://apps.microsoft.com/store/detail/windows-terminal/9N0DX20HK701

Windows Terminalの新規タブでUbuntuを選び、

$ nvidia-smi

を走らせてGPUを確認。

（ここは驚き。なにもしてないのにGPUがつかえる！）

つまり、どういうことかというと、

Windowsで導入されている、nvidia driverが、

そのままubuntuにも反映される。

Windowsでnvidia driverをupdateすると、

Ubuntuの再起動後、自動的にubuntuにも反映される。

このUbuntuはWindowsの支配下にあることを忘れてはいけない。

cudaのバージョンを上げてはいけないときは、要注意ポイント。

anacondaをubuntuに導入。

https://www.salesanalytics.co.jp/datascience/datascience141/

とても簡単。

新しいconda環境をつくり、

conda create -n ##

自分のアプリをセットアップ。

Ubuntuでは出なかったようなエラーがいくつかでるかもしれないが、

たいていpathだったり、ちょっと足りないライブラリーだったりなので、

エラーを検索しつつ、黙々と対処。

Windowsのファイルを送り込むときは、

エクスプローラのアドレスバーに「\\wsl$」と入力する。

WSL2がバーチャルマシンであることを目視できる。

ここからhomeにアクセスできる。

UbuntuのGUIアプリは、Windowsのアプリのように動きます。

（これも驚き！）下記の最後のほう。

https://chigusa-web.com/blog/wsl2-win11/

GPUを使った深層学習の計算処理スピードは、純UBUNTUの半分くらい（同じマシンでOSを入れ替えて比較）。この速度をどう考えるか。

もう一点。当たり前と言えば当たり前だが、メモリー管理はWindowsがやっているので搭載メモリーの一部だけがUbuntuに割り当てられる。せいぜい半分くらいか。シングルユーザーで使っている分には問題はないとは思うが、これをどう考えるか。

Windowsだからといって、何から何までお世話をしてくれるわけではないし、速度やメモリーに制限はあるにしても、何かと便利なバーチャルubuntu。これからはWindowsが選択肢のひとつにしてもいいかもしれません。

"""

上記の方法では、まだ全然完全ではないです。WSL2のところはまあいいとして、Ubuntuではなく、Windowsで深層学習をしようとすると、やはりちゃんとcuda+cuDNNをwindowsに、ちゃんと導入しないといけないです。

WSL2側にもちゃんとcuda+cuDNNを導入したほうがいいでしょう。「ちゃんと」の前に動いてしまっているのでややこしい。Ubuntuの場合、人がマシンを制御するのですが、Windowsの場合、Windowsがマシンを制御しているのです。そこに横入り的にドライバーをいれるわけですが、Windowsには向いていない作業となります。その意味において、WSL2に限定して深層学習をやるのがいいのかもしれません。その範囲で使う分には、何も問題は起こらないので安心です。要はOSの使い分けです。

"""

"""

なぜタイトルに？がついているかというと、WSL2をテストしたWindowsPCは結局のところすぐにUBUNTU22.04に書き換えてしまったからです。メモリをWindowsにとられるのは我慢するとしても、計算速度の遅さが致命的です。。。

あとMSの都合でハードの制限がかかったりするのも気になります。やはりWSL2はあくまでも補助的な役割のように思えます。よくよく考えると何でわざわざWindowsからUbuntuを使う必要があるのか不思議です。

"""

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。

UNUNTU22.04LTSのリモートデスクトップ

とにかく、美しく動くし、Windowsとの相性が抜群。

お勧めです。まるで手元にUBUNTUがあるがごとし。

matplotlib.pyplotとpyQt5とopencvに関するエラー

import os, cv2, itertools, csv
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

このような環境中、pltを使ったところで（ubuntu 22.04）

QObject::moveToThread: Current thread (0x561c4d10a240) is not the object's thread (0x561c4d65a110).
Cannot move to target thread (0x561c4d10a240)
qt.qpa.plugin: Could not load the Qt platform plugin "xcb" in "/home/deeptitan/.local/lib/python3.10/site-packages/cv2/qt/plugins" even though it was found.
This application failed to start because no Qt platform plugin could be initialized. Reinstalling the application may fix this problem.
Available platform plugins are: xcb, eglfs, linuxfb, minimal, minimalegl, offscreen, vnc.
Aborted (core dumped)

