Windows・WSL、GPU、ネットワーク、FPGAで試したことをまとめています。設定の手順だけでなく、実行結果や、うまくいかなかった条件も記事に残しています。
ローカルAI用PCはVRAM 16GB・メモリ32GBで足りるか：Ollamaで試した4B・8B・12Bは、Q4_K_M・コンテキスト4,096で全層をGPUに載せられました。一方、StrataではRAM 32GBをほぼ使い切りました。
主な検証環境
| OS | Windows 11、WSL 2（Ubuntu 26.04 LTS） |
|---|---|
| CPU | Core i7-14700F |
| GPU | RTX 5070 Ti、VRAM 16GB |
| メモリ | 32GB |
ソフトウェアの版や測定条件は記事ごとに記載しています。FPGAの記事では、KR260やAlveo U50も扱っています。
最近の検証
- StrataをWindows 11・RTX 5070 Ti・メモリ32GBで動かす：Qwen3.8-Flash-Next Q2_0で回答を生成できましたが、RAM 32GBはほぼ使い切りました。日本語への回答にも中国語の語句が混ざりました。
- Windows 11でipsendwinを動かす：先頭のNICだけを見る起動判定を互換DLLで補い、同じPCの仮想Ethernet上で送信フレームを確認できました。
- 倍精度演算器をVitis HLS 2025.2で再実装する：ZCU104・目標100 MHzのHLS合成で、LUTを初版より約19〜30%削減しました。独立再実装のソースと再現手順も公開しています。
- Depth Anything V2 Smallの量子化をCPU・GPUで比べる：CPUではFP32からINT8に変えると275.0 ms→198.8 msへ短縮。RTX 5070 TiではINT4・FP8よりFP16が速い結果でした（518×518、バッチ1）。
PyTorchを動かす・学習の詰まりを調べる
- WSL 2のPyTorchからRTX 5070 Tiを使う：Windows側のドライバーから順に認識を確認。4096×4096のFP32行列積はCPU 177.845 ms、GPU 4.262 msでした（生成・転送を除く計算部分）。
- CNNをCPUとGPUで学習する：FashionMNIST 6万枚・3エポックの学習はCPU 12.68秒、RTX 5070 Ti 6.29秒。データ読込と転送も含む処理全体で約2倍でした。
- empty_cacheしてもGPUメモリが減らない：リストに参照が残ると、変数をdelしても256 MiBのテンソルは解放されませんでした。参照の削除とキャッシュの解放を分けて確認しています。
- 学習が遅い場所をprofilerで見る：画像の切り抜き・回転を加えた条件で、前処理を0→4ワーカーにすると待ちが短縮。profilerを外した計測は約9,798→42,921 images/sでした。
分類方法や推論の形式を比べる
- FashionMNISTでHOG＋SVMとCNNを比較：テスト1万枚ではCPUのHOG＋SVMが88.85%、GPUのCNN（3エポック）が87.00%。正解率はHOG＋SVMが上でしたが、処理時間はCNNが短くなりました。
- ONNXのCNNをINT8量子化する：ファイルは小さくなりましたが、この実験ではCPU推論は遅くなりました。
Windows・Linuxとネットワーク
- Wireshark導入後、ipsendwinがwpcap.dll不足で起動しない
- Windows 11のWSLgで外部Xサーバを使う
- Overleaf 5.2.1をローカルに構築した記録
- WSLのmatplotlibで日本語フォントを使う
Vivado・Kria・FPGA
- KR260の資料と回路図を探す
- KR260のJTAGブートへの切り替え
- 電源投入時からKria SOMをJTAGブートにする
- ILAでFPGA内部の信号を見る
- Alveo U50でDMAサンプルを動かす
よく読まれている記事
過去30日間によく読まれた記事を、アクセス数の多い順に紹介します。
コードを手元で試す
CNN学習、HOG＋SVM比較、ONNXのINT8量子化、profiler、GPUメモリの実験コードをGitHubで公開しています。 準備と実行方法はREADMEから確認できます。
English
English articles include troubleshooting guides and selected experiment write-ups.