機械学習向けの GPU リソース

Table of Contents

無料のリソース

大学の研究室

  • メリット：
    • 最も簡単で柔軟な手段。
    • 使用するにあたりマニュアルやサポートがあると思われる。
  • デメリット：
    • GPU の質は研究室の予算に依存する。
    • 繁忙期には、リソースが空くまで待つ必要がある可能性がある。
    • プロジェクトの再現性が低くなる可能性がある。ソースコードを公開する場合、ドキュメンテーションを慎重に作成する必要がある。

Google の TPU Research Cloud

TPU Research Cloud は研究者へ無料でクラウドの計算リソースを提供している。

  • メリット：
    • Tensor Processing Unit (TPU) を無料で使用できる。
  • デメリット：
    • TPU への 30日間の無料アクセスには、事前の申請と承認が必要。
    • TPU は無料だが、データセットのストレージなど、他の Google Cloud Platform サービスは有料。
    • Pytorch (Meta製) も使用できるが、TPU においては TensorFlow (Google製) の方が性能が優れていると言われている。これは、TensorFlow が TPU をネイティブにサポートしているためである。

Google Colab (無料プラン)

Google Colab.

  • メリット：
    • プロジェクトの再現性が高い。
  • デメリット：
    • 無料枠はマシンパワーが弱く、かつ時間制限がある。

有料のリソース

自分自身の GPU

  • メリット：
    • 一度 GPU を購入すると、電気代以外は無料。
    • いつでも利用可能。
  • デメリット：
    • GPU は時代遅れになりやすい（進化が早いため）。
    • GPU の稼働率が低い場合、クラウドサービスのオンデマンド利用に比べ、費用対効果が低くなる可能性がある。
    • GPU が故障する可能性がある。
    • ソースコードの再現性が低くなる可能性がある。

クラウドサービス

様々なサービスが存在するため、コストを比較し利用する。