brew upgradeでgcc7.1.0のコンパイルがいつまで経っても終わらない

おかしいなと思っていたんだ。gccのコンパイル中にCPUファンがずっと静かなんて。

以下の内容は簡単に言えばカスペルスキーのアンチウイルスソフトが原因かもしれないという話です。

題にあるようにbrew upgradeでgccがアップデートされるときに暫く待っても全く終わる気配がなく、悩んでいました。Ctrl-Cしてまた後日やるということを何回か繰り返した今日、どの処理が重いのだろうと思ってアクティビティモニタを見てみました。そしたらCPU使用率100%を占めていたのは”kav”じゃないですか!!”kav”はカスペルスキーのアンチウイルスソフトのプロセスです。そこでカスペルスキーの保護を一時的にやめてみたら上手く動くようになりました。

もしかしたら最近Sierraにしたのが原因なのかもしれないと思っていたのですが、そうでなくてよかったです。(良くはないが)

中間表現としてのバイトコードの重要性

僕は大学でHPCやコンピュータアーキテクチャを専攻する身であり、そのような分野では基本的にはISAを直に考え、HW Specificなネイティブコードについて考えたり扱うことが多い。

当然ネイティブコードの方が早いように思われるのかもしれないが、インターネットを介して多くのアプリケーションがやり取りされる今日、一つのアプリケーションでも複数のアーキテクチャに対してサポートしなければならないようになってきた。

今までのPCアプリケーション開発ではi386をターゲットにしてコンパイルしていたかもしれないが、これからはARMノートPCが来る。そして当然ARMノートPCの上でも性能は要求される。常にi386コードをエミュレーションして動作させるのはおそらくユーザーが納得しないだろう。

そこで重宝されるのがインターネット上での頒布はバイトコードで行う手法だと考えている。バイトコードをアーキテクチャから独立した形式で設計し、IA-64でもARMでもMIPSでももしかしたらこれから登場するかもしれないアーキテクチャにも対応させるのだ。

元々このアイディアはAndroidが実装していた。Android開発ではDalvikアーキテクチャという仮想的なアーキテクチャの上でのバイトコードを出力し、それをAndroid上でJITコンパイルで実行していた。これをLolipopになってからはARTという技術が導入されAOTコンパイルを可能にし、実行速度を改善した。しかしインストール時やアップデート時のコンパイルが必要となるため、この部分に時間がかかり、結局JIT形式に落ち着いたようだ。

バイトコードを利用するのはただ単に異なるアーキテクチャに対応させるためだけが目的ではない。たとえばARMで言えばNEON、Intelで言えばAVX/SSEのベクトル命令は性能を上げる上で利用したいものだ。しかし、これらは同じARMやx86_64でもプロセッサのグレードや想定使途などで細かく仕様が異なる。これを吸収することが出来るのがバイトコードなのではないかと考えているのだ。

SIMDを使う以外にもこれからのプロセッサはキャッシュよりもローカルメモリを使うようになるのではないかと思っているので、このローカルメモリのサイズの違いに合わせたネイティブコードを出力できるという点でもJIT/AOTは優れていると感じる。
(さらに抽象度を上げて言えば、ハードウェアスペシフィックな最適化を行うことが可能ということがとても良いのだ)

さっきからバイトコードと言っているものの、単に機械語よりは抽象度が高いが、高機能ではない中間表現として扱っているだけで、JavaバイトコードとかDalvikバイトコードが良いとか言っているわけではない。個人的にはLLVMのbcファイルの”LLVMビットコード”を推している。

Top500 November 2016を見て

Top500は世界で最も計算能力がある500台がリストになって掲載されている。

実際にはリストに載っていないスパコンはいっぱいあるのではないかという話を聞くが、そういうのは大体が軍事目的なのだろう。

さて、今の1位はSunway TaihuLightだ。
神威・太湖之光と書くらしい。
CPUはSW26010という中国独自開発のCPUだ。
これはアメリカの輸出制限の影響だと聞いたことがある。
動作周波数は1.45GHzと低い。これのおかげか、全体の消費電力は15.3MWで電力効率に優れる。
メモリバンドはそこまで大きくないようだ。
2位と比べると3倍程度性能が高く驚くばかりだ。

