この質問では、「必要」と「高速」の 2 つの言葉に注目したいと思います。必要という言葉は必要不可欠ということを示していると思われますが、この答えは、状況により異なります。短納期でニューラル ネットワークを運用環境で稼働させることを管理職から要求されているような場合は、高速な GPU が必要です。高速な GPU がなくても学習はうまくいくでしょうか。最終的には学習は完了します。つまり、すべてはあなた次第です。

次に、「高速な」 GPU は必要でしょうか。「必要」と同様に、こちらも実際の状況によりますが、一旦専門的な内容は抜きにして、時間的な制約があると仮定し、この質問「必要な GPU を判断するにはどうすればいいか」を考えてみましょう。

一般的なコンピューター ハードウェアと同様に GPU は時間とともに性能は見劣りしていきます。モデルを学習させる際に、現在の研究で何が使用されているかを把握しておく必要があります。先ほどの質問と同様、次の質問に対する回答によって、結果が異なってくる可能性があります。

• データ量はどのくらいか。
• 学習のクラス数はどのくらいか。
• どのような構成のネットワークか。

お使いのラップトップコンピューターに GPU が搭載されていても、ディープラーニングに必要な計算を処理できるとは限りません。

少し前に、私は我慢の限界に達したことがありました。ディープラーニング モデルを実行しようとしたところ、気が遠くなるような時間がかかったのです。開発者の友人に会い、この問題について彼の知恵を借りようと思いました。私たちは、ネットワークの複雑度 (ResNet-Inception に基づく)、画像の数 (数十万枚)、クラスの数 (約 2,000 枚) を調べましたが、学習に数時間以上かかる理由に辿り着けませんでした。

そして、ハードウェアの話になりました。私が Tesla K40 circa 2014 を使用していると話すと、彼は笑い始めました。その後、ハードウェアの話で私をからかうのに飽きた彼は、彼の Titan X を使用するよう提案してくれました。その結果、速度は向上し、再び和やかな雰囲気になりました。この話の教訓は、ハードウェアの進歩は非常に早いということです。Titan X で私を窮地から救ってくれた友人は、真の友人であるといえるでしょう。

注: どちらのテストでも、学習のモニタリングを目的とするプロットが有効になっていました。ここでの問題は、クラスの数ではなく（使用するクラスが少ないと、使用される入力サンプル数も少なくなる）学習時間に目に見える影響を及ぼす可能性があるのは各クラスのデータ量です。