このような珍しいエラー。

どうやらmatplotlib.pyplotが使っているqtとopencvがぶつかっているみたいです。

対応方法は、

$ pip uninstall opencv-python

$ pip install opencv-python-headless

です。

ぶつかっているopencvのheadを無くせばいいわけです。

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

【「いま」の定義：２０２３年１月】

＝２５年現在ずいぶん変わりました。ブログの最新記事を参照してください。

https://doraemonkokoro.blogspot.com/2025/12/mint-222-cuda-rtx-a6000-a100rtx3090.html

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

Ubuntuでログインループの対処法

だいたい下記で治るようです。

https://qiita.com/musaprg/items/58d9dee4ef70e3882a9d

つまりNvidiaのドライバーが変ということ。

症状としてはログイン画面が荒い解像度になっているはず。

しかし、

適切なバージョンをインストールしようとしても、

すでに適切なバージョンだったりします。

わたしの場合、４４０が必要で、すでに４４０が入っていた状態です。

そんなときは、

sudo apt install --reinstall nvidia-xxx

です。

GUIログイン画面上で、Ctrl + Alt + F1を押して仮想コンソールに入って、

sudo apt install --reinstall nvidia-440

＆

sudo reboot

で無事に復帰しました。

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。

UBUNTUでのPython2とPython3の共存と切り替えはpyenv

Python2とPython3の切り替えです。

pyenvが便利です。

gitを導入してないときは、

$ sudo apt-get install git

から。

ついでに、

$ git config --global user.name ######

$ git config --global user.email ######

も。

pyenvの導入

$ git clone https://github.com/pyenv/pyenv.git ~/.pyenv

pathを通す

$ echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.bashrc

$ echo 'export PATH="$PYENV_ROOT/bin:$PATH"' >> ~/.bashrc

$ echo 'eval "$(pyenv init -)"' >> ~/.bashrc

$ source ~/.bashrc

以下のようなpathを通しているひともいたけど

$ echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.bash_profile

$ echo 'export PATH="$PYENV_ROOT/bin:$PATH"' >> ~/.bash_profile

$ echo 'eval "$(pyenv init -)"' >> ~/.bash_profile

$ source ~/.bash_profile

ターミナルを起動するたびに

$ source ~/.bash_profile

をやることになったので上のほうにした。

ubuntu 16.04LTSには足らないパーツがあったので

$ sudo apt-get install zlib1g-dev

$ sudo apt-get install libssl-dev

そんでもって、

$ pyenv install 3.6.7

$ pyenv versions

で、3.6.7が入っていたらＯＫ。

$ cd

で、python3が必要なフォルダーに移動してから、

$ pyenv local 3.6.7

とすると、カレントディレクトリーだけがpython3になります。

$ pyenv versionsで確認できます。

この状態の3.6.7は、すっからかんの状態ですので、

3.6.7支配下のカレントディレクトリーで

$pip install #####

で必要なパーツを入れていきます。

python3にはデフォルトでpipが入ってます。

$ pip list

で確認。

$sudo pip install #####

は不可です。

ここでsudoをやると、

systemのpython2のpipが動いてしまいます。

これで快適なpython3ができあがり。

読めないJPGファイルを一括変換【便利なプチ基礎知識】

頂いた画像セットがWindowsでは読めるのに

Ubuntuでは読めなかった。
Mac系フォルダーが同梱されているのでMacで作ったものらしい。

Ubuntuで読もうとすると、

Could not load image '34.jpg'.

Error interpreting JPEG image file (Not a JPEG file: starts with 0x89 0x50)

というエラーがでる。

starts with 0x89 0x50は、PNGファイルのようである。
拡張子はJPGであるが中身はPNGファイルと思われる。

そこで拡張子を変換。

しかし、jpg拡張子は普通のrenameコマンドでは変換できない。

rename jpg png *.jpg

とすると

Bareword "jpg" not allowed while "strict subs" in use at (user-supplied code).

となる。

rename .jpg png *.jpg

とすると

syntax error at (user-supplied code), near "."

