Jetson Nano의 기계 학습 벤치마크 테스트

Jetson Nano



Nvidia에서 출시된 Jetson 제품군 중 가장 작은 장치.



위 사진은 개발자 보드.



GPU 탑재로, 4GB의 메모리 탑재. 엣지측에서 강력한 처리가 가능하다.



모든 사진은 Nvidia
사이트에서

GPIO 핀 배치, USB 포트 등 라즈파이를 강하게 의식한 제품으로 되어 있다. 단 무선 LAN은 없음. 공식 OS는 우분투 (18?) 라이크

사용감


  • gui 모드에서 사용하고 있지만 담백한 느낌은 지금까지 없음
  • 사무실 소프트웨어 사전 설치 필요
  • anaconda (python 용 가상 개발 환경) 사용할 수 없기 때문에 라이브러리를 설치하지 마십시오

  • DL용 프레임워크



    tensorflow


  • 공식이 패키지를 제공하고 있기 때문에 간단하게 인스톨 완료


  • PyTorch



    이것도 공식 사이트에 있습니다. 특히 문제없이 설치 완료

    벤치마크



    PyTorch의 mnist example에있는 코드 main.py를 사용합니다. CNN2 계층, FC2 계층의 간단한 네트워크. 디폴트치 그대로, 모델의 보존(기입)은 실시하지 않고 60000 반복 실행. (64 에포크). GPU가 있는 머신은 CPU 전용으로 동작할 때—no-cuda 옵션 사용

    아래 준비



    만약을 위해 메모리의 스왑 영역을 확대. 4GB로. (결국 사용하지 않았다)
    (기본값은 0)
    Linux(Ubuntu)의 스왑 공간 확장

    온도 상승



    nvidia-smi가 들어 있지 않았고 gpu의 가동률을 알지 못했습니다. Nvidia C 서버의 gui 앱을 넣어도 왠지 온도가 표시되지 않습니다.
    nvidia-setting도 안돼. 여기는 좀 더 조사하고 싶다.



    사진은 tensorflow 설치 중 방열판의 온도.

    벤치마크 테스트 중에도 측정했지만 거의 같다. 바보 같은 히트 싱크의 혜택인가, 아니면 제대로 돌릴 수 있을까?

    결과





    감상



    컴팩트, 저소비 전력인데, MB12 인치보다는 빠르다는 결과에 적당히 만족.

    다만, CPU로서는 거기까지(당연한가)

    도전


  • Nano의 gpu의 잠재력을 얼마나 끌어낼 수 있는지 알 수 없다.
  • 라이벌은 라즈파이? 라즈파이 비교하고 싶다 (라즈파이에서 PyTorch 움직이지 않는 것과, tensorflow의 벤치 마크도 왠지 에러 나오기 때문에 조사중)
  • 좋은 웹페이지 즐겨찾기