Windows環境でPythonのCUDA開発環境を構築する方法

はじめに
なぜCUDA環境が必要なのか？
構築手順
動作チェック
1. PyTorchの動作確認
2. PyCUDAの動作確認
まとめ

はじめに

機械学習や深層学習の分野では、GPUを活用した高速な計算が不可欠です。しかし、Windows環境でPythonのCUDA開発環境を構築するのは、初心者にとってはやや複雑な作業かもしれません。この記事では、WindowsでPythonを使ってCUDA環境を構築する方法を、ステップバイステップで解説します。

なぜCUDA環境が必要なのか？

CUDA（Compute Unified Device Architecture）は、NVIDIAが開発したGPU向けの並列コンピューティングプラットフォームです。CUDAを使用することで、機械学習や深層学習のタスクを大幅に高速化できます。特に、PyTorchやTensorFlowなどの深層学習フレームワークを使用する場合、CUDA環境は性能向上に大きく貢献します。

構築手順

1. Visual Studioのセットアップ

まず、Visual Studioをインストールし、「C++ によるデスクトップ開発」機能を追加します。これは、CUDAと互換性のあるC++コンパイラを提供するために必要です。

Visual Studioのインストーラーを開きます。
「C++ によるデスクトップ開発」ワークロードを選択します。
インストールを実行します。

2. GPUドライバーの更新

最新のGPUドライバーをインストールすることで、CUDAとの互換性を確保し、最適なパフォーマンスを得ることができます。

NVIDIAの公式サイトからドライバーをダウンロードしてインストールする方法:

NVIDIA公式ドライバーページにアクセスします。
お使いのGPUモデルに適したドライバーを選択してダウンロードします。
ダウンロードしたインストーラーを実行し、指示に従ってインストールします。

または、Wingetを使用して簡単にインストールする方法:

winget install --id Nvidia.GeForceExperience

3. CUDA ToolKitのインストール

CUDA ToolKitは、GPUを利用した高性能コンピューティングに必要な開発ツールとライブラリのセットです。

現在のCUDAバージョンを確認します:

   nvidia-smi

このコマンドの出力で、「CUDA Version」の値を確認してください。

確認したバージョン以下の最新のCUDA ToolKitをインストールします:

   winget install --id Nvidia.CUDA

インストール後、以下のコマンドでバージョンを確認します:

   nvcc -V

ここで表示されるのが、インストールされたCUDA Compilation Toolsのバージョンです。

4. CUDA対応PyTorchのインストール

PyTorchは人気の深層学習フレームワークですが、CUDA対応版をインストールすることで、GPUの性能を最大限に活用できます。

PyTorch公式サイトにアクセスし、お使いの環境に合わせたインストールコマンドを生成します。
生成されたコマンドを実行します。例:

   pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

5. 環境変数の設定

CUDAを正しく機能させるためには、適切な環境変数を設定する必要があります。

Windowsのスタートメニューを開き、「環境変数」と検索します。
「システム環境変数の編集」を選択し、「環境変数」ボタンをクリックします。
「システム環境変数」セクションで以下の項目を確認・設定します:

CUDA_PATH: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\<バージョン>
CUDA_PATH_<バージョン>: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\<バージョン>（バージョンに応じて変更）
PATH: 以下のパスが含まれていることを確認
- C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\<バージョン>\bin
- C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\<バージョン>\libnvvp
- C:\Program Files\Microsoft Visual Studio\<バージョン>\<エディション>\VC\Tools\MSVC\<バージョン>\bin\Hostx64\x64

動作チェック

環境構築が完了したら、以下のスクリプトを実行して正常に動作しているか確認しましょう。

PyTorchの動作確認

import torch

def check_pytorch_installation():
    print(f"PyTorch version: {torch.__version__}")
    cuda_available = torch.cuda.is_available()
    print(f"CUDA available: {cuda_available}")
    if cuda_available:
        print(f"CUDA version: {torch.version.cuda}")
        print(f"Number of GPUs: {torch.cuda.device_count()}")
        for i in range(torch.cuda.device_count()):
            print(f"GPU {i}: {torch.cuda.get_device_name(i)}")

if __name__ == "__main__":
    check_pytorch_installation()

PyCUDAの動作確認

import numpy as np
import pycuda.autoinit
import pycuda.driver as cuda
import pycuda.gpuarray as gpuarray

try:
    # CUDA デバイスの情報を取得
    cuda.init()
    device = cuda.Device(0)
    print(f"Device name: {device.name()}")
    print(f"Compute capability: {device.compute_capability()}")
    print(f"Total memory: {device.total_memory() // (1024**2)} MB")

    # 乱数配列を生成→GPUのメモリーを割いてデータを渡す
    rand_array = np.random.randn(5, 5).astype(np.float32)
    array_gpu = gpuarray.to_gpu(rand_array)

    # 生成した配列の2乗の結果を取得
    result = (array_gpu ** 2).get()

    print("Original array:\n", rand_array)
    print("Squared array:\n", result)
except cuda.Error as e:
    print(f"CUDA Error: {e}")
except Exception as e:
    print(f"Unexpected Error: {e}")