GPUインスタンスで機械学習にトライ

Dec 11, 2025

0. 概要

本チュートリアルは、 NVIDIA Driver や NVIDIA CUDA が予めインストールされたGPUシェイプ向け プラットフォーム・イメージ とNVIDIA製GPUを搭載する以下のGPUシェイプの組み合わせでGPUインスタンスを作成し、このインスタンス上にGPUを活用して機械学習ワークロードを実行することが可能な機械学習環境を構築、 TensorFlow を利用するサンプル機械学習プログラムを JupyterLab から実行します。

VM.GPU.A10.1 (NVIDIA A10 24 GB x 1)
VM.GPU.A10.2 (NVIDIA A10 24 GB x 2)
BM.GPU4.8 (NVIDIA A100 40 GB x 8)
BM.GPU.A100-v2.8 (NVIDIA A100 80 GB x 8)
BM.GPU.A10.4 (NVIDIA A10 24 GB x 4)

これらのシェイプの詳細は、ここを参照してください。

システム構成図

この機械学習環境は、以下2種類の構築方法を解説し、自身の機械学習ワークロードの要件に合わせて選択します。

Python仮想環境を使用する構築方法
Pythonの venv を使用し、OSに含まれる古いバージョン（本チュートリアルでは3.9です。）のPythonに影響を与えることなく、最新バージョン（本チュートリアルでは3.12です。）のPython仮想環境に TensorFlow や JupyterLab をインストールして機械学習環境を構築します。
コンテナを使用する構築方法
コンテナランタイムの containerd とGPU利用可能なコンテナの実行を可能にする NVIDIA Container Toolkit を使用してコンテナ実行環境を構築し、 TensorFlow や JupyterLab が既にインストールされた機械学習ワークロード向けコンテナを NGC Catalog 等のコンテナレポジトリからプル・起動し、コンテナ上に機械学習環境を構築します。

またこの機械学習環境は、マルチGPUを搭載するGPUシェイプを利用することで、複数のGPUに跨る分散トレーニングが可能になります。
本チュートリアルの後半では、サンプル機械学習プログラムを Distributed TensorFlow を使用する分散トレーニングモデルに修正し、これを複数のGPUに跨って実行します。

所要時間 : 約1時間

前提条件 : GPUインスタンスを収容するコンパートメント(ルート・コンパートメントでもOKです)の作成と、このコンパートメントに対する必要なリソース管理権限がユーザーに付与されていること。

注意 : 本コンテンツ内の画面ショットは、現在のOCIコンソール画面と異なっている場合があります。

1. GPUインスタンス作成

本章は、後に機械学習環境を構築するGPUインスタンスを作成します。

GPUインスタンスの作成は、 OCIチュートリアル の その3 - インスタンスを作成する の手順を参考に、ご自身の要件に沿ったインスタンスをGPUインスタンスを収容する コンパートメント とパブリックサブネットを指定して作成します。
本チュートリアルは、以下属性のインスタンスを例として作成します。

シェイプ ： VM.GPU.A10.2
イメージ ： プラットフォーム・イメージ Oracle-Linux-9.6-Gen2-GPU-2025.10.23-0
サブネット ：パブリックサブネット
SSHキーの追加 ： GPUインスタンスにログインする際使用するSSH秘密鍵に対応する公開鍵
ブート・ボリューム・サイズ(GB) ： 200（※1）
（以下の カスタム・ブート・ボリューム・サイズとパフォーマンス設定を指定します チェックボックスをチェックすると指定可能）

※1）通常GPUインスタンスは、様々な機械学習用ソフトウェアやコンテナイメージを格納する必要があるため、少なくとも200 GBの ブート・ボリューム サイズとします。

次に、作成したGPUインスタンスにopcユーザでSSHログインして以下コマンドを実行し、ルートファイルシステムをインスタンス作成時に指定したサイズに拡張します。

$ df -h /
Filesystem                  Size  Used Avail Use% Mounted on
/dev/mapper/ocivolume-root   30G   23G  7.5G  75% /
$ sudo /usr/libexec/oci-growfs -y
Volume Group: ocivolume
:
Logical volume /dev/ocivolume/root extended successfully.
$ df -h /
Filesystem                  Size  Used Avail Use% Mounted on
/dev/mapper/ocivolume-root  183G   24G  160G  13% /
$

