ディープラーニング用PCの選び方｜GPU・VRAMとPyTorch／TensorFlow環境構築

たとえばGeForce RTX 5090は、NVIDIA公式仕様で32GBのGDDR7とBlackwellアーキテクチャを採用しています。ただし、VRAM容量が同じでもメモリ帯域、演算精度、カーネルの対応状況によって処理時間は変わります。ゲームのフレームレートやAI TOPSだけで学習速度を決めつけず、目的に近い処理条件で比べてください。NVIDIA GeForce RTX 5090公式仕様

予算が厳しい場合は、最初から条件を満たさないGPUを買うより、手元のPCでコード開発とデータ準備を進め、大きな処理だけ別の環境を使う案もあります。反対に、頻繁に試行錯誤するなら、手元にGPUがあることによる作業のしやすさも考慮しましょう。

パーツが決まったらPC構成ビルダーで構成を整理し、CPUソケット、メモリ規格、ケース寸法などを各メーカーの仕様表でも確認してください。ビルダー上のチェックだけで、機械学習ソフトの互換性までは判断できません。

電源・ケース・冷却で見落としやすいこと

AI処理ではGPUに長時間負荷がかかる使い方があります。電源容量は、GPUだけでなくCPUや他の機器を含め、選んだ製品のメーカー要件に合わせて決めます。

例として、NVIDIAのGeForce RTX 5090公式仕様には、Total Graphics Power 575W、Required System Power 1000Wと記載されています。これはその製品の仕様例であり、すべてのAI用PCに共通する電源容量ではありません。カードメーカー独自モデルやCPU構成による条件も確認が必要です。NVIDIA公式の電力・寸法仕様

購入前に次を確認してください。

• GPUの長さ・高さ・厚みがケースに収まるか

• 電源コネクターとケーブル用の空間を確保できるか

• 電源に必要なコネクターがあり、カードの指定どおりに接続できるか

• ラジエーターや他の拡張カードがGPUと干渉しないか

• 吸気と排気の経路があり、GPUの吸気口をふさがないか

• 長時間動かす場所で、排熱やファン音を許容できるか

モジュラー電源のケーブルは、見た目や端子形状だけで流用せず、電源メーカーが指定する適合品を使用します。組み立て時はGPU・電源・ケースそれぞれの取扱説明書に従ってください。

GPUを2枚にしても、VRAMは自動で1つにならない

編集部の判断： 24GBのGPUを2枚搭載しても、通常の単体GPU向けプログラムが48GBのGPUとして使えるわけではありません。

PyTorchのDistributedDataParallel（DDP）では、各GPU側にモデルの複製を持ち、データを分けて処理します。一方、FSDPのようにモデルのパラメータや勾配、オプティマイザ状態を分割する手法もあります。大きなモデルを扱うには、このような分割に対応した実装と設定が必要です。PyTorchのDDPとFSDPの解説

増設時には、枚数のほかに次の条件を確認します。

• プログラムが使う分散方式と、そのOS・GPUでの対応状況

• PCIeスロットの物理形状と、実際の電気的な接続レーン数

• M.2や他のスロットとレーンを共有する条件

• GPUの厚みに応じたスロット間隔、吸気空間、電源容量

• 通信待ちを含めて、必要な処理時間を満たせるか

「GPUを2枚にすれば2倍速い」とは限りません。将来の増設を考える場合も、対応するマザーボード・CPU・ケースを先に決め、費用全体を単体の大容量GPUや外部GPU環境と比べましょう。

PyTorch／TensorFlowの環境構築は、小さく分けて確認する

1. 対応バージョンの組み合わせを決める

OS、Python、GPUドライバ、フレームワーク、追加ライブラリの順に条件を整理します。既存プロジェクトがあるなら、その要件を優先してください。すべてを無条件に最新版へそろえると、依存関係が合わない場合があります。

PyTorchのCUDA／ROCm対応ビルドと、システムに導入する開発用ツールキットは区別して扱います。ソースからビルドする場合や独自のCUDA拡張を使う場合は、コンパイラやツールキットも含めた追加確認が必要です。導入経路は公式手順に合わせましょう。PyTorch公式導入案内、NVIDIA CUDA Linux導入ガイド

WSL2でNVIDIA GPUを使う場合は、Windows側のドライバを利用します。NVIDIAは、WSL内にLinux用ディスプレイドライバを入れないよう案内しています。Linuxネイティブ用の手順をそのまま流用しないでください。NVIDIA CUDA on WSL User Guide

2. Python環境を分ける

PyTorch用とTensorFlow用は、まず別の仮想環境に分けると依存関係を確認しやすくなります。以下は、対応するPythonが導入済みのLinux／WSL2で、新しいPyTorch用環境を作る例です。

python3 -m venv .venv-pytorch
source .venv-pytorch/bin/activate
python -m pip install --upgrade pip

続いてPyTorch公式の選択画面でOS・パッケージ・計算基盤を選び、表示されるコマンドを、この仮想環境内で実行します。記事に固定された古いCUDA版のコマンドをそのまま使わないことがポイントです。

TensorFlowも新しい仮想環境を作り、公式インストールガイドにある、自分のOSとGPUに合う手順を実行してください。両方を同じ環境に導入する必要がある場合は、依存パッケージの条件を先に照合します。