となる。

こういうときは

rename 's/jpg/png/;' *.jpg

とする。

rename 's/返還前のテキスト/返還後のテキスト/;' 変えたいファイル名

という意味。

UBUNTUのSSDを入れ替えたら起動しなくなった場合の対処方法（デュアルブート時）

WindowsとデュアルブートしているUBUNTUで、
別のUBUNTUが入っているSSDと入れ替えて起動すると
OSの選択画面ではなく
grub>
画面が表示される場合。

＜対処法＞
Boot-repairというUbuntuのアプリケーションでブートローダーを修復する

１）DVDからトライモードでUbuntuを起動する
２）ppaの追加（proxy環境下でない方が望ましい）
    sudo add-apt-repository ppa:yannubuntu/boot-repair
    sudo apt-get update
３）Boot-repairのインストール
    sudo apt-get install -y boot-repair
    sudo boot-repair

４）Boot-repairが起動したら、”Recommended repair”を選ぶ
５）しばらく待つと、修復成功のメッセージと共にレポートが出力される

６）SSDを入れ替えた初回の起動では、Escでブートメニューを表示し、起動順序を確認する。

boot-repairはかなり細かいブートメニューをつくってくれますが、
もしgrubメニューのカスタマイズが必要なら、
「Grub Customizer でブートローダーをGUI編集、デュアルブートを快適に」
https://thjap.org/linux/ubuntu/5962.html

を利用。

私の場合、「UBUNTU、Windows」のふたつのみにしました。

ゼロから始めるＡＩ実験＠応用物理学会（東工大）

ゼロから始めるＡＩ実験（２０１９年３月１１日、東工大）でのリンクまとめ

応用物理学会＠東工大でチュートリアルを行いました。内容はOSすら入っていないPCから深層学習環境を作るというチャレンジでした。なかなかハードな時間でしたが、山本研＠宇都宮大の皆さんのおかげでなんとか最後までたどり着きました。聴衆の皆様お疲れ様でした。チュートリアルで使ったリンクを以下にまとめておきます。不明な点ありましたら、メールでおねがいします。GMAILアカウントは、eijwatになります。

参照する本ブログ記事
１）Ubuntu16.04LTSにChainerをInstallする（GTX1080 & GTX1080Ti）
２）Windows10とUbuntu14.04.5のデュアルブート（OMEN by HP Desktop 880）
３）UbuntuにChainerをInstallする（GTX1080）

補助テキスト
１）Option Text for "AI experiment starting from scratch" IN JAPANESE

プログラムコードとデータセット
Code and Data）＠ＦＩＧＳＨＡＲＥ

Predictive Coding Deep Neural Network in Chainer (ver.TB8B)
https://doi.org/10.6084/m9.figshare.7801154

Auto_Encoder with Convolutional_LSTM / SONY NEURAL NETWORK CONSOLE
https://doi.org/10.6084/m9.figshare.7679057

Optical flow analysis
https://doi.org/10.6084/m9.figshare.5483716

Test data for prediction
https://doi.org/10.6084/m9.figshare.5483680

Training_data for prediction
https://doi.org/10.6084/m9.figshare.5483668


ＡＩ実験応用例
１）研究室のＨＰ
２）論文のＨＰ
３）プレスリリース

Ubuntu16.04LTSにChainerをInstallする（GTX1080 & GTX1080Ti）

Ubuntu14.04LTSのサポート終了も迫ってきておりますので、
Ubuntu16.04LTSでChainerを使えるようにセットアップしました。

sudo do-release-upgrade

というコマンドを打てば、OSのアップグレードは通常問題なく行われます。が、今回はSSDをクリーンにして、そこへUbuntu16.04.5LTSとChainerを導入しました。
＊＊（後日、別のPC２台「１台は１０８０、もう一台は１０８０Ti」では、sudo do-release-upgradeを試みました。オプションはすべてデフォルト対応でうまくアップグレードされました。うまくいくかどうかはドライバーのバージョンなどに依存しそうな気もしていますが、do-release-upgradeは超便利なので、とりあえずこっちでやってみて、もしダメならそのとき考えるという方針がいいとおもいます）。