トップ勢のプロセッサを見ていくと2位、5位、6位とXeonPhiが目立つ。
一方、GPUが優位なはずなのに3位の次は8位だ。

会社で見ていくと3位、5位、8位、それ以降もCray社がとても多い。
Cray社のチップを使っているかどうかは分からないが、やはりそれだけのノウハウを持っていて、スパコンの販売実績も十分だからだろう。

sshでXforwardingが失敗する

今までssh越しにXを使いたいときはオプションに-Xを指定してXfowardingを使っていた。
が、しかし、最近になってこれが失敗するようになってしまって困っていたのでメモ。

よく見ると
“Warning: untrusted X11 forwarding setup failed: xauth key data not generated”
というエラーが表示されていた。

どうやらセキュリティの問題らしい。

ここでオプション-Xの代わりに-Yを使うことで、相手を強制的に信頼させXfowardingを使うことが出来る。

これでも
Warning: No xauth data; using fake authentication data for X11 forwarding.”
というエラーは出るが、GUIアプリケーションを起動させてみると成功する。

時間があったらもっと調べていきたい。

FPGAの速度

FPGAは、普通のハードロジックと比べて10~100倍程度遅いとされているが、最近どんどん速くなってきているようだ。

自分はまだこの業界に片足を突っ込んで日は浅いが、alteraがintelに買収された真っ只中を見ている。

intelに買収されたことによる一番のメリットはおそらくFPGAのプロセスルールが急激に進歩すると考えられることだ。

プロセスルールの微細化といえばintelが主導してやってきていて7nmなどが出ると言われているが、FPGAのプロセスルールは何十というオーダーだったのが一気に十何nmというオーダーになるのだ。

Altera側もXilinxに大きな差をつけられるので経営的に良かったのだろうし、intelもアクセラレータ候補を手に入れたことになる。

もしかしたらFPGAがコンシューマPCの中で計算に使われる時代が近いのかもしれない。

ARMノートPCの時代

ARMノートPC、絶対に来る。

ARMノートPCが今年発売されるらしいが、恐らくその魅力と言えば電池の持ちの良さになるのではないかなと思っている。今使っているMacBookもノートパソコンの部類の中ではかなりバッテリ持ちが良いほうだが、それでももっと長く電池が持てばと思うことは多い。ARMはIntelアーキと比べたらかなり低消費電力なはずだ。ただ画面の消費電力はARMノートPCでも減らないので、消費電力の低減は限定的にはなるだろう。しかし、画面の消費電力が大きいと認識されれば当然減らそうと躍起になるだろうからそこら辺も進歩するんじゃないのかな。

WindowもARMに対応する。x86のアプリケーションをエミュレーションするとか言っているし力の入れようが伺える。ネイティブアプリも増えるだろう。

ARMに移行するだけで消費電力は減るだろうが、やはり実行速度としては心配だ。Intelと同じくらいのサイズのキャッシュをARMにつけてプロセスサイズも同じなら互角に戦えるはずだが、なにしろそんな製品をまだ見たことが無いのでどうなるか分からない。またARMコアだから16コア程度積むのではないかと思っている。しかし、現在のアプリケーションはあまり並列化されていないしこれからもわざわざプログラマーが並列化して書いてくれるかというと暗雲が立ち込める。ChromeとかSafariあたりのブラウザはちゃんと対応しそうだが、OfficeだったりiTunesだったりは対応するだろうか。ARMノートPCが一般大衆に触れられる頃にはアプリケーションの並列性抽出が広く問題になっているかもしれない。

並列性抽出といえば並列言語だが、並列言語で書いても小さな並列性ばかりが集まってしまうらしい。だから自動解析は大切なのだ。

DE0-nano-SoCのf2hポートでAvalon-MMのreadができない

Avalon-MMでreadをしようとして嵌っている。。

DE0-nano-SoCボードというARMコアにFPGAが付いたものを使っているのだが、そこにはFPGAからSDRAMにアクセス可能なバスがありこれをFPGA2HPSという。

このバスはAXIインターフェイスなのだが、Qsysで合成する時にAvalon-MMとAXIの変換器を自動で入れてくれるのでごちゃまぜにして利用することが可能なのだ。

Avalon-MMインターフェイスは信号線の選択によって色々なインターフェイスを作ることが可能なのだが、自分は基本的にwaitrequestという信号がアサートされたら待つというだけでそれ以外はシンプルなメモリインターフェイスのように使っている。
しかしこれがいけないのだろうか。readをしようとしてもいつまで経ってもwaitrequestがアサートされたままで前に進むことが出来ない。

byteenableやreaddatavalidなどを有効にして試していきたいが、何しろコンパイル時間がかかりすぎてそのやる気が出ない。
困ったものだ。

 