次に、GPUインスタンスのopcユーザで以下コマンドを実行し、搭載しているGPUを認識していることを確認します。

$ nvidia-smi
Mon Dec  1 16:55:56 2025       
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 580.95.05              Driver Version: 580.95.05      CUDA Version: 13.0     |
+-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA A10                     Off |   00000000:00:04.0 Off |                    0 |
|  0%   23C    P8             10W /  150W |       0MiB /  23028MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+
|   1  NVIDIA A10                     Off |   00000000:00:05.0 Off |                    0 |
|  0%   23C    P8             10W /  150W |       0MiB /  23028MiB |      0%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+

+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI              PID   Type   Process name                        GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|  No running processes found                                                             |
+-----------------------------------------------------------------------------------------+
$

2. Python仮想環境を使用する機械学習環境構築

2-0. 概要

本章は、Python仮想環境に機械学習環境を構築する方法を解説します。

以降では、以下の順に解説を進めます。

Python仮想環境構築
TenforFlow・JupyterLab稼働確認
単一GPUを使用する機械学習プログラム実行
複数GPUを使用する分散機械学習プログラム実行

2-1. Python仮想環境構築

以下コマンドをGPUインスタンスのopcユーザで実行し、Python 3.12の仮想環境を作成するために必要なRPMパッケージをインストールします。

$ sudo dnf install -y python3.12 python3.12-pip python3.12-setuptools python3.12-wheel

次に、以下コマンドを自身の端末で実行し、この端末の8888番ポートをGPUインスタンスの8888番ポート( JupyterLab がアクセスを待ち受けるポート)に転送するSSHポートフォワードを作成し、GPUインスタンスの機械学習ワークロード実行ユーザにログインします。
なお、 path_to_ssh_secret_key （GPUインスタンス作成時に指定したSSH公開鍵に対応するSSH秘密鍵へのパス）と user_name （GPUインスタンス上の機械学習ワークロード実行ユーザ名）とGPUインスタンスのパブリックIPアドレスは、自身のものに置き換えます。

$ ssh -i path_to_ssh_secret_key -L 8888:localhost:8888 user_name@123.456.789.123

次に、以下コマンドをGPUインスタンスの機械学習ワークロード実行ユーザで実行し、Python 3.12のPython仮想環境を作成します。
なお project_name と venv_name は、自身の好みの名称に置き換えます。

$ mkdir -p ~/project_name && cd ~/project_name
$ python3.12 -m venv venv_name
$ source venv_name/bin/activate
((venv_name) ) $

次に、以下コマンドをGPUインスタンスの機械学習ワークロード実行ユーザで実行し、Python仮想環境にGPU対応 TensorFlow 、 JupyterLab 、及び Matplotlib をインストールします。

((venv_name) ) $ pip install --upgrade pip
((venv_name) ) $ pip install tensorflow[and-cuda] jupyterlab matplotlib

次に、以下コマンドをGPUインスタンスの機械学習ワークロード実行ユーザで実行し、 JupyterLab にログインする際のパスワードを初期化します。

((venv_name) ) $ jupyter lab password
Enter password: <-- パスワード入力
Verify password:  <-- パスワード入力
[JupyterPasswordApp] Wrote hashed password to /mnt/home/usera/.jupyter/jupyter_server_config.json
((venv_name) ) $

次に、以下コマンドをGPUインスタンスの機械学習ワークロード実行ユーザで実行し、Python仮想環境を終了します。

((venv_name) ) $ deactivate
$

次に、以下2個のファイルをカレントディレクトリにそれぞれファイル名 num_gpu.ipynb （※2）と celsious2fahrenheit.ipynb （※3）で作成します。

※2）TensorFlow が認識するGPUの枚数を出力するPythonプログラムを含む、 JupyterLab に読み込ませるJSON形式のファイルです。
※3）既知の摂氏・華氏対応データからその変換式を学習して未知の摂氏表記温度から対応する華氏を予測するPythonプログラムを含む、 JupyterLab に読み込ませるJSON形式のファイルです。このファイルは、ここのGitHubから公開されているものを元に、一部改変を加えて作成しています。

{
   "cells": [
   {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
      "import os\n",
      "os.environ['TF_CPP_MIN_LOG_LEVEL']='2'\n",
      "import tensorflow as tf\n",
      "print(\"Num GPUs Available: \", len(tf.config.list_physical_devices('GPU')))"
      ]
   }
   ],
   "metadata": {
   "kernelspec": {
      "display_name": "Python 3",
      "language": "python",
      "name": "python3"
   },
   "language_info": {
      "codemirror_mode": {
      "name": "ipython",
      "version": 3
      },
      "file_extension": ".py",
      "mimetype": "text/x-python",
      "name": "python",
      "nbconvert_exporter": "python",
      "pygments_lexer": "ipython3",
      "version": "3.6.8"
   }
   },
   "nbformat": 4,
   "nbformat_minor": 4
}