基本的には
「UbuntuにChainerをInstallする（GTX1080）」
と同じやり方です。

変更点や気になったところをいくつか列挙します。

（１）今回は４）～１１）は飛ばしてドライバー導入から始めました。今回のPCはマザーのビデオポートがないので、最初からGTX1080にディスプレイが繋がっています。最近のUbuntuには汎用ドライバーが組み込まれているので、もんだいなく画面は映ります。ただし、GTX1080専用のドライバーではありません。人によっては、この汎用ドライバーを使えなくしてから、GTX1080専用のドライバーを導入しているようです（途中X-Windowが使えなくなるかもです）。今回は邪魔くさいので、汎用ドライバーはキルしていません。

（２）Nvidiaドライバーは、この時点（２０１８年１２月１２日）での最新は４１５でしたので、nvidia-415をいれましたが、CUDA Toolkit（バージョン１０）を入れた時点で４１０にダウングレードされました。ここでnvidia-smiを実行しますと、Driver/Library version mismatchエラーがでます。前回はドライバーバージョンを再び無理無理上げましたが、今回はそのままリブートしました（リブート前に念のため４１５は手動でも削除）。リブートしてnvidia-smiを実行すると４１０で動いているのが確認されました。

（３）sudo apt-get install cudaのあと、apt-keyの設定をコマンド上で指示されていたので、指示通りに設定しました。

（４）パスを通した後、apt系、pip系のインストールをしました（可能な限りたくさん）。前回やりませんでしたが、今回はsudo pip install chainerの前に、sudo pip install cupyを手動で行いました（インストールに結構時間がかかります）。

（５）本質的なことではないのですが、この時点でpipはバージョン８です。最新はバージョン１８（番号デカい！）ですので、「バージョンアップよろしく」というメッセージがpipをつかうたびにでますが、これは無視しました。再帰的なバージョンアップは好ましくないとおもいます。pipはもともとaptで導入したので、aptでアップグレードしたほうがいいので、apt側の対応を待ちます。

Chainerは、まだ18.04LTSはリコメンドしていませんでの、この状態がいまのところベストかとおもいます。

Windows10とUbuntu14.04.5のデュアルブート（OMEN by HP Desktop 880）

OMEN by HP Desktop 880では、NVIDIA GeForce GTX1080Tiが使えるデスクトップ環境が提供されています。深層学習専用機と比較するとコストパフォーマンスはかなりよいです。OMENと似たようなコンセプトのゲーム機はいろいろありますが、あとはデザインの可否でしょうか。

搭載されている1080Tiは従来の1080と比較して速度はそれほど変わりませんが、メモリーが１１Gbまで拡大しています。画面表示と兼用しても、最低でも１０Gb以上の領域を深層学習計算用に確保できます（描画用のグラフィックボードを追加すれば１１Gbまるまる使えます）。手元のテスト環境としては十二分の能力でしょう。

OMENにはデフォルトでWindows10が付属しています。そこで今回はWindows10とUbuntu14.04のデュアルブート環境を構築します。Windows10を上書きするも一手ですが、ラボにWindows10環境がないのであえて残すことにしました。またSSDの領域を分けて使うとディスク容量に不安がありますので、Ubuntu用のディスクを新たに用意することとしました。元のWindows10は、M.2（エムドットツー）規格のＳＳＤに搭載されています（マザーボードへの直差し）。Windows10のバックアップ領域は別途３．５インチのハードディスクに用意されており、今回は両方とも温存します。

１）新しい２．５インチＳＳＤを用意し、筐体上部に用意されているＳＡＴＡスロットに差し込みます（２スロットのうち一つを使う）。このＳＡＴＡスロットは３．５インチ用なので、２．５インチＳＳＤを差し込む際には変換アダプターがあったほうがいいです。変換アダプターがなくても差し込むことは可能ですが、ユラユラして不安定です。筐体上部に用意されているＳＡＴＡスロット用には、OMENにはネジが８個付属しています。

２）Ubuntu14.04.5LTSのイメージＤＶＤを用意します。末尾のバージョンが５であることが重要で、このバージョン以降がＵＥＦＩブートに対応しています。１６．０４ＬＴＳなら何の問題もないでしょう（ただし未試行です）。