追記5/13

結局、h2fからAddress Span Expanderを介してf2hに向かう信号をロジアナで解析することでこの問題は解決した。

使った信号線はaddress, read, readdatavalid, readdata, write, writedata, burstcount, waitrequest, byteenableだ。

このうちbyteenableは全ビット1固定、burstcountは1で固定しておけば良い。
実際的に追加したのはreaddatavalidだけで、pipelinedな形式でないと読めないのだと考えられる。

追記5/16

恐らくこれは非同期なメモリインターフェイスと同期なメモリインターフェイスを自動変換してくれないということなのだろう。

tensorflowとMNISTで遊ぶ2日目

一日目は単純なConvolutionで認識する装置を作ったが、これではDeep Learningとは言えない。

ということで次は
https://www.tensorflow.org/get_started/mnist/pros
を参考にDeepLearningをやっていく。

googleのチュートリアルには99.2%出るって書いてあるけど出ない・・・

困った

# -*- coding: utf-8 -*-

#tensorflowのimport
import tensorflow as tf
import sys
import random
import gc

gc.collect()

train_num = 60000
test_num = 10000

#file:fから1つだけ画像を読み込んで一次元のListで返す
def read_mat(f):
    y = []
    for _ in range(28):
        x = f.read(28)
        for j in range(28):
            y.append(0 if ord(x[j])==0 else 127 )
    return y

#file:fから1バイトの値を読み込んでその値を整数にして返す
def read_ans_one(f):
    return ord(f.read(1)[0])

#file:fから1バイトの値xを読んでx番目だけが1でそれ以外は0の一次元配列を返す
def read_ans_one_arr(f):
    x = read_ans_one(f)
    y = [0,0,0,0,0,0,0,0,0,0]
    y[x] = 1
    return y

#read_matで読み込んだ画像を1つ出力する
def print_mat(y):
    for i in range(28):
        for j in range(28):
            sys.stdout.write('*' if y[i*28+j] > 0 else ' ')
        print(' ')

#read_matで読み込んだ画像の配列を全て出力する
def print_mat_arr(arr):
    for x in arr:
        print_mat(x)

#file:fimgからnum個の画像を読み込んで配列にして返す
def read_img(fimg,num):
    xx = []
    for _ in range(num):
        y = read_mat(fimg)
        xx.append(y)
    return xx

#file:fansからnum個の正解データを読み込んで
#配列にして返す
def read_ans(fans,num):
    y = []
    for _ in range(num):
        y.append(read_ans_one_arr(fans))
    return y

#配列aの中で最大のものの要素のindexを返す
def argmax(a):
    ind = 0;
    m = 0;
    for i in range(len(a)):
        if(m < a[i]):
            m = a[i]
            ind = i
    return ind

#argmaxの比較
def diff_it(a,b):
    return 0 if argmax(a) == argmax(b) else 1;


train_data_index = 0

def sample_train_data(xx,yy,samp):
    global train_data_index
    if train_data_index + samp >= train_num :
        train_data_index = 0
    i = train_data_index
    train_data_index += samp
    j = train_data_index
    return xx[i:j],yy[i:j]

#トレイニングデータの60000個の要素の中から100個を選び返却
#def sample_train_data(xx,yy,samp):
#    r = random.sample(range(len(xx)),samp)
#    rx = []
#    ry = []
#    for i in r:
#        rx.append(xx[i])
#        ry.append(yy[i])
#    return rx,ry

def read_test_img(test_num):
    #テストフェーズ
    fimg = open("test-img","rb")
    fans = open("test-ans","rb")
    fimg.read(16)
    fans.read(8)
    test_x = read_img(fimg,test_num)
    test_y = read_ans(fans,test_num)
    fimg.close()
    fans.close()
    return test_x,test_y

def check(yy, yy_):
    count = 0
    #テストデータでテストを行い、結果が違ったら出力する。
    #間違った数をカウントする
    for i in range(test_num):
        if diff_it(yy[i],yy_[i]) > 0 :
            count += 1
    print("count:" + str(count) + "   err rate:" + str(count/100.0))


def weight_variable(shape):
  initial = tf.truncated_normal(shape, stddev=0.1)
  return tf.Variable(initial)

def bias_variable(shape):
  initial = tf.constant(0.1, shape=shape)
  return tf.Variable(initial)

def conv2d(x, W):
  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

def max_pool_2x2(x):
  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                        strides=[1, 2, 2, 1], padding='SAME')