{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import os\n",
    "os.environ['TF_CPP_MIN_LOG_LEVEL']='2'\n",
    "import tensorflow as tf"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "import logging\n",
    "logger = tf.get_logger()\n",
    "logger.setLevel(logging.ERROR)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "celsius_q    = np.array([-40, -10,  0,  8, 15, 22,  38,  45],  dtype=float)\n",
    "fahrenheit_a = np.array([-40,  14, 32, 46, 59, 72, 100, 113],  dtype=float)\n",
    "\n",
    "for i,c in enumerate(celsius_q):\n",
    "  print(\"{} degrees Celsius = {} degrees Fahrenheit\".format(c, fahrenheit_a[i]))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "model = tf.keras.Sequential([\n",
    "  tf.keras.Input(shape=[1]),\n",
    "  tf.keras.layers.Dense(units=1)\n",
    "])\n",
    "model.compile(loss='mean_squared_error', optimizer=tf.keras.optimizers.Adam(0.1))\n",
    "history = model.fit(celsius_q, fahrenheit_a, epochs=500, verbose=False)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "print(\"Finished training the model\")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import matplotlib.pyplot as plt\n",
    "plt.xlabel('Epoch Number')\n",
    "plt.ylabel(\"Loss Magnitude\")\n",
    "plt.plot(history.history['loss'])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "temp_c = 100.0\n",
    "prediction_input = np.array([temp_c], dtype=float)\n",
    "print(model.predict(prediction_input))"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.12.11"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}

2-2. TenforFlow・JupyterLab稼働確認

以下コマンドをGPUインスタンスの機械学習ワークロード実行ユーザで実行し、先に作成したPython仮想環境上で JupyterLab を起動します。
なお project_name と venv_name は、Python仮想環境作成時に自身で指定したものに置き換えます。

$ cd ~/project_name
$ python3.12 -m venv venv_name
$ source venv_name/bin/activate
((venv_name) ) $ jupyter-lab

次に、自身の端末で起動するブラウザのアドレスに http://localhost:8888 を指定して JupyterLab にアクセスし、表示される以下画面の Password フィールドに先に登録したパスワードを入力して Log in ボタンをクリックし、 JupyterLab にログインします。

画面ショット

次に、以下ブラウザ画面に表示される、先に作成した稼働確認プログラム num_gpu.ipynb をダブルクリックし、

画面ショット

表示される以下ブラウザ画面の Run this cell and advance ボタンをクリックして稼働確認プログラムを実行、“Num GPUs Available:“の値が使用するGPUシェイプに搭載されるGPU枚数に一致することを確認します。

画面ショット

次に、 JupyterLab にアクセスしているブラウザを終了後、 JupyterLab を起動したターミナルで以下のようにCtrl-Cを入力して JupyterLab を終了し、Python仮想環境を終了します。

Cntr-C <--- 入力
    0 active kernels
    Jupyter Server 2.17.0 is running at:
    http://localhost:8888/lab
        http://127.0.0.1:8888/lab
Shut down this Jupyter server (y/[n])? y <--- 入力
[C 2025-12-01 21:22:19.829 ServerApp] Shutdown confirmed
[I 2025-12-01 21:22:19.837 ServerApp] Shutting down 4 extensions
((venv_name) ) $ deactivate
$

2-3. 単一GPUを使用する機械学習プログラム実行

$ cd ~/project_name
$ python3.12 -m venv venv_name
$ source venv_name/bin/activate
((venv_name) ) $ jupyter-lab

次に、自身の端末で起動するブラウザのアドレスに http://localhost:8888 を指定して JupyterLab にアクセスし、以下画面に表示される、先に作成したサンプル機械学習プログラム celsious2fahrenheit.ipynb をダブルクリックします。

画面ショット

次に、表示される以下ブラウザ画面の Restart the kernel and run all cells ボタンをクリックします。

画面ショット

次に、表示される以下ブラウザ画面の Restart ボタンをクリックしてサンプル機械学習プログラムを実行し、

画面ショット

実行した結果が表示される以下ブラウザ画面で、100度（摂氏）に対応する華氏の予測値が変換式（f=1.8c+32）から計算される212度（華氏）に近い値であることを確認します。

