GPU এবং CPU তে Keras কনফিগার করা

Keras সাধারণত TensorFlow এর মাধ্যমে কাজ করে, এবং TensorFlow GPU এবং CPU উভয়ই সমর্থন করে। ডীপ লার্নিং মডেল প্রশিক্ষণের জন্য GPU ব্যবহার করা অনেক দ্রুত এবং কার্যকরী হতে পারে, কারণ GPU সমান্তরাল কম্পিউটেশনের জন্য ডিজাইন করা হয়েছে। তবে, CPU তেও Keras মডেল প্রশিক্ষণ করা সম্ভব, যদিও এটি GPU এর তুলনায় কিছুটা ধীর হতে পারে।

Keras এ GPU এবং CPU কনফিগার করার জন্য কিছু ধাপ অনুসরণ করতে হবে। এখানে আমি CPU এবং GPU তে Keras কনফিগার করার প্রক্রিয়া বর্ণনা করছি।

১. TensorFlow ইনস্টলেশন

Keras, TensorFlow লাইব্রেরির উপর ভিত্তি করে কাজ করে, তাই প্রথমে আপনাকে TensorFlow ইনস্টল করতে হবে।

• CPU ভার্সন:

  pip install tensorflow
  

• GPU ভার্সন: যদি আপনি GPU ব্যবহার করতে চান, তবে TensorFlow GPU ভার্সন ইনস্টল করুন:

  pip install tensorflow-gpu
  

নোট: TensorFlow GPU ব্যবহার করতে আপনার সিস্টেমে CUDA, cuDNN এবং অন্যান্য GPU ড্রাইভার ইনস্টল থাকতে হবে। GPU সমর্থন নিশ্চিত করতে, আপনার সিস্টেমে CUDA এবং cuDNN ভার্সন টেনসরফ্লোর সঙ্গে সামঞ্জস্যপূর্ণ হতে হবে।

২. Keras কনফিগারেশন

Keras স্বয়ংক্রিয়ভাবে TensorFlow এর সাথে কাজ করে, তবে আপনি CPU বা GPU নির্বাচন করার জন্য কিছু কনফিগারেশন করতে পারেন।

২.১: GPU ব্যবহার নিশ্চিত করা

TensorFlow নিজে GPU সাপোর্ট করে, তবে আপনি নিশ্চিত হতে পারেন যে GPU তে প্রশিক্ষণ চলছে কিনা:

import tensorflow as tf

# GPU পাওয়া যাচ্ছে কিনা তা পরীক্ষা করুন
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

এই কোডটি চালানোর পর যদি আপনার সিস্টেমে GPU উপলব্ধ থাকে, তাহলে এটি GPU সংখ্যা প্রদর্শন করবে। না থাকলে, এটি ০ দেখাবে, যার মানে GPU উপলব্ধ নয় এবং CPU ব্যবহার করা হচ্ছে।

২.২: GPU এবং CPU কনফিগারেশন করা

TensorFlow এবং Keras GPU ব্যবহারের জন্য নির্দিষ্ট কনফিগারেশন প্রদান করে। আপনি CPU অথবা GPU ব্যবহার করতে কনফিগার করতে পারেন।

1. GPU ব্যবহারের জন্য TensorFlow কনফিগার করা: যদি আপনার সিস্টেমে একাধিক GPU থাকে এবং আপনি শুধুমাত্র একটি GPU ব্যবহার করতে চান, আপনি নিম্নলিখিতভাবে কনফিগার করতে পারেন:

   # শুধুমাত্র প্রথম GPU ব্যবহারের জন্য
   tf.config.set_visible_devices([0], 'GPU')
   

2. কোন GPU সীমাবদ্ধতা না রাখলে TensorFlow GPU ব্যবহার করবে: GPU ব্যবহার করা হবে, তবে আপনি নির্দিষ্ট মেমরি সীমা কনফিগার করতে পারেন:

   physical_devices = tf.config.list_physical_devices('GPU')
   
   # GPU মেমরি বৃদ্ধি সীমাবদ্ধতা
   tf.config.experimental.set_memory_growth(physical_devices[0], True)
   

3. CPU ব্যবহারের জন্য কনফিগার করা: যদি আপনি GPU তে কাজ না করতে চান এবং CPU তে কাজ করতে চান, আপনি নিম্নলিখিতভাবে GPU নিষ্ক্রিয় করতে পারেন:

   tf.config.set_visible_devices([], 'GPU')
   

৩. Keras মডেল তৈরি এবং প্রশিক্ষণ

একবার কনফিগারেশন সম্পন্ন হলে, আপনি Keras ব্যবহার করে মডেল তৈরি এবং প্রশিক্ষণ শুরু করতে পারেন। Keras আপনার সিস্টেমে GPU বা CPU এর উপর নির্ভর করে মডেলটি প্রশিক্ষণ করবে। একটি সহজ উদাহরণ:

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

# Dummy ডেটা তৈরি করা
X_train = np.random.rand(100, 10)
y_train = np.random.rand(100, 1)

# মডেল তৈরি করা
model = Sequential()
model.add(Dense(64, activation='relu', input_dim=10))
model.add(Dense(1))

# মডেল কম্পাইল করা
model.compile(optimizer='adam', loss='mse')

# মডেল প্রশিক্ষণ
model.fit(X_train, y_train, epochs=10)

৪. GPU এবং CPU ব্যবহারের সুবিধা

• GPU:
  • GPU সমান্তরাল প্রক্রিয়াকরণের জন্য ডিজাইন করা হয়েছে, যার ফলে ডীপ লার্নিং মডেল দ্রুত প্রশিক্ষিত হয়।
  • GPU বৃহত্তর ডেটাসেট এবং জটিল মডেল প্রশিক্ষণের জন্য উপযুক্ত।
  • GPU প্রক্রিয়াকরণ শক্তি অনেক বেশি হওয়ায় এটি বিশাল ডেটাসেট নিয়ে কাজ করতে পারদর্শী।
• CPU:
  • CPU সাধারণত কম শক্তিশালী হলেও, এটি ছোট মডেল বা ছোট ডেটাসেট নিয়ে কাজ করতে পারদর্শী।
  • CPU তে কাজ করা কম্পিউটেশনাল দিক থেকে সস্তা এবং কম শক্তির প্রয়োজন।
  • ছোট বা মাঝারি আকারের মডেল প্রশিক্ষণের জন্য CPU যথেষ্ট।

সারাংশ

• Keras TensorFlow এর মাধ্যমে CPU বা GPU তে কাজ করতে সক্ষম।
• TensorFlow-gpu ব্যবহার করলে GPU তে প্রশিক্ষণ দ্রুত হয়।
• GPU ব্যবহারের জন্য TensorFlow এ কিছু কনফিগারেশন করা সম্ভব, যেমন GPU মেমরি সীমাবদ্ধতা বা GPU নির্বাচন করা।
• আপনি Keras ব্যবহার করে মডেল তৈরি এবং প্রশিক্ষণ করতে পারেন, এবং এটি আপনার সিস্টেমে উপলব্ধ GPU বা CPU অনুযায়ী কাজ করবে।