本書では、FUJITSU AI Zinraiディープラーニング システムとFUJITSU Storage ETERNUS NR1000A Seriesで実現するディープラーニングについて説明します。
ImageNetデータセットを使用してTensorFlowベンチマークを実行し、学習性能、GPU負荷、ストレージI/O負荷の結果を説明しています。
[RELATED_POSTS]
はじめに
人工知能(AI)はさまざまな分野で活用されるようになっています。特にディープラーニングはより発展が望まれており、ディープラーニングで扱われるデータは増加傾向にあります。スマートフォン、タブレットのようなエッジデバイスやセンサーに代表されるIoTデバイスから送信されるデータは、これからも増大していくことが予測されます。
最適なディープラーニングの学習モデルを作り上げるには、多数の学習ジョブを実行していかなければなりません。さらに共有環境ではより多数のユーザが利用することになり、それに伴いアクセスするデータ量は増大していきます。
ディープラーニングの社会的な利用を模索していた頃、試験的に作られるディープラーニングではパソコンのローカルディスクに教師データを格納していました。しかし、上記のような業務システムに組み込まれるディープラーニングシステムや複数ユーザで共同利用するディープラーニング基盤では、大量のデータを格納できるストレージが必要です。また、障害に備えて、データの可用性、バックアップも必要です。
そして、GPUの飛躍的な性能向上により、サーバで並列に処理できるディープラーニングの学習ジョブ数も増加しています。そのような多数の学習ジョブに対してデータを安定的に供給し続けられる基盤システムが必要であり、サーバの処理能力とストレージの処理能力、その間のデータ転送能力のバランスが良いことが望まれます。
FUJITSU Storage ETERNUS NR1000A Seriesは、オールフラッシュアーキテクチャを採用した高速処理、コンポーネント冗長化、RAID方式による高可用性、SnapShot機能による高速なバックアップリカバリー、SnapMirror機能による遠隔地ミラーリングを兼ね備えたNASストレージであり、ディープラーニングの学習データの格納場所に最適です。
FUJITSU AI Zinraiディープラーニング システムは、高性能なハードウェアとディープラーニングで必要となるソフトウェアを組み合わせた垂直統合型のディープラーニング基盤であり、簡単システム運用を実現する運用機能や使いやすいWeb GUIによりディープラーニングを実行するコンピューティングノードとして最適です。
[SMART_CONTENT]
ここでは、これらの最先端のストレージとコンピューティングノードを組み合わせ、学習データをETERNUS NR1000 A300に配置し、Zinraiディープラーニング システムでディープラーニングの学習を行った場合の学習性能、GPU負荷、ストレージI/O負荷、および拡張性について考察します。
検証結果や拡張性、コンポーネントリストなどに関しましては以下のバナーをクリックいただくか、こちらよりダウンロードください。