３）Windows10の高速ブートをＯＦＦにしてＰＣを落とします。http://121ware.com/qasearch/1007/app/servlet/relatedqa?QID=018214

４）イメージＤＶＤをセットしてＰＣを立ち上げ、ＥＳＣキーを押し続け、ＢＩＯＳ画面に移行します。まずＢＩＯＳにもある高速ブートをＯＦＦにします。さらにセキュアブート関係の項目をすべてＯＦＦにしたうえで、起動順を変更します。ＤＶＤを最優先にして起動させます。

５）まずはインストールなしのトライモードで立ち上げてみます。

６）うまく立ち上がったらデスクトップのインストールアイコンをクリックしてインストール開始です。インストール対象はデフォルトではM.2のＳＳＤになっているので、これを新しく差し込んだＳＳＤのドライブに変更します（ここは慎重に！間違うとWindows10環境を失います）。あとは通常通りのインストールです。新しいディスクへのインストールですので、ディスクを完全イレースした上でのインストールを選択します。

７）再起動後、ＢＩＯＳ画面で再度起動順を調整して終わりです。

８）うまくいけば、ＵＢＵＮＴＵのブートマネージャーが立ち上がります。

深層学習用の環境を整えるのは以前の記事の通りです。
https://doraemonkokoro.blogspot.jp/2016/09/ubuntuchainerinstallgtx1080_5.html
バージョンがいろいろ変わっていますが基本は一緒です。

Kerasの最新版２．１．Xでは、なぜかGPUが反応してくれなかったので、今回は２．０．８を使用しました。バックグラウンドにはTensorboardを使います。Chainerはバージョン３を使いましたが、問題なく動きました。



追記１（２０１８年６月１１日）：
Chainerのバージョンを４に上げました。問題なく作動しています。

追記２（２０１８年１１月２１日）：
Windows10とUbuntu14.04.5のデュアルブートなんか作ってもWindows10は使わないだろうなーとおもっていましたが、SONYがneural network console（https://dl.sony.com/ja/）という開発環境を提供し始めました。コードを書くことなく、深層学習ネットワークを組み上げることができます。
　クラウドで使うのが基本のようですが（Chromeで動きます）、Windowsのデスクトップオフライン環境でも高速に動作します（WindowsユーザーでGPUを保有しているかたは、デスクトップオフライン環境がお勧め）。似たような試みとしては、IBMのWatson Studioがありますが、こちらはクラウドのみですので、Windowsアプリとして自前のGPUでガンガン動かせるSONYを使うメリットはかなりあるかと思います。
　試しにインストールしてみましたが、まずチュートリアルの動作が快適です。OMENに搭載されているGTX1080Tiもうまく動いています（独自に拡張したオートエンコーダーで目測１５０倍速）。データセットの扱いが独特ですし、変数が使えなさそうな雰囲気なので大規模なネットワークを組むには不向きかもしれませんが（その場合はテキストタイプのものが用意されているようです）、視覚的に構造が確認できるので、特に教育現場では役に立つことでしょう。
　ちなみデフォルトで搭載されているRandom Structure Searchは便利です。こちらがネットワークの原型だけ与えれば、勝手にいろんな構造を試してくれます（独自に拡張したオートエンコーダーで、はじめ最小二乗法のエラーが0.006だったものが、２０時間ほどの探索で0.002まで下がりました。ただしネットワークは巨大化していく傾向にあります）。

追記３（２０２１年９月３０日）：

ある日突然まったく動かなくなりました。いくつかのPCが同時におかしくなったので、なにか変なことが起こったみたいです。結果的にはCMOSのクリアとメモリの接点清掃で復活しました。が、まだ不具合が。本体のSSDのWINDOWSのOSは削除、UBUNTU２０へ移行してましたが、WINDOWSのバックアップディスクが悪いことをしていたみたいです。これを取り除きました。もうひとつは、元のUBUNTUディスクへのログインがはねられました。これはレガシーブートに変更して対応できました。

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）

後日追記７

ということは渡辺英治君は、２０１６年ころに深層学習に手を出したということでした（２０２５年１２月時点での感想）。このころLLMが出てくるのはまだ想像してなかったなー。