[自作日記4] いざ秋葉原! CPU選び

[自作日記4] いざ秋葉原! CPU選び

こんにちは、さっそく自作PCを作っていきましょう。

ここでは、Qualitegの若手社員 Jun さんにご登場いただき、GPUマシン自作体験記を赤裸々に語っていただくストーリーとして進めていきます!


Junです。ソフトウェアエンジニアです。

ある日、出社すると、席に1枚の封筒がおいてありました。

なんだこれ?

開いて見ると、中に便箋がはいっており、
今時手書きで、しかも太めのマッキーで、こんなことが書いてありました。

white printer paper on brown folder
Photo by Mediamodifier / Unsplash

Junさんへ、
Qualiteg へようこそ!

当社ではメンバーは必ず1台はGPUマシンを自作するのが掟(おきて)となっています。

そこの封筒に45万円ありますので、これをもって秋葉原に行ってパソコンのパーツを買ってきてください。
以下にヒントを書いておきますので、よろしくおねがいします。

① CPUは 12世代か13世代のどちらでもよい。

② GPU中心でつかうため、CPU側の能力は i5程度で問題ない。

③ マザーボードのチップセットは CPUが12世代ならZ690 か CPUが13世代ならZ790。ATX。

④ CPUメモリは 64GB 以上。DDR4でもDDR5でもどちらでもOK

⑤ グラボはコンシューマー向けでOKだけど、最上位モデルに近いもの。

⑥ SSD は 1T以上。

⑦ 電源は 800W 以上、 80Plus Titanium

⑧ ケースはグラボがちゃんと入ることを確認すること!

あとは、アキバに行けばなんとかなるとおもいます(^^♪


GPUマシン購入依頼の置手紙でした。

PCのパーツ選びも自作も久しぶりで、かつ、45万円ももっていくとなると、
正直不安でしたが、この置手紙をもって京浜東北線に乗り込みました。

 "JREast-Keihin-tohoku-line-JK27-Kanda-station-sign-20170824-182332.jpg from Wikimedia Commons by LERKCC-BY-SA 4.0


考えてみれば、オフィスは神田にあるので歩いてもアキバ行けるんですが、45万円を持ち歩く緊張感から、電車に飛び乗っていました。

そんなことを思っていたら、あっというまにアキバにつきました。

a city street filled with lots of tall buildings
Photo by Taewoo Kim / Unsplash

秋葉原はかつてはパソコン好きの聖地で今も非常に活気があって楽しいです。

ツクモさん、ドスパラさん、パソコン工房さん、自作PCの名だたる名店がそろっているのが秋葉原のすごいところです。そして、本当に店員さんが親切で知識も豊富です。自作PCを楽しむなら秋葉原一択だ!とみんなが言っている理由がわかります。

CPU を選ぶ

さて、さっそく、置手紙をみてCPUを購入することにしました。

① CPUは 12世代か13世代のどちらでもよい。

② GPU中心でつかうため、CPU側の能力は i5程度で問題ない。

自作系のお店に入ると、たいていレジの近くなど目立つ場所にPCパーツの価格一覧表が印刷してあります。

また、現在の売れ筋モデルなんかが書いてあり、情報収集や価格比較にもとっても便利。

そこで、12世代のCPUと13世代のCPUのモデル名と価格をしげしげと観察していると店員さんが話しかけてきてくれました。

「何かおさがしですか?」

私「は、はい、実はAI用のパソコンを作ろうとおもってまして、そのCPUをさがしています。12世代か13世代で・・・」

「それでしたらこのへんですかねぇ。」

教えてくれたのは 13世代の Core i5 でした。

私「はい、計算のほうはGPUにさせるので、CPUはふつうくらいでいいので、そうですね、i5くらいかな。でももっと安いやつありますか?」

「もう少し安いとなると i3 もあります。」

私「i5とi3てi3のほうが性能が低いんですよね。」

「性能が低いと言えば低いのですが、影響がでてくるのはコア数、スレッド数の違いですね。コア数やスレッド数を多く使うソフトウェアのご利用を予定しているようでしたら、i3よりもi5,i5よりもi7のほうが適しているといえます。」

性能が低いという、エンジニアにあるまじき表現をつかってしまい恥ずかしかったですが店員さんの指摘は適切でした。

GPUしか使わないし、コア数とかそんなにいらないから、13世代のCore i3 でいいかなと思ったとき、あることを思い出しました。

そういえば、いまLLM (広い意味でディープラーニング系といえる)以外にも Kaggle の分類系問題やってるんだった。

私は、 Kaggle の練習もやっており、そこで XGBoost など、ディープラーニングではなく、どちらかというと古典機械学習系のアルゴにも挑戦していることを思い出しました。

ディープラーニングの推論だけなら、たしかに CPUは Core i3 でもなんとか動かせるかもしれませんが、 XGBoost のように、CPUコア数が多いほうが有利なアルゴもあるので、俄然コア数が気になり始めました。

そこでその視点で再度価格表をみると、 13世代の Core i5-1360012世代の Core i7 12700 の価格がかなり近いではありませんか。

ぱっとみの性能も近い。 13世代の i5-13600 (14-コア、20スレッド)と 1つ前の、12世代の i7 12700 (12コア、20スレッド)

