Weitere ähnliche Inhalte
Ähnlich wie [GTC 2018] DGXフォーラム Ridge-i発表資料 (20)
[GTC 2018] DGXフォーラム Ridge-i発表資料
- 2. 1©2018 Ridge-i All Rights Reserved.
事業領域
ビジネスニーズに最適化し
たAI技術を提供
• AIコンサルティング
− 機械学習・ディープ
ラーニング中心
• ソリューション開発
− 例:放送品質モノクロ
映像 彩色ディープ
ラーニング
会社概要
オフィス
• 千代田区大手町1-6-1-
442(大手町駅直結)
従業員数
• 15名 + α
主に機械学習エンジニ
ア、コンサルタント
就労スタイル
• 裁量労働制
パートナーシップ
Deep Learning Lab幹事企業
(コミュニティ登録者3963人)
Ridge-iについて
- 3. 2©2018 Ridge-i All Rights Reserved.
事例① 彩色ディープラーニング
NHKで放映実績あり
NHK『第50回思い出のメロディー』(2018年8月放送)
• 番組内の企画コーナー “歌でつながる時代”―
「カラーでよみがえる 第1回 思い出のメロディー」のため
に、初めて放送された回の白黒映像一部を、本システム
を用いてカラー化
NHKスペシャル
「戦後ゼロ年東京ブラックホール 1945-1946」
(2017/8/20 NHKで放送)
大相撲
(2017/5/21 NHKで放送)
省力化を実現しながらも、放送クオリティを確保
人が価値を生み出せるところに集中し、AIをパートナーに
無断転載・配布禁止
プレゼン用途のみの画像部分
配布資料から削除しております
- 4. 3©2018 Ridge-i All Rights Reserved.
事例② ごみ焼却炉でのセグメンテーション活用
荏原環境プラント株式会社様と共同開発
従来の自動運転では
投入するごみ質の変動が大きく、
安定した燃焼ができない
ごみの質をピクセル単位で
認識することに成功
熟練オペレータのノウハウを再現、
投入するごみ質の安定化が可能に
ごみ焼却炉イメージ図
<燃焼状態を監視する中央操作室><クレーン操作室>
ごみピット
焼却炉
課題と目的
- 6. 5©2018 Ridge-i All Rights Reserved.
• ルールでは波とオイルは分類困難
• 読み解けるのは一部のエキスパートのみ
• AIの活用により、オイルスリック(油膜)が
あるエリアを100%の精度で特定
衛星画像に対するディープラーニングによる解析の普及活動に参画
(総務省 4次元サイバーシティの活用に向けたタスクフォースのメンバー)
数枚の画像で学習
レーダー画像 AIによる解析
事例③ 衛星レーダ画像 SARでオイル流出検出
- 7. 6©2018 Ridge-i All Rights Reserved.
AI
今回は、この技術をベースDGXで検証
学習用の良品画像
良品画像の
特徴を学んだ
AI
検品画像 不良判定
良品には存在しなかった
キズ・ゆがみなどを検出
事例④ ルールにできなかった 異常検知
生成モデルによる極小の傷の検知
- 8. 7©2018 Ridge-i All Rights Reserved.
Ridge-iによるDGX-1検証
■比較対象
①DGX-1 Tesla V100 16GB × 8枚
②PCサーバー GeForce 1080 Ti 11GB × 4枚
■検証したアルゴリズム
独自開発した、異常検知用のAnoGAN ディープラーニングネットワーク
注:1日の検証なので、Apple to Appleではない簡易的な検証です。ご容赦ください
- 9. 8©2018 Ridge-i All Rights Reserved.
Ridge-iによるDGX-1検証
■調査背景
- NVIDIA社が発表したProgressive Growingという
2px*2pxから1024px*1024pxまで順次ネットワークを拡張させることで、
高解像度での学習と解析を可能する手法
(※本日テクニカルセッションで説明。SlideShareにアップ済)
- 解像度が良い反面、学習時間が多くかかる
- GPU4枚のPCサーバーでは2週間ほど学習にかかり、
効率化が求められていた
- 10. 9©2018 Ridge-i All Rights Reserved.
● Karrasらによって提案[3] (NVIDIA!!)
● 従来のGANsのクォリティを遥かに上回るGANsの学習手法
○ 低解像度画像から徐々に学習を進め,最終的に高解像度・高精細画像を得る
(参考)Progressive Growing of GANs
- 11. 10©2018 Ridge-i All Rights Reserved.
(参考)AnoGANの利用用途
1~2 ピクセルの微細な傷に対して、
生成できない部位として外れ値が高く出力
プレゼン用途のみの画像部分
配布資料から削除しております
- 12. 11©2018 Ridge-i All Rights Reserved.
Ridge-iによるDGX-1検証
■学習条件
• 画像セット 322枚
• 学習画像サイズ 512px*512px
• Batch sizeはサーバーごとにメモリアウトしない最大
①DGX-1 64枚
②PCサーバー 16枚
※DGX-1ではNVLinkで一つの仮想メモリとして使えるのが大きな魅力
• イテレーション数 画像を20万枚分 学習するまで実行
- 13. 12©2018 Ridge-i All Rights Reserved.
Ridge-iによるDGX-1検証
■1イテレーションあたりの計測結果
1イテレーションあたり3倍程度のパフォーマンス向上
①DGX-1
②PCサーバ ー
②/①
(速度向上)
Forward
(a)
23.3ms
59.8ms
2.6倍
Total
(a+b+c+d)
46.1ms
151.2ms
3.3倍
Dataloader
(c)
13.4ms
51.7ms
3.8倍
Backward
(b)
3.2ms
7.4ms
2.3倍
その他
(d)
6.2ms
32.4ms
5.3倍
- 14. 13©2018 Ridge-i All Rights Reserved.
Ridge-iによるDGX-1検証
■総計測結果
バッチサイズ イテレーション 総学習時間
①DGX-1 64枚 3,125回 144s
②PCサーバー 16枚 12,500回 1,890s
②/① (速度向上) 13.1倍
バッチサイズが4倍多く確保でき、
全体として13倍のパフォーマンス向上を発揮
- 15. 14©2018 Ridge-i All Rights Reserved.
Ridge-iによるDGX-1検証
■使い勝手
– NVIDIA Dockerのイメージにより、必要な環境を迅速に構築可能
– NVLinkで一つの大容量メモリとして利用でき、大きなバッチサイズで学習可能
– 複数GPUに分散する処理をユーザーが意識しないで行える
■まとめ
– GPU枚数の対比としても、5倍のスピードアップを実感
– パフォーマンスを線形にスケールさせる並列環境を構築する手間を省け、
DGX-1 1台ですぐに実現できる面は非常に魅力的
超高速な並列GPU学習環境を、手間なく、すぐに構築できます