PC提案事例

事例No.PC-11641B (AIモデル開発 入門向けマシン [WSL2仕様モデル]) を見ての問い合わせ。
参考にした事例で行われているセットアップを施してほしい。
Windows上でUbuntuを動作させ、そのUbuntu環境内でCUDA Toolkit 11.8、TensorFlow、PyTorch、Dockerが利用可能な状態になるようにしてほしい。

ご覧いただいた事例No.PC-11641Bのパーツ使用を基に、お客様のご要望に合わせたセットアップを施したマシンです。

本構成はIntel Core i7-14700とRTX 4090を搭載しており、大規模なディープラーニングやGPU計算を伴う解析にも対応可能です。

開発環境として、WSL2を有効化し、Windows上でUbuntu環境が利用できるようセットアップ済みです。
さらに、CUDA Toolkit、TensorFlow、PyTorch、DockerもUbuntu環境内にあらかじめインストールしているため、到着後すぐにAI開発やデータ解析を始められます。

なお、WSL2とDockerをお客様ご自身で導入する場合の手順については、こちらのガイドページで詳しく解説しています。

参考：
初心者でも簡単！ WindowsにUbuntuを導入する方法

研究内容や運用基盤に合わせた構成提案やセットアップにも対応しています。
掲載内容に含まれないご要望につきましても、どうぞ遠慮なくご相談ください。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

医療画像に対するDeepLearningモデルを開発しているが、現在使用している環境では学習に時間がかかっている。そのため、よりスペックの高いマシンへ乗り換えたい。

現在のマシンには「NVIDIA RTX A6000 48GB」を搭載しているので、このGPUを新たに導入するマシンに載せ替える想定で、予算150万円で以下のスペックを実現したい。

また、将来的にGPUやストレージを増設する可能性があるため、それらを踏まえた構成を希望する。

支給品「RTX A6000 48GB」の搭載を前提に、構成をご提案しました。

 支給品を取り入れた構成

CPUは2024年8月時点で最新である「Xeon W7-3465X 28コア」をご予算に合わせて採用しました。
メモリは合計256GB (32GB×8枚) 搭載しています。空きスロットが8つありますので、後日のメモリ増設が可能です。

支給品GPUのRTX A6000は、お客様に梱包・送付していただいたものを搭載する想定です。

ご購入後の将来的な増設を考慮した構成

ご要望をヒアリングした際に、お客様より「マシン購入後に RTX A6000 を追加でもう1枚増設したい」というご相談をいただきました。
そのため、1600Wの電源ユニットで容量に余裕を持たせ、合計2枚の RTX A6000 が問題なく搭載・利用できるようにしています。GPU増設に必要な内部ケーブルは、作業時に取り出しやすい場所に配置しております。

本事例の構成は、お客様から頂戴した条件を元に検討した内容です。
掲載内容とは異なる条件でご検討の場合でも、お気軽にご相談ください。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

事例No.PC-10086を見ての問い合わせ。
DeepLabCut ver2.3用のワークステーションの導入を考えている。予算100万円程度で最適構成を提案してほしい。

処理能力の希望は、現在使用しているNVIDIA RTX A6000 x1枚を搭載したワークステーションと同等以上の速度でDeepLabCutを動かせること。
また、DeepLabCut ver2.3の事前インストールも依頼したい。

具体的なスペックとしては，以下の条件を希望する。

2024年2月時点で最新の第14世代Core i9を搭載した構成です。予算に合わせて合計24コアのCore i9-14900Kを選択しています。

なお、実際にDeepLabCutを実行した際に負荷がかかる箇所はGPUが大半で、CPUに高い負荷がかかる場面はかなり少ないと考えられます。
そのため、CPUの性能を重視しない場合はCore i7などの下位モデルに変更することも可能です。

