{"created":"2023-05-15T11:45:07.107317+00:00","id":3540,"links":{},"metadata":{"_buckets":{"deposit":"2b4326d8-9b09-412d-95ef-7cc62c2e5dea"},"_deposit":{"created_by":10,"id":"3540","owners":[10],"pid":{"revision_id":0,"type":"depid","value":"3540"},"status":"published"},"_oai":{"id":"oai:nuis.repo.nii.ac.jp:00003540","sets":["13:112:113"]},"author_link":["4008","4010"],"item_9_description_7":{"attribute_name":"抄録","attribute_value_mlt":[{"subitem_description":"当研究グループでは、須恵器および縄文土器の３次元スキャンデータを元にVoxel化を行ったデータを使用したマルチインプット・マルチタスク深層学習モデルや、クラスタリングを予定している。スキャンデータの解像度は0.5mm程度だが、須恵器及び縄文土器の細かな特徴を抽出するためには最低でも1.0mm程度の解像度が必要と思われ、入力データは1件あたり512MB、学習時の浮動小数点数では単精度で２GB、半精度でも1GB必要になる。こうした巨大なデータを用いた深層学習は通常使用される単一のGPUでは処理が不可能であるため、複数のGPUを用いた環境でのモデルの実装方法を検討するため、深層学習に必要なメモリの使用量の検討を行うとともに、クラウド環境（仮想CPU16個、主記憶60GB、16GBGPU×4基）と分散学習用ライブラリ（PyTorch, Accelerate, PyTorch Lightning）及びメモリ使用量削減のためのライブラリ（DeepSpeed, FairScale）を用いて実装方法の検討と実装可能な最大解像度の検証を行った。\nその結果、既存のメモリ使用量削減ライブラリは、自然言語処理などモデルのパラメータ数が巨大になるモデルを対象にしたものであるのに対し、今回我々が扱うモデルはパラメータ数は小さいがデータ自体が巨大なものであるため、オプティマイザの状態やモデルパラメータ、勾配などのデータを分割するメモリ削減手法の効果は少なく、活性化関数の出力を保持せず必要の都度再計算を行う、アクティベーション・チェックポインティングの効果が大きいことが確認された。","subitem_description_type":"Abstract"}]},"item_9_heading_25":{"attribute_name":"見出し","attribute_value_mlt":[{"subitem_heading_banner_headline":"発表要旨・論文","subitem_heading_language":"ja"},{"subitem_heading_banner_headline":"Summaries / Papers","subitem_heading_language":"en"}]},"item_9_publisher_10":{"attribute_name":"出版者","attribute_value_mlt":[{"subitem_publisher":"考古文化財ディープラーニング研究会"}]},"item_9_text_5":{"attribute_name":"著者所属（日）","attribute_value_mlt":[{"subitem_text_value":"板垣正敏中小企業診断士事務所"}]},"item_access_right":{"attribute_name":"アクセス権","attribute_value_mlt":[{"subitem_access_right":"metadata only access","subitem_access_right_uri":"http://purl.org/coar/access_right/c_14cb"}]},"item_creator":{"attribute_name":"著者","attribute_type":"creator","attribute_value_mlt":[{"creatorNames":[{"creatorName":"板垣, 正敏"},{"creatorName":"イタガキ, マサトシ","creatorNameLang":"ja-Kana"}],"nameIdentifiers":[{"nameIdentifier":"4008","nameIdentifierScheme":"WEKO"}]},{"creatorNames":[{"creatorName":"ITAGAKI, Masatoshi","creatorNameLang":"en"}],"nameIdentifiers":[{"nameIdentifier":"4010","nameIdentifierScheme":"WEKO"}]}]},"item_language":{"attribute_name":"言語","attribute_value_mlt":[{"subitem_language":"jpn"}]},"item_resource_type":{"attribute_name":"資源タイプ","attribute_value_mlt":[{"resourcetype":"research report","resourceuri":"http://purl.org/coar/resource_type/c_18ws"}]},"item_title":"高解像度3D-CNNの実装検討","item_titles":{"attribute_name":"タイトル","attribute_value_mlt":[{"subitem_title":"高解像度3D-CNNの実装検討"}]},"item_type_id":"9","owner":"10","path":["113"],"pubdate":{"attribute_name":"公開日","attribute_value":"2022-09-13"},"publish_date":"2022-09-13","publish_status":"0","recid":"3540","relation_version_is_last":true,"title":["高解像度3D-CNNの実装検討"],"weko_creator_id":"10","weko_shared_id":-1},"updated":"2023-05-15T12:03:45.657818+00:00"}