© 2024 NTT DATA Japan Corporation SPCSでエンドツーエンドな深層学習に挑戦してみた Snowpark Container Servicesで解き放つ！データアプリケーションの魔法 2024年3月1日 株式会社NTTデータ Snowflakeビジネス推進室 檜山 徹（Hiyama Toru）

© 2024 NTT DATA Japan Corporation 自己紹介 檜山 徹（Hiyama Toru） 株式会社NTTデータ Snowflakeビジネス推進室員！ SnowVillage Team Streamlit メンバー SNS X（Twitter）: @toru_data Qiita：@toru_hiyama SnowVillage #certifications にて、 毎日30分～1時間もくもくしてゲット！

© 2024 NTT DATA Japan Corporation 目次 エンドツーエンドの深層学習アーキテクチャ ① コンテナ ② 深層学習 ③ ジョブ・コンピュートプール ④ ジョブの確認 ⑤⑥ Streamlitアプリ まとめ

© 2024 NTT DATA Japan Corporation エンドツーエンドの深層学習アーキテクチャ ➢ 本LTでは、このアーキテクチャをかいつまんで解説していきます。 開発環境 Snowflake拡張機能 イメージレジストリ ①コンテナイメージPush docker build ～ doker push ～ Compute Pool モデルレジストリ ボリューム（ステージ） execute service in compute pool ~ from @stage spec=spec.yml コンテナ train.py ④マウント ②深層学習資材準備 PUT file:// ～ ④訓練済みモデル保存 ④コンテナロード ③ジョブ定義・実行 ⑤ジョブ実行 ③ジョブ起動 ⑥訓練済み モデル呼び出し イベントテーブル ④イベントログ保存 CI/CDもできるようになってきていますが、 今回は試せていません。

© 2024 NTT DATA Japan Corporation ① コンテナイメージと構成ファイル（準備１／３） • Dockerfileからコンテナイメージを作成 • コンテナイメージをSnowflakeリポジトリにアップロード • コンテナ構成ファイル（spec.yml）をアップロード > docker build -t spcs-pytorch . > docker push /spcs-pytorch (snowsql) > put file:///spec.yml @spec_stg 構成ファイルでは下記を指定 • コンテナイメージ • GPUの制限 • マウントするボリューム

© 2024 NTT DATA Japan Corporation ② 深層学習 訓練用スクリプト・画像（準備２／３） • PyTorchによる訓練スクリプトを記述 • 超簡易なニューラルネットワークモデルと訓練スクリプト • イベントテーブルへのログ保存 • 訓練済みモデルをSnowflakeのモデルレジストリに登録 • 訓練用資材をボリューム用ステージに配置 (snowsql) > put file:///train.py @volume (snowsql) > put file:///MNIST/* @volume ちなみに、セッションの作成は、 OAuthトークンにより行います。

© 2024 NTT DATA Japan Corporation ③ ジョブ定義（準備３／３） • コンピュートプールの作成 • ジョブ定義・実行 execute service in compute pool gpu_job_pool from @spec_stg spec=spec.yml ; create compute pool gpu_job_pool min_nodes=1 max_nodes=1 instance_family=GPU_NV_S ;

© 2024 NTT DATA Japan Corporation ④ モデル訓練ジョブの呼び出し結果の確認 ➢ いい感じ！ GPUも認識してる ログもちゃんとイベントテーブルに吐き出されてる モデルもモデルレジストリに保存されてる！ 学習もできてる （ボリューム（ステージ）に保存）

© 2024 NTT DATA Japan Corporation ⑤⑥ Streamlitアプリの作成 ➢ Team Streamlit たるもの、、、作るよ！ ＜ きみたち自信満々に間違えててかわいいね。

© 2024 NTT DATA Japan Corporation おわりに ◼ 深層学習をするための足回りさえ揃えてしまえば、 開発環境で記述した訓練用コードをPutするだけで、 GPUによるモデル訓練からSnowflakeへのデプロイまで行えることがわかりました。 ✓ SnowflakeのDev・ML機能、だいぶそろってきた！ ◼ 今回の検証を通じて、なんでSPCSじゃないといけないの？に対して、 すでにSnowflakeを導入しているが、クラウドをそこまで利用していない方々が、 低い学習コスト・運用コストでコンテナ環境を構築できることにあると感じました。 ✓ やっぱり、マネージドは、プライスレス！ 開発環境 Snowflake拡張機能 イメージレジストリ ①コンテナイメージPush docker build ～ doker push ～ Compute Pool モデルレジストリ ボリューム（ステージ） execute service in compute pool ~ from @stage spec=spec.yml コンテナ train.py ④マウント ②深層学習資材準備 PUT file:// ～ ④訓練済みモデル保存 ④コンテナロード ③ジョブ定義・実行 ⑤ジョブ実行 ③ジョブ起動 ⑥訓練済み モデル呼び出し イベントテーブル ④イベントログ保存 CI/CDもできるようになってきていますが、 今回は試せていません。