Biasanya setelah seseorang bisa mengaplikasikan teknik deep learning (DL) untuk memecahkan permasalahan, ia akan ketagihan. Mulailah ia mencoba menggunakan DL untuk memecahkan permasalahan yang jauh lebih kompleks dan bahkan membutuhkan kemampuan komputasi yang advanced. Hal ini dikarenakan DL memang teknik yang tangguh dan cocok untuk kasus-kasus yang rumit.

Semakin kompleks permasalahan maka spesifikasi hardware yang diperlukan juga semakin tinggi. Teknik DL yang memerlukan spesifikasi tinggi adalah convolutional neural network (CNN).

Dengan menggunakan graphics processing unit (GPU) untuk CNN, maka kecepatan komputasi akan berkurang drastis. Itu juga tergantung dari kualitas GPU-nya, semakin mahal biasanya semakin baik performanya.

Mengapa tidak cukup menggunakan CPU (seperti Intel dan AMD)? CPU masih superior untuk proses komputasi serial (berurutan). Namun jika kita berbicara tentang CNN, maka komputasi gambar sifatnya parallel (bersamaan), dan GPU jauh lebih superior dibandingkan CPU untuk komputasi parallel.

---

Hal yang perlu diperhatikan jika ingin menggunakan GPU untuk CNN adalah:

1. Hanya bisa untuk GPU bermerek Nvidia. Radeon sampai saat ini belum compatible untuk CNN. Begitu juga dengan Intel HD Graphics, ini juga belum compatible.
2. Sudah menginstall versi GPU untuk Keras (sudah termasuk TensorFlow).

Langkah yang paling penting adalah pastikan kita memiliki GPU Nvidia, karena saat ini hanya merek ini yang mensupport CNN. Jika tidak punya, maka harus membelinya terlebih dahulu (tidak harus mahal jika untuk project kecil).

Setelah menggunakan GPU Nvidia, langkah selanjutnya adalah pastikan kita menginstall TensorFlow versi GPU. Untuk menginstall TensorFlow GPU, maka kita cukup menginstall Keras versi GPU.

Saya akan tunjukkan caranya dengan menggunakan aplikasi Anaconda dan OS Windows 10. Mengapa Windows? Karena GPU High-end umumnya hanya ada untuk OS Windows (keperluan gaming).

Jika pembaca sebelumnya sudah menginstall Keras CPU, maka harus di uninstall dulu. Cukup buka terminal di Anaconda (Anaconda Prompt) lalu ketikkan “pip uninstall keras“. Dengan demikian Keras sudah dicopot dari sistem.

---

TAHAP 1 – INSTALL KERAS GPU

Kita mulai dengan menginstall Keras GPU di Anaconda. Buka Anaconda Prompt, kemudian ketikkan ” conda install -c anaconda keras-gpu “. Pilih opsi Y jika diminta, dan tunggu sampai selesai.

Sekarang kita sudah memiliki library TensorFlow GPU. Otomatis ia akan menjalankan proses deep learning dengan menggunakan GPU. Namun, kita belum selesai. Masih ada tahapan lain.

---

TAHAP 2 – INSTALL VISUAL STUDIO

Buka link ini, dan pilih Visual Studio Community (gratis, cukup registrasi).

Mengapa perlu menginstall ini? Karena Nvidia memerlukan komponen C++ yang ada di Visual Studio untuk menjalankan proses deep learning. Jika sudah, lanjut ke tahap berikutnya.

---

TAHAP 3 – INSTALL NVIDIA CUDA

Silakan download aplikasinya di link ini. Aplikasi ini digunakan untuk memerintahkan GPU Nvidia. Jika sudah, lanjut ke tahap selanjutnya.

---

TAHAP 4 – INSTALL NVIDIA cuDNN

Silakan download aplikasinya di link ini. Pilih yang versi terbaru paling atas.

Jika sudah, silakan diextract filenya sehingga terlihat ada 3 folder: bin, include, dan lib.

Kemudian nanti copy-kan masing-masing folder itu di FILEPATH Nvidia. Biasanya posisi filepathnya adalah:

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2

Berikut adalah file yang dicopy:

• Copy \cuda\bin\cudnn64_7.6.5.32.dll ke C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin.
• Copy \cuda\ include\cudnn.h ke C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include.
• Copy \cuda\lib\x64\cudnn.lib ke C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64.

Kepanjangan dari namanya adalah NVIDIA CUDA® Deep Neural Network. Sesuai namanya, library ini digunakan untuk menjalankan GPU Nvidia dan menyelaraskannya dengan TensorFlow untuk aplikasi deep learning.

---

TAHAP 5 – TAMBAHKAN ENVIRONMENT VARIABLES

Jika pembaca adalah pengguna Windows, maka perlu menambahkan 3 variabel. Caranya mudah, pertama ketikkan di Windows ‘Environment variables’. Lalu jika sudah pilih Environment Variables di bagian kanan bawah. Tampilannya seperti berikut:

Kemudian tambahkan 3 variabel ini :

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64

Ilustrasi dan pemberian namanya sesuai seperti gambar di bawah ini:

Jika sudah, restart komputernya. Kemudian kita beranjak ke langkah selanjutnya.

---

TAHAP 6 – CEK TENSORFLOW GPU DI PYTHON

Ini adalah tahap terakhir. Langkah ini hanyalah untuk melakukan verifikasi apakah TensorFlow GPU (melalui Keras) sudah terinstall dengan benar. Cukup jalankan script di bawah ini:

import tensorflow as tf
if tf.test.gpu_device_name():
    print('Default GPU Device: {}'.format(tf.test.gpu_device_name()))
else:
    print("Please install GPU version of TF")
print(tf.test.is_gpu_available())

Jika hasil yang diprint adalah “Default GPU Device: /device:GPU:0” dan “True“, maka kita sudah berhasil menginstall TensorFlow GPU. Dengan demikian, setiap kita menjalankan CNN, maka secara otomatis Nvidia akan menjalankan komputasinya.

Perlu diperhatikan bahwa cepat tidaknya komputasi dan utilisasi CNN tergantung GPU kita. Jadi ketika kita menjalankan CNN misalnya, maka bisa jadi untuk 1-3 menit pertama proses masih tampak biasa (seakan-akan masih berjalan di CPU), namun setelah itu baru mulai berjalan ke GPU (ditandai dengan fan kipas GPU yang menyala kencang – pertanda mulai memanas, hal ini biasa terjadi untuk Nvidia versi laptop).

Sampai di sini saya harap pembaca sudah bisa menggunakan GPU untuk proses deep learning, dan bisa berkreasi untuk memecahkan persoalan yang jauh lebih rumit.

Semoga bermanfaat.