# DockerでTensorFlow環境を構築してGPU学習を試す方法

## 目次
1. はじめに
2. 必要なツールのインストール
3. Dockerイメージの準備
4. Dockerコンテナの起動
5. TensorFlow環境の確認
6. GPUを使った学習の実行
7. 注意点とトラブルシューティング
8. まとめ

### 1. はじめに
近年、機械学習は多くの分野で応用されており、その中でもTensorFlowは非常に人気の高いライブラリです。GPUを活用することで大規模なニューラルネットワークの学習速度を大幅に向上させることができます。本記事では、Dockerを使用してTensorFlowのGPU環境を構築し、実際に学習を試す方法について説明します。

### 2. 必要なツールのインストール
GPUを活用するためには、DockerとNVIDIAの関連ソフトウェアを正しくインストールする必要があります。以下のツールが必要です。

- Docker
- NVIDIAドライバ
- NVIDIA Container Toolkit（nvidia-docker）

具体的なインストール手順は以下のとおりです。

#### 2.1 Dockerのインストール
Dockerの公式サイトからインストールすることが推奨されます。

```bash
# Ubuntuの場合
sudo apt-get update
sudo apt-get install -y docker-ce docker-ce-cli containerd.io
```

#### 2.2 NVIDIAドライバのインストール
NVIDIAグラフィックカードを使用している場合は、対応するドライバをインストールします。ここでは、APTパッケージを使用してインストールする方法を紹介します。

```bash
# ドライバのリポジトリを追加
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update

# ドライバのインストール
sudo apt-get install nvidia-driver-470
```

#### 2.3 NVIDIA Container Toolkitのインストール
NVIDIAコンテナランタイムを用いることで、GPUをコンテナ内で使用できるようになります。

```bash
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update
sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker
```

### 3. Dockerイメージの準備
NVIDIAが提供しているTensorFlowのDockerイメージを使用します。このイメージにはすでにGPUサポートが組み込まれています。

```bash
docker pull tensorflow/tensorflow:latest-gpu
```

### 4. Dockerコンテナの起動
GPUを使用するコンテナを起動するためには、`--gpus`オプションを指定します。

```bash
docker run --gpus all -it --rm tensorflow/tensorflow:latest-gpu bash
```

### 5. TensorFlow環境の確認
コンテナ内でPythonを起動し、TensorFlowがGPUを認識しているかどうかを確認します。

```python
import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))
```

### 6. GPUを使った学習の実行
TensorFlowで簡単なニューラルネットワークを構築し、GPUを用いてモデルを訓練します。ここではMNISTデータセットを使用します。

```python
import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np

# MNISTデータセットの読み込み
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# モデルの構築
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# モデルの訓練
model.fit(x_train, y_train, epochs=5)

# モデルの評価
model.evaluate(x_test, y_test, verbose=2)
```

### 7. 注意点とトラブルシューティング
GPU環境でDockerを利用する際には、以下の点に注意が必要です。

- ホストにインストールされているNVIDIAドライバとDocker内のCUDAライブラリの互換性確認
- ドライバとCUDAのバージョンミスマッチによるエラーのチェック
- `nvidia-smi`コマンドでGPU使用状況を確認し、適切にリソースが割り当てられているか確認

### 8. まとめ
Dockerを使用することで、環境に依存しない形でのTensorFlowのGPU利用が可能です。これにより、開発環境の構築が最適化され、特に複数のプロジェクトやワークステーションを使用する開発者にとって非常に便利です。今後は、より複雑なネットワーク構造やTensorFlowの高度な機能を活用することで、さらなる学習効率の向上を図ることが期待されます。 [cv:issue_marketplace_engineer]

DockerでTensorFlow環境を構築してGPU学習を試す方法

目次

1. はじめに

続きを読むには単価診断を受けてください（30秒）