画面ショット

Cntr-C <--- 入力
    0 active kernels
    Jupyter Server 2.17.0 is running at:
    http://localhost:8888/lab
        http://127.0.0.1:8888/lab
Shut down this Jupyter server (y/[n])? y <--- 入力
[C 2025-12-01 21:22:19.829 ServerApp] Shutdown confirmed
[I 2025-12-01 21:22:19.837 ServerApp] Shutting down 4 extensions
((venv_name) ) $ deactivate
((venv_name) ) $

2-4. 複数GPUを使用する分散機械学習プログラム実行

以下コマンドをGPUインスタンスの機械学習ワークロード実行ユーザで実行し、Python 3.12のPython仮想環境上で JupyterLab を起動します。
なお project_name と venv_name は、Python仮想環境作成時に自身で指定したものに置き換えます。

$ cd ~/project_name
$ python3.12 -m venv venv_name
$ source venv_name/bin/activate
((venv_name) ) $ jupyter-lab

画面ショット

次に、表示される以下ブラウザ画面の1番目のセルの Insert a cell below ボタンをクリックして1番目と2番目のセルの間に新たなセルを作成します。

画面ショット

次に、以下のコードを

#tf.debugging.set_log_device_placement(True)
mirrored_strategy = tf.distribute.MirroredStrategy()

以下のように新しく作成したセルに挿入します。
このコードは、 TensorFlow のMirroedStrategy作成を行います。

画面ショット

次に、4番目のセルを以下のコード（※4）に置き換え、

with mirrored_strategy.scope():
  model = tf.keras.Sequential([
    tf.keras.Input(shape=[1]),
    tf.keras.layers.Dense(units=1)
  ])
  model.compile(loss='mean_squared_error', optimizer=tf.keras.optimizers.Adam(0.1))
  history = model.fit(celsius_q, fahrenheit_a, epochs=500, verbose=False)

※4）このコードは、レイヤー定義・レイヤーアセンブル・モデルコンパイル・モデルトレーニングをMirroedStrategyのスコープ内に移動し、分散トレーニングモデルを定義・実行しています。

以下ブラウザ画面の Restart the kernel and run all cells ボタンをクリックします。

画面ショット

次に、表示される以下ブラウザ画面の Restart ボタンをクリックし、修正後のサンプル機械学習プログラムを実行、その結果を確認します。

画面ショット

Cntr-C <--- 入力
    0 active kernels
    Jupyter Server 2.17.0 is running at:
    http://localhost:8888/lab
        http://127.0.0.1:8888/lab
Shut down this Jupyter server (y/[n])? y <--- 入力
[C 2025-12-01 21:22:19.829 ServerApp] Shutdown confirmed
[I 2025-12-01 21:22:19.837 ServerApp] Shutting down 4 extensions
((venv_name) ) $ deactivate
((venv_name) ) $

3. コンテナを使用する機械学習環境構築

3-0. 概要

本章は、 containerd と NVIDIA Container Toolkit を使用するコンテナ実行環境で起動するコンテナ上に機械学習環境を構築する方法を解説します。

以降では、以下の順に解説を進めます。

コンテナ環境構築
TenforFlow・JupyterLab稼働確認
単一GPUを使用する機械学習プログラム実行
複数GPUを使用する分散機械学習プログラム実行

3-1. コンテナ環境構築

OCI HPCテクニカルTips集 の containerdによるコンテナ実行環境構築方法 の手順を 単一GPUインスタンスに閉じたコンテナ利用 の範囲でGPUインスタンス上で実施し、コンテナ実行環境を構築します。

$ ssh -i path_to_ssh_secret_key -L 8888:localhost:8888 user_name@123.456.789.123

次に、以下コマンドをGPUインスタンスの機械学習ワークロード実行ユーザで実行し、 NGC Catalog から TensorFlow NGC Container をホストネットワークモードで起動します。
本コンテナのサイズは、約14 GBです。

$ nerdctl run -it --rm --gpus all --network=host --ipc=host --ulimit memlock=-1 --ulimit stack=67108864 --shm-size=1g -v ~:/root -v /sys:/sys:ro nvcr.io/nvidia/tensorflow:25.02-tf2-py3

次に、以下コマンドをGPUインスタンスで起動したコンテナ上のrootユーザで実行し、 JupyterLab にログインする際のパスワードを初期化します。

$ jupyter lab password
Enter password: <-- パスワード入力
Verify password:  <-- パスワード入力
[JupyterPasswordApp] Wrote hashed password to /root/.jupyter/jupyter_server_config.json
$

