GPUとcupyの観察
Ver.1.005 2023.1.13
更新履歴
2022.12.3 Ver.1.000 新規作成
i5-2500でGPU（GTX1660)がついた古いマシンが、手に入った。GPUでAIをやるには、メモリは最低でも16GB、32GBくらい必要なそ うである。残念ながら，マ ザーボードの関係で、16GBにしかできんかった。
GPUを機械学習・深層学習させるには、NvidiaからCUDAプログラムがいる。cupyをインストールとき、GPUに合わせ る必要がある。
さて、cupyで何をしようかな？
なお、cupyは、GPUをpythonでプログラムするものである。
cupyは、Numpyの計算をGPUにしただけなのらしい。だから、NumpyはCPUで計算するので、配列はそのままでいいが、cupyでは、 Numpyのプログラムに配列をGPUに転送する行を追加しなければならないそうです。
さて、行列計算だから、線形代数です。今年の半期に放送大学で、「線形代数入門」を見ました。録画もしました。
そこで、線形代数入門から始めようかな？
トランジスタ回路は４端子回路計算で、行列計算だから、アナログでも無駄ではありません。
放送大学でも、AI入門を放送していたのです。時折見ていましたが、マシンが来るまで、無縁だと思っていましたが・・・・
まあ、基礎に戻って、線形代数から、始めましょう。
ところで、マシンには、ubuntu22.04をインストールしました。windowsではありませんので・・・・
AIは、脳のシナプスの研究から始まり、1950年代からあったそうです。コンピュータの開発と同時に一緒に研究されてきたそうです。
googleは、多層のシナプスモデルを作って、膨大な数の猫の画像を見せて、猫を認識させることに成功しました。これが、機械学習とかの元になっているの ではないでしょうか。
さて、物理では、分子の運動法則から、統計的に扱う統計物理があります。成果として、理想気体を記述することができました。一方、現象論から、熱力学が生ま れました。エンジンや発電所の設計に統計物理は使われることはなく、熱力学です。
同じように、シナプスモデルを統計力学とすれば、熱力学に相当するのが統計学です。AIが統計学でもできて、効率的なのです。
また粘菌から生まれた電子アメーバ技術が、AIに取り込まれてゆくでしょう。
もちろん、NumpyとAIで検索すれば、ディープラーニングとか機械学習とを見つけることはできるでしょう。でも、まったくわからないでしょう。
ここでは、線形代数から始まって、統計学にゆくべきでしょう。
シナプスでなく、ニューロンだった。
半導体は、フェルミ・デルラック統計 フェルミ＝ディラック統計で説明され、超電導、超流動はボー ズ・アインシュタイン統計 ボーズ＝アインシュタイン統計が使われる。
しかし、回路シミュレーションでは、フェルミ・デルラック統 計 フェルミ＝ディラック統計でなく、回路素子と回路網で、シミュレーションモデルが作られる。まったくフェ ルミ・デルラッ ク統計 フェルミ＝ディラック統計とは程遠い。
実物の現象観測によって、作られる。
したがって、未来においては、ニューロンの階層モデルは、なくなってしまうかもしれない。
現在稼働中の多くのAIシステムは、実物の経験則によって、作られたエキスパートシステムから、発生したものであるそうだ・・・？
それは、ニューロンの階層モデルではない・・・？
GPUとCuPyから、どんどん離れてゆくなあ。
なお、放送大学で、
12/15 BS231 20:15
数理・デー タサイエンス・ＡＩ 応用基礎講座 データサイエンス基礎 第8回 データ可視化
12/16 BS231 20:15
数理・デー
タサイエンス・ＡＩ 応用基礎講座 データサイエンス基礎 第9回 アルゴリズム
12/18 BS231 21:00
数
理・データサイエンス・ＡＩ 専門講座 ソフトウェア開発への応用 第７回 ソフトウェア開発における統計モデル・機械学習の利用（１）
12/15 BS231 23:15
数 理・データサイエンス・ＡＩ 応用基礎講座 データエンジニアリング基礎 第３回 データ収集
12/16 BS231 23:15
数理・デー タサイエンス・ＡＩ 応用基礎講座 データエンジニアリング基礎 第４回 データベース
数理・デー
タサイエンス・ＡＩ 専門講座 ソフトウェア開発への応用 第６回 個人とチームの能力向上
ところで、確率的プログラミングというものがあって、機械学習とか深層学習に応用されているらしい。
統計の原理を使って、プログラミングするらしい。だから、プログラムのアルゴリズムのコードを書くわけでない。
Pythonやいろいろあるようだ。
放送大学で、機械学習の基礎の8回の講義を見ました。また、いろいろな講義も見ました。
機械学習をなんとか使えそうな気がしてきました。
放送大学のニューラルネットワーク概論が4回で、終了した。面白かった。
深層学習は、画像においては、カブトガニの畳み込みの空間フィルタによって、大きく進展したことがわかりました。
つづく