GeForce RTX4090とRTX A6000、どちらが最適？

お客様のご希望に合わせて、GPUはNVIDIA GeForce RTX4090 24GBを選択しています。
NVIDIA GeForce RTX4090 24GBとNVIDIA RTX A6000 48GBを比較すると、チップの世代とVRAM容量に違いがあります。チップの世代はRTX4090で採用されているものの方が新しいですが，VRAM容量はA6000の半分です。
DeepLabCutのGPU処理はTensorFlowを基盤としており、GPU利用中の挙動もTensorFlowの特性に準じます。TensorFlowのデフォルト設定で実行した場合、DeepLabCutは確保できるだけのビデオメモリを確保して処理を実行します。そのため、VRAM容量の差による影響が生じることも考えられますが、RTX4090のCUDAコア数は18,000以上でA6000の2倍に近い値です。実際の利用ではVRAM容量の差よりもCUDAコア数の差による影響の方がより大きく現れると考えられるため、RTX A6000と比較しても解析速度の向上が期待できます。

なお、DeepLabCut公式リポジトリに掲載されているGPUの要件では8GB以上のVRAMが推奨として示されています。その値から考えると、RTX4090の24GBも十分なVRAMが確保されていると言えます。

本事例の構成は、お客様から頂戴した条件を元に検討した内容です。
いただいた条件に合わせて柔軟にマシンをご提案いたしますので、掲載内容とは異なる条件でご検討の場合でも、お気軽にご相談ください。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

事例No.PC- 11075を見ての問い合わせ。

ビッグデータ処理やMCMC処理および、Pythonによる画像処理・自然言語処理 (PyTorch、Tensorflow) 用のマシンの導入を考えている。
用途上GPUの性能を重要視しているため、NVIDIA RTX6000 Adaを4枚搭載したいと考えている。200V環境での使用を前提とした構成でも構わない。

希望する条件は以下の通り。

参考：PC-11075 GIS x ビッグデータ処理用マシン

お客様ご希望の条件に沿った構成をご提案しました。

NVIDIA RTX6000 Adaはワークステーション向けビデオカードとしては高額な製品のため、RTX6000 Adaを4枚搭載した場合、ご予算を大幅にオーバーしてしまいます。
そのため、ご希望のご予算範囲内にて搭載できる2枚のみを搭載した構成としています。

構成自体は最大4枚のNVIDIA RTX6000 Adaを搭載可能となるように選定しておりますので、今後のアップグレードにてRTX6000 Adaを増設することも可能です。

なお、RTX6000 Adaを4枚搭載した場合、GPUだけでもTDPが1200Wを超えてしまいます。
そのため、本構成は200V環境での運用を前提としております。

CPUに関しては、ご予算の範囲内で最もコア数が多くなるよう、第4世代Xeon Scalableシリーズ Intel Xeon Silver 4410を搭載した2CPU構成を選定しています。

CUDA利用におけるメモリ容量の考え方

メモリに関しては、CUDAを利用される場合、メモリ搭載量がVRAMの実装量を下回ることは好ましくありません。これは、処理のためVRAMにデータを転送する際、メモリをいったん経由して行われるためです。
そのため、今後RTX6000 Ada 48GBを4枚（合計VRAM:192GB）搭載することを考慮して、メモリ搭載量は256GBとしています。

本事例の構成は、お客様から頂戴した条件を元に検討した内容です。
いただいた条件に合わせて柔軟にマシンをご提案いたしますので、掲載内容とは異なる条件でご検討の場合でも、お気軽にご相談ください。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

医用画像を利用したDeepLearningを行うためのマシンを検討したい。予算60万円の範囲内で可能な構成を提案して欲しい。検討における条件は以下の通り。

・使用するソフトウェア：TensorFlow、Keras、Pytorch、CUDA
・OS：インストールなし (Ubuntu 22.04予定)

GPUでの学習を想定しているが、提案の構成がGPUを複数搭載できるか教えて欲しい。
また、GPUメモリの容量とGPUの搭載数のどちらを優先するべきかについても知りたい。