次に、以下2個のファイルをGPUインスタンスで起動したコンテナ上のカレントディレクトリにそれぞれファイル名 num_gpu.ipynb （※5）と celsious2fahrenheit.ipynb （※6）で作成します。

※5）TensorFlow が認識するGPUの枚数を出力するPythonプログラムを含む、 JupyterLab に読み込ませるJSON形式のファイルです。
※6）既知の摂氏・華氏対応データからその変換式を学習して未知の摂氏表記温度から対応する華氏を予測するPythonプログラムを含む、 JupyterLab に読み込ませるJSON形式のファイルです。このファイルは、ここのGitHubから公開されているものを元に、一部改変を加えて作成しています。

{
   "cells": [
   {
      "cell_type": "code",
      "execution_count": null,
      "metadata": {},
      "outputs": [],
      "source": [
      "import os\n",
      "os.environ['TF_CPP_MIN_LOG_LEVEL']='2'\n",
      "import tensorflow as tf\n",
      "print(\"Num GPUs Available: \", len(tf.config.list_physical_devices('GPU')))"
      ]
   }
   ],
   "metadata": {
   "kernelspec": {
      "display_name": "Python 3",
      "language": "python",
      "name": "python3"
   },
   "language_info": {
      "codemirror_mode": {
      "name": "ipython",
      "version": 3
      },
      "file_extension": ".py",
      "mimetype": "text/x-python",
      "name": "python",
      "nbconvert_exporter": "python",
      "pygments_lexer": "ipython3",
      "version": "3.6.8"
   }
   },
   "nbformat": 4,
   "nbformat_minor": 4
}

{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import os\n",
    "os.environ['TF_CPP_MIN_LOG_LEVEL']='2'\n",
    "import tensorflow as tf"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "import logging\n",
    "logger = tf.get_logger()\n",
    "logger.setLevel(logging.ERROR)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "celsius_q    = np.array([-40, -10,  0,  8, 15, 22,  38,  45],  dtype=float)\n",
    "fahrenheit_a = np.array([-40,  14, 32, 46, 59, 72, 100, 113],  dtype=float)\n",
    "\n",
    "for i,c in enumerate(celsius_q):\n",
    "  print(\"{} degrees Celsius = {} degrees Fahrenheit\".format(c, fahrenheit_a[i]))"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "model = tf.keras.Sequential([\n",
    "  tf.keras.Input(shape=[1]),\n",
    "  tf.keras.layers.Dense(units=1)\n",
    "])\n",
    "model.compile(loss='mean_squared_error', optimizer=tf.keras.optimizers.Adam(0.1))\n",
    "history = model.fit(celsius_q, fahrenheit_a, epochs=500, verbose=False)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "print(\"Finished training the model\")"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "temp_c = 100.0\n",
    "prediction_input = np.array([temp_c], dtype=float)\n",
    "print(model.predict(prediction_input))"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.12.3"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}

3-2. TenforFlow・JupyterLab稼働確認

以下コマンドをGPUインスタンスで起動したコンテナ上のrootユーザで実行し、 JupyterLab を起動します。

$ jupyter-lab

画面ショット

次に、以下ブラウザ画面に表示される、先に作成した稼働確認プログラム num_gpu.ipynb をダブルクリックし、

画面ショット

次に、 JupyterLab にアクセスしているブラウザを終了後、 JupyterLab を起動したターミナルで以下のようにCtrl-Cを入力して JupyterLab を終了します。

Cntr-C <--- 入力
[I 2025-12-03 03:41:45.764 ServerApp] interrupted
[I 2025-12-03 03:41:45.764 ServerApp] Serving notebooks from local directory: /workspace
    1 active kernel
    Jupyter Server 2.15.0 is running at:
    http://hostname:8888/lab
        http://127.0.0.1:8888/lab
Shut down this Jupyter server (y/[n])? y <--- 入力
[C 2025-12-03 03:41:46.994 ServerApp] Shutdown confirmed
[I 2025-12-03 03:41:46.995 ServerApp] Shutting down 8 extensions
[I 2025-12-03 03:41:46.995 ServerApp] Shutting down 1 kernel
[I 2025-12-03 03:41:46.995 ServerApp] Kernel shutdown: 57087af1-c391-49fb-95b6-459af6ce8614
$