うーん、どうしよう。

10分(体感では60分)悩んで、結局この段階ではCPUを決められませんでした

でも、CPUはこの2つに絞り込みました

13世代 i5 13600
12世代 i7 12700

価格はどちらも5万円程度でした


いきなり、CPU選び足踏みしてしまったJunさん、無事、すべてのパーツをそろえられるのでしょうか。

次回は、マザーボードの選定とCPUの決定です!お楽しみに!


navigation

Read more

発話音声からリアルなリップシンクを生成する技術 第1回:音素とwav2vec

発話音声からリアルなリップシンクを生成する技術 第1回:音素とwav2vec

こんにちは! 今日は当社のMotionVox でも実際に使っている「リップシンク」技術について総合的に解説してみたいとおもいます。 音声に合わせて自然な口の動きを生成するリップシンク技術は、AIアバターや3Dアニメーション制作においても重要な技術です。 本記事では、最新のディープラーニング技術を活用したリップシンク学習の基礎から実装まで、技術的な観点から詳しく解説します。 1. リップシンク学習の基礎概念 1.1 問題設定 リップシンク学習とは、音声データから対応する口の動きを予測する回帰問題ととらえることができます f: 音声特徴量(t) → 口の動きパラメータ(t) この問題のコアは 音韻(音の特徴)と視素(視覚的な口の形)の対応関係を学習する ことにあります。 1.2 音韻-視素マッピングの複雑性 ただし! 人間の発話における音と口の形の関係は、単純な1対1マッピングではないんです。 同じ音でも文脈で変化 「あ」の発音でも: - 「か」の後の「あ」→ 口がやや狭めから開く - 「ん」の後の「あ」→ 口が閉じた状態から大きく開く 調音結合

By Qualiteg 研究部, Qualiteg コンサルティング
LLM推論基盤プロビジョニング講座 第3回 使用モデルの推論時消費メモリ見積もり

LLM推論基盤プロビジョニング講座 第3回 使用モデルの推論時消費メモリ見積もり

こんにちは!前回はLLMサービスへのリクエスト数見積もりについて解説しました。今回は7ステッププロセスの3番目、「使用モデルの推論時消費メモリ見積もり」について詳しく掘り下げていきます。 GPUメモリがリクエスト処理能力を決定する LLMサービス構築において、GPUが同時に処理できるリクエスト数はGPUメモリの消費量によって制約されます。 つまり、利用可能なGPUメモリがどれだけあるかによって、同時に何件のリクエストを処理できるかがほぼ決まります。 では、その具体例として、Llama3 8B(80億パラメータ)モデルをNVIDIA RTX A5000(24GB)にロードするケースを考えてみましょう。 このGPUには24GBのGPUメモリがありますが、すべてをリクエスト処理に使えるわけではありません。最初にモデル自体が一定量のメモリを消費し、残りの領域で実際のリクエスト処理を行います。 GPUメモリ消費の二大要素 GPUの消費メモリ量は主に以下の2つの要素によって決まります 1. モデルのフットプリント LLMをGPUに読み込んだときに最初に消費されるメモリ

By Qualiteg コンサルティング
システムとcondaのC++標準ライブラリ(libstdc++)のバージョン違い問題による事象と対処法解説

システムとcondaのC++標準ライブラリ(libstdc++)のバージョン違い問題による事象と対処法解説

こんにちは! 先日、dlibをつかったPythonアプリケーション(conda環境で動作する)作っていたところ、以下のようなエラーに遭遇しました。 ImportError: /home/mlu/anaconda3/envs/example_env/bin/../lib/libstdc++.so.6: version `GLIBCXX_3.4.32' not found (required by /home/mlu/anaconda3/envs/example_env/lib/python3.10/site-packages/_dlib_pybind11.cpython-310-x86_64-linux-gnu.so) 「dlib_pybind11モジュールがGLIBCXX_3.4.32を要求してるけど、みつからない!」という感じのエラーですね。

By Qualiteg プロダクト開発部
LLM推論基盤プロビジョニング講座 第2回 LLMサービスのリクエスト数を見積もる

LLM推論基盤プロビジョニング講座 第2回 LLMサービスのリクエスト数を見積もる

こんにちは! 今回はLLM推論基盤プロビジョニング講座 第2回です! STEP2 LLMサービスへのリクエスト数見積もり それでは、早速、LLM推論基盤プロビジョニングの第2ステップである「リクエスト数見積もり」の重要性と方法を解説いたします。 LLMサービスを構築する際に必要となるGPUノード数を適切に見積もるためには、まずサービスに対して想定されるリクエスト数を正確に予測する必要があります。 リクエスト数見積もりの基本的な考え方 LLMサービスへの想定リクエスト数から必要なGPUノード数を算出するプロセスは、サービス設計において非常に重要です。過小評価すればサービス品質が低下し、過大評価すれば無駄なコストが発生します。このバランスを適切に取るための基礎となるのがリクエスト数の見積もりです。 想定リクエスト数の諸元 リクエスト数を見積もるための5つの重要な要素(諸元)をみてみましょう。 1. DAU(Daily Active Users): 1日あたりの実際にサービスを利用するユーザー数です。これはサービスの規模を示す最も基本的な指標となります。 2. 1日

By Qualiteg コンサルティング