Oracle CloudにChainerをインストールしてみる。

15299 ワード

DeepLearning oracle Chainer MachineLearning 機械学習 oracle テキストリンク

Oracle Cloudには剥き身のOSだけが扱えるIaaSもありますが、PaaSであってもOSレイヤもいろいろいじれてしまえるのが特徴です。今回はPaaSの中のOracle Database Cloud Serviceにディープラーニングフレームワークで有名なChainerをインストールしてみます。

公式インストールガイド

Oracle Database Cloud Serviceの特徴としては、OSはOracle Linuxで固定となります。元々PaaSなので、OSを選択するという概念はありません。Oracle LinuxはRedhat互換のOSのため、パッケージのインストールにはyumを使用します。
あとは、OSユーザが最初から二つ作成されており、database管理系はなじみのoracleユーザですが、OS管理にはopcユーザが存在します。opcユーザはsudoが使えるので、root権限が必要な操作も実施することができます。今回は特にDatabaseと接続などは考えていないので、opcユーザを使用していきます。

Chainerを入れるための事前準備

個人的にpython使う時はpyenvでバージョンを管理したいので、pyenvをgit cloneで入れます。

[opc@OracleML ~]$ git clone https://github.com/yyuu/pyenv.git ~/.pyenv

bashrcに以下を追加

export PYENV_ROOT=\$HOME/.pyenv　
export PATH=\$PYENV_ROOT/bin:\$PATH
eval "\$(pyenv init -)"

書き終えたらbashrcを再読み込みすることによって、pyenvを使えるようにします。再ログインしてももちろん大丈夫です。

pyenvから最新のpython2.7をインストール(2016年5月17日時点)
※chainerは2.7.6+, 3.4.3+, 3.5.1+をサポートするので、python3系でももちろん動作します。

[opc@OracleML ~]$ pyenv install 2.7.11
Downloading Python-2.7.11.tgz...
-> https://www.python.org/ftp/python/2.7.11/Python-2.7.11.tgz
Installing Python-2.7.11...

インストールされているか確認

[opc@OracleML ~]$ pyenv versions
* system (set by /home/opc/.pyenv/version)
  2.7.11

※がついているのが現時点のバージョン。2.7.11を使いたいので、使うバージョンを変更します。

[opc@OracleML ~]$ pyenv global 2.7.11

改めて、バージョンの確認

[opc@OracleML ~]$ pyenv versions
  system
* 2.7.11 (set by /home/opc/.pyenv/version)

※が2.7.11についたのでこれで問題なし。

Chainer側のインストールにC++コンパイラが必要なので、インストールします。

[opc@OracleML ~]$ sudo yum install gcc-c++
※出力は長いので一部省略
Updated:
  gcc-c++.x86_64 0:4.4.7-16.el6

Dependency Updated:
  cpp.x86_64 0:4.4.7-16.el6               gcc.x86_64 0:4.4.7-16.el6
  gcc-gfortran.x86_64 0:4.4.7-16.el6      gcc-gnat.x86_64 0:4.4.7-16.el6
  gcc-java.x86_64 0:4.4.7-16.el6          gcc-objc.x86_64 0:4.4.7-16.el6
  gcc-objc++.x86_64 0:4.4.7-16.el6        libgcc.i686 0:4.4.7-16.el6
  libgcc.x86_64 0:4.4.7-16.el6            libgcj.x86_64 0:4.4.7-16.el6
  libgcj-devel.x86_64 0:4.4.7-16.el6      libgfortran.x86_64 0:4.4.7-16.el6
  libgnat.x86_64 0:4.4.7-16.el6           libgnat-devel.x86_64 0:4.4.7-16.el6
  libgomp.x86_64 0:4.4.7-16.el6           libobjc.x86_64 0:4.4.7-16.el6
  libstdc++.i686 0:4.4.7-16.el6           libstdc++.x86_64 0:4.4.7-16.el6
  libstdc++-devel.x86_64 0:4.4.7-16.el6

setuptoolsをアップグレードしておきます。

[opc@OracleML ~]$ pip install -U setuptools
Collecting setuptools
  Downloading setuptools-21.0.0-py2.py3-none-any.whl (509kB)
    100% |████████████████████████████████| 512kB 833kB/s
Installing collected packages: setuptools
  Found existing installation: setuptools 18.2
    Uninstalling setuptools-18.2:
      Successfully uninstalled setuptools-18.2
Successfully installed setuptools-21.0.0

Chainerのインストール

とは言ってもpipからchainerをインストールするだけです。

[opc@OracleML ~]$ pip install chainer
Collecting chainer
  Downloading chainer-1.8.2.tar.gz (934kB)
    100% |████████████████████████████████| 937kB 447kB/s
Collecting filelock (from chainer)
  Downloading filelock-2.0.6.tar.gz
Collecting nose (from chainer)
  Downloading nose-1.3.7-py2-none-any.whl (154kB)
    100% |████████████████████████████████| 155kB 2.7MB/s
Collecting numpy>=1.9.0 (from chainer)
  Downloading numpy-1.11.0.tar.gz (4.2MB)
    100% |████████████████████████████████| 4.2MB 111kB/s
Collecting protobuf (from chainer)
  Downloading protobuf-2.6.1.tar.gz (188kB)
    100% |████████████████████████████████| 188kB 1.8MB/s
Collecting six>=1.9.0 (from chainer)
  Downloading six-1.10.0-py2.py3-none-any.whl
Requirement already satisfied (use --upgrade to upgrade): setuptools in ./.pyenv/versions/2.7.11/lib/python2.7/site-packages (from protobuf->chainer)
Installing collected packages: filelock, nose, numpy, protobuf, six, chainer
  Running setup.py install for filelock
  Running setup.py install for numpy
  Running setup.py install for protobuf
  Running setup.py install for chainer
Successfully installed chainer-1.8.2 filelock-2.0.6 nose-1.3.7 numpy-1.11.0 protobuf-2.6.1 six-1.10.0