#トレイニングデータ読み込み
#train-imgから画像を、ansから正解データを読み込む
fimg = open("train-img", "rb")
fans = open("train-ans", "rb")
#ヘッダーを読み飛ばす
#imgには16バイトのヘッダー
fimg.read(16)
#ansには8バイトのヘッダー
fans.read(8)
train_x = read_img(fimg,train_num)
train_y = read_ans(fans,train_num)

fimg.close()
fans.close();


#モデル組み立て
#sess = tf.Session()
sess = tf.InteractiveSession()

x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])

#first layer
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x, [-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
#second layer
h_pool1 = max_pool_2x2(h_conv1)

#third layer
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
#forth layer
h_pool2 = max_pool_2x2(h_conv2)

#fifth layer
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

#dropout
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)


#sixth layer
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

#train
cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
train_step = tf.train.AdadeltaOptimizer(2.0).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
#init = tf.global_variables_initializer()
gc.collect()
sess.run(tf.global_variables_initializer())
#sess.run(init)

#テストデータ読み込み
test_x,test_y_ = read_test_img(test_num)


for i in range(20000):
    #100個のトレーニングデータをランダムに用意して
    xx, yy = sample_train_data(train_x, train_y,50)
    if i%500 == 0:
        train_accuracy = accuracy.eval(feed_dict={x:test_x, y_:test_y_, keep_prob: 1.0})
        print("step {0}, training accuracy {1:f}".format(i, train_accuracy))
    train_step.run(feed_dict={x: xx, y_: yy, keep_prob: 0.5})


#最終的なテスト結果
train_accuracy = accuracy.eval(feed_dict={x:test_x, y_:test_y_, keep_prob: 1.0})

sess.close()

print("step {0}, training accuracy {1:f}".format(i, train_accuracy))

print(sess.run(W))
print(sess.run(b))

tensorflowとMNISTで遊ぶ一日目

今や情報系と言えば機械学習といったような勢いだ。
もちろん自分も機械学習については勉強しているしこれからもしていくつもりだ。

さて、機械学習と言えばtensorflowである。tensorflowはgoogleが作ったと言うだけあって完成度が高い。自分でわざわざ細かいところを実装しなくても重要な部分を少しだけ記述するだけで思った通りの学習をさせることができる。

GW、特にやることがなくtensorflowでMNISTをやってみたので書いてみる。

また、MNISTのサンプルの多くがinput_dataというものを利用しているが、これを使うと中で何をやっているのかがよく分からなくなってしまい困ってしまったので今回、input_dataを使わずに実装した。

MNISTのデータセットはhttp://yann.lecun.com/exdb/mnist/で配布されている。
トレイニング用データをtrain-imgとtrain-ansにリネーム、テスト用データをtest-imgとtest-ansにリネーム

以下のコードを実行すると学習出来る。
1個の画像の入力データを28×28の二次元データとして扱うのではなく、784個の一次元データとして扱っている。これがxのベクトルになる。
ここで0の数字の認識についてのみ考える。
0を認識するのにそれぞれの画素に重みをつけ、ここの画素が黒いとそれは0である確率が高くなるのか、低くなるのかそれとも無関係なのかでそれぞれ正の数,負の数,ゼロになるようにする。
それぞれの画素の値と重みをかけ合わせ全てを足した値がその画像らしさを表すが、0~9で平均が異なってしまうのでそれを修正するためにオフセットbを足すといったところだろうか。

# -*- coding: utf-8 -*-

#tensorflowのimport
import tensorflow as tf
import sys
import random

#file:fから1つだけ画像を読み込んで一次元のListで返す
def read_mat(f):
    y = []
    for _ in range(28):
        x = f.read(28)
        for j in range(28):
            y.append(0 if ord(x[j])==0 else 127 )
    return y

#file:fから1バイトの値を読み込んでその値を整数にして返す
def read_ans_one(f):
    return ord(f.read(1)[0])

#file:fから1バイトの値xを読んでx番目だけが1でそれ以外は0の一次元配列を返す
def read_ans_one_arr(f):
    x = read_ans_one(f)
    y = [0,0,0,0,0,0,0,0,0,0]
    y[x] = 1
    return y