3-3. 単一GPUを使用する機械学習プログラム実行

以下コマンドをGPUインスタンスで起動したコンテナ上のrootユーザで実行し、 JupyterLab を起動します。

$ jupyter-lab

画面ショット

次に、表示される以下ブラウザ画面の Restart the kernel and run all cells ボタンをクリックします。

画面ショット

次に、表示される以下ブラウザ画面の Restart ボタンをクリックして機械学習プログラムを実行し、

画面ショット

Cntr-C <--- 入力
[I 2025-12-03 03:41:45.764 ServerApp] interrupted
[I 2025-12-03 03:41:45.764 ServerApp] Serving notebooks from local directory: /workspace
    1 active kernel
    Jupyter Server 2.15.0 is running at:
    http://hostname:8888/lab
        http://127.0.0.1:8888/lab
Shut down this Jupyter server (y/[n])? y <--- 入力
[C 2025-12-03 03:41:46.994 ServerApp] Shutdown confirmed
[I 2025-12-03 03:41:46.995 ServerApp] Shutting down 8 extensions
[I 2025-12-03 03:41:46.995 ServerApp] Shutting down 1 kernel
[I 2025-12-03 03:41:46.995 ServerApp] Kernel shutdown: 57087af1-c391-49fb-95b6-459af6ce8614
$

3-4. 複数GPUを使用する分散機械学習プログラム実行

以下コマンドをGPUインスタンスで起動したコンテナ上のrootユーザで実行し、 JupyterLab を起動します。

$ jupyter-lab

画面ショット

次に、表示される以下ブラウザ画面の1番目のセルの Insert a cell below ボタンをクリックして1番目と2番目のセルの間に新たなセルを作成します。

画面ショット

次に、以下のコードを

#tf.debugging.set_log_device_placement(True)
mirrored_strategy = tf.distribute.MirroredStrategy()

以下のように新しく作成したセルに挿入します。
このコードは、 TensorFlow のMirroedStrategy作成を行います。

画面ショット

次に、4番目のセルを以下のコード（※7）に置き換え、

with mirrored_strategy.scope():
  model = tf.keras.Sequential([
    tf.keras.Input(shape=[1]),
    tf.keras.layers.Dense(units=1)
  ])
  model.compile(loss='mean_squared_error', optimizer=tf.keras.optimizers.Adam(0.1))
  history = model.fit(celsius_q, fahrenheit_a, epochs=500, verbose=False)

※7）このコードは、レイヤー定義・レイヤーアセンブル・モデルコンパイル・モデルトレーニングをMirroedStrategyのスコープ内に移動し、分散トレーニングモデルを定義・実行しています。

以下ブラウザ画面の Restart the kernel and run all cells ボタンをクリックします。

画面ショット

次に、表示される以下ブラウザ画面の Restart ボタンをクリックし、修正後のサンプル機械学習プログラムを実行、その結果を確認します。

画面ショット

Cntr-C <--- 入力
[I 2025-12-03 03:41:45.764 ServerApp] interrupted
[I 2025-12-03 03:41:45.764 ServerApp] Serving notebooks from local directory: /workspace
    1 active kernel
    Jupyter Server 2.15.0 is running at:
    http://hostname:8888/lab
        http://127.0.0.1:8888/lab
Shut down this Jupyter server (y/[n])? y <--- 入力
[C 2025-12-03 03:41:46.994 ServerApp] Shutdown confirmed
[I 2025-12-03 03:41:46.995 ServerApp] Shutting down 8 extensions
[I 2025-12-03 03:41:46.995 ServerApp] Shutting down 1 kernel
[I 2025-12-03 03:41:46.995 ServerApp] Kernel shutdown: 57087af1-c391-49fb-95b6-459af6ce8614
$

次に、以下コマンドをGPUインスタンスで起動したコンテナ上のrootユーザで実行し、コンテナを終了します。

$ exit

4. GPUインスタンス終了

本章は、GPUインスタンスを終了することで、ここまでに作成した環境を完全に削除します。

OCIコンソールメニューから コンピュート → インスタンス を選択し、表示される以下画面で作成したGPUインスタンスの終了メニューをクリックします。

画面ショット

表示される以下 インスタンスの終了 画面で、 アタッチされたブート・ボリュームを完全に削除 チェックボックスをチェックして インスタンスの終了 ボタンをクリックします。

画面ショット

当該GPUインスタンスの状態が 終了済 となれば、削除が完了しています。

これで、このチュートリアルは終了です。