第13世代Core i7を搭載した構成をご提案しました。

ビデオカードにはGeforce RTX4080を選択しています。
1ランク上のRTX4090とした場合、ご予算オーバーになってしまうため、コストを優先した選択です。
RTX4080も前世代のRTX3090とほぼ同等のCUDAコア数を搭載しているため、単純な処理性能の面ではハイエンドモデルに位置付けられます。

なお、ビデオカードの複数搭載につきましては、ご予算内での対応が難しいことから本件では考慮していません。
本事例の構成はビデオカード x1枚での運用を前提とし、カード増設非対応の構成となっております。
もし、ビデオカード x2枚を搭載可能な構成をご希望の場合は、ベース構成をワークステーション向けに最適化したものへと変更してご提案しますのでお知らせください。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

検索キーワード
医用画像DeepLearning,TensorFlow,Keras,Pytorch,CUDA Toolkit,ディープラーニングマシン,NVIDIA Geforce RTX4080,機械学習ソフトウェア,インストールなしOS,GPUメモリ容量

大学での授業用で画像解析・機械学習を行うため専用のマシンを導入したい。
最大30名程度の学生が利用する想定で、各自のPCからアクセスし、科学演算や画像解析・機械学習の演習を行う。
OSはUbuntuで、Anaconda / SSH-Server/R / TensorFlow / Pytorch のインストールを希望する。
GPUの利用頻度は少ないので、スペックを妥協することはできる。
予算は400万円程度を考えている。

ご希望の条件に合わせて、たたき台の構成を検討しました。
GPUサーバー仕様ではご予算に収めることが難しいため、GPU x1枚・100V電源環境向けの構成としています。
ご予算との兼ね合いから、CPUは64コア (32コア x2基) とし、メモリは256GBです。30名で利用する場合、一人当たりCPU 2コア (4スレッド) /メモリ 8GB程度のリソース割り当てとなる計算です。

ソフトウェアはご指定のものをインストールするまでを作業範囲として想定しています。個別の設定が必要な場合は、別途ご相談とさせていただきます。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

Anacondaを商業活動において利用する場合には有償ライセンスが必要となります。
これまで、大規模利用用の Enterprise のみの取り扱いでしたが、小規模利用のライセンスも取り扱い可能となりました。詳細は、下記をご確認ください。

■データサイエンスプラットフォーム「Anaconda」の小規模利用有償ライセンス

■Anaconda　科学技術計算向けのPython および Rのディストリビューション

検索キーワード
科学演算,画像解析,機械学習,Anaconda,Rプログラミング,TensorFlow,PyTorch,GPUサーバー,Ubuntu 20.04,ハイスペックPC, Deep learning，Machine learning，Artificial intelligence，Neural networks，Deep neural networks，Deep stacking networks，Supervised learning，Unsupervised learning，Natural language processing，Smart manufacturing，Computational intelligence，Data analytics，learning (artificial intelligence)，Information processing，Computer vision，AI，big data，programming

DeepLabCutの動作要件を満たす構成を希望。最低限の動作ができれば良い。
また、DeepLubCutをインストールした状態で出荷して欲しい。
予算は40万円程度を想定。

DeepLabCutを利用できる構成としてお見積もりをご用意しました。
ご要望にあわせて、DeepLabCutのインストールも含めた構成です。

DeepLabCutは、2021年6月のアップデートによりTensorflow 2.xに対応しました。
そのため、Ampere世代のNVIDIA GPUに標準対応しています。

この事例に近い条件で無料で見積もり相談する

通常24時間以内に担当者からご連絡いたします

検索キーワード
動物行動解析,DeepLabCut,Tensorflow 2.x,Ampere世代 GPU,動作要件,インストール済み,予算40万円,マシン構成,深層学習,解析ツール, motion capture technology,automated behavioral analysis,DeepLabCut,Behavioural methods,Computational neuroscience,Machine learning,Zoology,behavioral tracking,closed-loop systems,deep-neural network,Image segmentation,Neuroscience,Shape,Pose estimation,Predictive models,murine behavior recognition,keypoint detection,machine learning