#read_matで読み込んだ画像を1つ出力する
def print_mat(y):
    for i in range(28):
        for j in range(28):
            sys.stdout.write('*' if y[i*28+j] > 0 else ' ')
        print(' ')

#read_matで読み込んだ画像の配列を全て出力する
def print_mat_arr(arr):
    for x in arr:
        print_mat(x)

#file:fimgからnum個の画像を読み込んで配列にして返す
def read_img(fimg,num):
    xx = []
    for _ in range(num):
        y = read_mat(fimg)
        xx.append(y)
    return xx

#file:fansからnum個の正解データを読み込んで
#配列にして返す
def read_ans(fans,num):
    y = []
    for _ in range(num):
        y.append(read_ans_one_arr(fans))
    return y

#配列aの中で最大のものの要素のindexを返す
def argmax(a):
    ind = 0;
    m = 0;
    for i in range(len(a)):
        if(m < a[i]): m = a[i] ind = i return ind #argmaxの比較 def diff_it(a,b): return 0 if argmax(a) == argmax(b) else 1; #トレイニングデータの60000個の要素の中から100個を選び返却 def sample_train_data(xx,yy): r = random.sample(range(60000),100) rx = [] ry = [] for i in r: rx.append(xx[i]) ry.append(yy[i]) return rx,ry def read_test_img(test_num): #テストフェーズ fimg = open("test-img","rb") fans = open("test-ans","rb") fimg.read(16) fans.read(8) test_x = read_img(fimg,test_num) test_y = read_ans(fans,test_num) fimg.close() fans.close() return test_x,test_y def check(yy, yy_): count = 0 #テストデータでテストを行い、結果が違ったら出力する。 #間違った数をカウントする for i in range(test_num): if diff_it(yy[i],yy_[i]) > 0 :
            count += 1
    print("count:" + str(count) + "   err rate:" + str(count/100.0))


train_num = 60000
test_num = 10000

#トレイニングデータ読み込み
#train-imgから画像を、ansから正解データを読み込む
fimg = open("train-img", "rb")
fans = open("train-ans", "rb")
#ヘッダーを読み飛ばす
#imgには16バイトのヘッダー
fimg.read(16)
#ansには8バイトのヘッダー
fans.read(8)
train_x = read_img(fimg,train_num)
train_y = read_ans(fans,train_num)

fimg.close()
fans.close();


#モデル組み立て
sess = tf.Session()

#xが入力データ、y_が正解データ
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])

#Wがフィルタ
W = tf.Variable(tf.zeros([784, 10]))
#bはバイアス
b = tf.Variable(tf.zeros([10]))
#yが出力 y = Wx + b 単純
y = tf.nn.softmax(tf.matmul(x, W) + b)

#yとy_でクロスエントロピーを取る
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y + 1e-30),reduction_indices=[1]))
#AdadeltaOptimizerを使ってクロスエントロピーを最小化
train_step = tf.train.AdadeltaOptimizer(0.1).minimize(cross_entropy)

init = tf.global_variables_initializer()
sess.run(init)

print(sess.run(W))
print(sess.run(b))

#テストデータ読み込み
test_x,test_y_ = read_test_img(test_num)

#100回学習を実行する
for i in range(1000):
    #100個のトレーニングデータをランダムに用意して
    xx, yy = sample_train_data(train_x, train_y)
    #トレーニングを実行
    sess.run(train_step, {x:xx, y_:yy})
    #10回に1回テストを実行
    if i%10 == 0:
        test_y  = sess.run(y,{x:test_x})
        check(test_y,test_y_)

#最終的なテスト結果
test_y  = sess.run(y,{x:test_x})
check(test_y,test_y_)
print(sess.run(W))
print(sess.run(b))

サイト(nginx)のipv6対応設定

このサイトが対応し忘れていたのでメモ

まずはDNSレコードの設定でAAAAレコードを設定する。
AAAAレコードというのはドメインに対応するipv6アドレスを記録するレコードでipv4でいうAレコードに相当する。

おわったらnginxの設定を行う。
/etc/nginx/conf.dの中にある設定ファイルで

service{
listen 80;
listen [::]:80;

とすればipv4、ipv6どちらからの接続も成功するようになった。

確認は自分の場合wgetを使って、サイトにipv6でアクセス出来る環境から
wget -6 http://code.kashimata.net/
という具合でアクセスして確かめた。
-6というのはipv6の使用を強制するオプションである。
ipv4について確認したいときは-4オプションを使う。