Chainerをインストールするとpythonの数値計算用ライブラリで有名なnumpyとかも合わせてインストールされます。

ちゃんと動くか確認

無事に動くか確かめるためにmnistのサンプルプログラムを実行
ファイルをダウンロードしてくるので作業用ディレクトリを作ります。
※圧縮状態で1.8MB弱のデータがダウンロードされます。

[opc@OracleML chainer]$ mkdir -p work/chainer
[opc@OracleML chainer]$ cd work/chainer
[opc@OracleML chainer]$ wget https://github.com/pfnet/chainer/archive/v1.8.2.tar.gz
--2016-05-17 15:23:18--  https://github.com/pfnet/chainer/archive/v1.8.2.tar.gz
Resolving github.com... 192.30.252.121
Connecting to github.com|192.30.252.121|:443... connected.
HTTP request sent, awaiting response... s/mnist/train_mnist.py302 Found
Location: https://codeload.github.com/pfnet/chainer/tar.gz/v1.8.2 [following]
--2016-05-17 15:23:19--  https://codeload.github.com/pfnet/chainer/tar.gz/v1.8.2
Resolving codeload.github.com... 192.30.252.144
Connecting to codeload.github.com|192.30.252.144|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: unspecified [application/x-gzip]
Saving to: “v1.8.2.tar.gz”

    [     <=>                               ] 1,865,695   1.78M/s   in 1.0s

2016-05-17 15:23:21 (1.78 MB/s) - “v1.8.2.tar.gz” saved [1865695]

[opc@OracleML chainer]$ tar xzf v1.8.2.tar.gz
[opc@OracleML chainer]$ python chainer-1.8.2/examples/mnist/train_mnist.py
GPU: -1
# unit: 1000
# Minibatch-size: 100
# epoch: 20
Network type: simple

load MNIST dataset
Downloading train-images-idx3-ubyte.gz...
Done
Downloading train-labels-idx1-ubyte.gz...
Done
Downloading t10k-images-idx3-ubyte.gz...
Done
Downloading t10k-labels-idx1-ubyte.gz...
Done
Converting training data...
Done
Converting test data...
Done
Save output...
Done
Convert completed
epoch 1
graph generated
train mean loss=0.191361587822, accuracy=0.942716671055, throughput=41.6892000542 images/sec
test  mean loss=0.0909628344493, accuracy=0.969800004363
epoch 2
train mean loss=0.0739348402239, accuracy=0.977466677626, throughput=41.7980654511 images/sec
test  mean loss=0.0737590348307, accuracy=0.977700006962
epoch 3
train mean loss=0.0460491577055, accuracy=0.985283343196, throughput=41.8672285113 images/sec
test  mean loss=0.0851957379319, accuracy=0.972600005269
epoch 4
train mean loss=0.0372030753359, accuracy=0.988516676029, throughput=41.8309492376 images/sec
test  mean loss=0.0761305289133, accuracy=0.977800009251
epoch 5
train mean loss=0.0300519610067, accuracy=0.99026667436, throughput=41.8231355797 images/sec
test  mean loss=0.0759965585483, accuracy=0.979400006533
epoch 6
train mean loss=0.0228657945233, accuracy=0.992600006262, throughput=41.8207654705 images/sec
test  mean loss=0.07971162725, accuracy=0.978800007105
epoch 7
train mean loss=0.0186917934164, accuracy=0.994066672126, throughput=41.8575257029 images/sec
test  mean loss=0.0735157749392, accuracy=0.980700005293
epoch 8
train mean loss=0.0197259162495, accuracy=0.993233339489, throughput=41.8038634911 images/sec
test  mean loss=0.0788154986306, accuracy=0.981200004816
epoch 9
train mean loss=0.0186268132607, accuracy=0.994200005432, throughput=41.8321415426 images/sec
test  mean loss=0.0705992765316, accuracy=0.981400005817
epoch 10
train mean loss=0.0122995013625, accuracy=0.995800003906, throughput=41.8293981004 images/sec
test  mean loss=0.0840267806896, accuracy=0.980400006771
epoch 11
train mean loss=0.0152960172197, accuracy=0.994950004816, throughput=41.8024463269 images/sec
test  mean loss=0.0897405684877, accuracy=0.981700005531
epoch 12
train mean loss=0.011390889745, accuracy=0.996050003767, throughput=41.8014272636 images/sec
test  mean loss=0.0988696553496, accuracy=0.981500008106
epoch 13
train mean loss=0.0108807976301, accuracy=0.99655000329, throughput=41.7682246509 images/sec
test  mean loss=0.10508250903, accuracy=0.980000008345

2時間くらい回し続けて、epoch5までしか行きませんでした。
そのままサンプルスクリプトをキックすると1コアだけ100%で使い切る感じです。

推奨されるChainerのプラットフォームは

Ubuntu 14.04 LTS 64bit
CentOS 7 64bit

となっていますが、Oracle Linux(OL6.6)にも問題なくインストールすることができました。
次回はもう少しChainerで遊ぶか、Oracle Cloudとの連係らしいのを作っていきたいですね。

Author And Source

この問題について(Oracle CloudにChainerをインストールしてみる。), 我々は、より多くの情報をここで見つけました https://qiita.com/ogamiki/items/a23558e086754f012b6b

著者帰属：元の著者の情報は、元のURLに含まれています。著作権は原作者に属する。

Content is automatically searched and collected through network algorithms . If there is a violation . Please contact us . We will adjust (correct author information ,or delete content ) as soon as possible .

C++スマートポインタの原理と実現

C++同時-反発元