3. GPUの認識と小さな演算を確認する

以下はNVIDIA CUDA版またはAMD ROCm版のPyTorchで、GPU認識と小さな行列演算を確認するコードです。ROCm版でもこの確認にはtorch.cuda APIを使います。性能測定やモデルの動作保証をするコードではありません。PyTorch公式の検証手順

import torch

print("PyTorch:", torch.__version__)
print("CUDA build:", torch.version.cuda)
print("HIP build:", torch.version.hip)
if not torch.cuda.is_available():
    raise RuntimeError("GPUが見つかりません。ビルドとドライバを確認してください。")

print("GPU:", torch.cuda.get_device_name(0))
x = torch.randn(4, 4, device="cuda")
y = x @ x
torch.cuda.synchronize()
print("Result device:", y.device)
print(y.cpu())

TensorFlowでは、次のコードでGPUの一覧を確認できます。

import tensorflow as tf

print("TensorFlow:", tf.__version__)
gpus = tf.config.list_physical_devices("GPU")
print("GPUs:", gpus)
if not gpus:
    raise RuntimeError("GPUが見つかりません。公式の対応条件を確認してください。")

GPUが一覧に出たら、次に対象プロジェクトの小さな入力で推論や学習を試します。学習なら損失計算と重み更新、チェックポイントの保存・再開まで確認してください。モデルを読み込めただけで検証完了にはしません。

4. 動いた環境を記録する

各環境で、導入されたパッケージを記録しておきます。

python -m pip freeze > requirements-verified.txt

あわせて、OS、Python、GPU型番、ドライバ、フレームワーク、モデルのリビジョン、起動コマンドを保存します。パッケージ一覧だけでOSやドライバまで再現できるわけではないため、環境の条件も残すことが重要です。

Dockerを使う場合も、ホスト側のGPUドライバやGPUへのアクセス設定が必要です。コンテナにすれば互換性の確認が不要になるわけではありません。NVIDIA環境では、公式のContainer Toolkit手順を確認します。NVIDIA Container Toolkit導入ガイド

遅い・メモリ不足になったときの確認順

最適化は設定を1つずつ変え、同じ入力で比べます。処理時間だけでなく、出力の品質や学習の安定性も確認してください。

PyTorchで試すこと

• 推論時はモデルを評価モードにし、勾配が不要な処理にはtorch.no_grad()などを使う

• DataLoaderのワーカー数は、小さい値から変更して実測する

• 入力転送がボトルネックなら、対応する環境でpin_memoryなどを検討する

• 対応GPU・演算ではAMPを検討し、メモリと処理時間、損失の変化を比較する

AMPは演算ごとに精度を使い分ける仕組みです。すべてのモデルが同じ倍率で高速化するものではありません。FP16とBF16でも数値特性が違うため、対象モデルとGPUの対応を確認します。PyTorchの性能調整ガイド、PyTorch AMPの公式例

TensorFlowで試すこと

入力待ちがある場合は、tf.dataのprefetchや並列処理を検討します。キャッシュはメモリやディスク容量を使うため、データサイズに合わせて選んでください。Mixed precisionも対応ハードウェアと数値安定性を確認して適用します。TensorFlowの入力パイプライン最適化、TensorFlowのMixed precision解説

速度比較では初回の準備処理を含むかどうかをそろえ、必要なウォームアップやGPU処理の完了待ちを行います。条件が違う測定結果を、そのままGPUや設定の優劣として扱わないようにしましょう。

ローカルPCとクラウドをどう使い分けるか

ローカルPCは、繰り返し実験する、手元でデータ処理を完結させたい、待たずに開発を始めたい場合に検討しやすい選択肢です。クラウドは、短期間だけ大きなVRAMが必要な場合や、購入前に処理条件を確かめたい場合に役立ちます。

費用は、GPUの購入額と時間単価だけで比べず、同じ作業が完了するまでの総額で比較してください。

• ローカル: 本体費用、電気代、冷却・騒音への対応、保守、使わない期間

• クラウド: 実行時間、ストレージ、データ転送、停止後も残るリソース、環境準備

クラウドにデータを置く場合は、そのデータを外部環境で扱ってよいかも先に確認します。機密データや認証情報をNotebook、実験ログ、公開リポジトリへ混ぜないようにし、Notebookのポートを不用意に外部公開しないことも大切です。

購入前・導入後の最終チェック

購入前

• モデル、用途、入力条件を決めた

• GPU・OS・フレームワーク・追加ライブラリの対応を確認した

• 重みだけでなく実行時のVRAMを見積もった

• CPU、RAM、SSDの容量をデータ処理と同時作業に合わせた

• GPU寸法、電源容量、給電コネクター、冷却条件を確認した

• 複数GPUなら、分散方式とPCIeレーンの割り当てを確認した

• 周辺機器やバックアップも含めて総予算を確認した

導入後

• GPUを認識し、小さな演算を実行できた

• 実際のモデルで推論または学習を完了できた

• 通常使う入力条件で、ピークVRAMと処理時間を確認した

• 継続負荷時の温度、動作、ファン音を確認した

• 学習の保存・再開と、必要なバックアップを確認した

• 動作したソフトウェアの組み合わせを記録した

ディープラーニング用PCを選ぶときは、目的の処理が収まるVRAMとソフトウェア対応を先に確認し、その条件を支えるパーツをそろえましょう。最初の1台は単体GPUで動作を確かめ、実際に不足した部分から強化すると、構成の判断がしやすくなります。

AI開発用のGPU・メモリ・SSDの価格を比較する

PR：以下はAmazonアソシエイトリンクを含みます。価格・在庫はリンク先で確認してください。

本文の対応環境と必要VRAMを確認したら、次の2つを比較の出発点にできます。GPUは容量だけでなく、使うフレームワーク・拡張機能と実測ピークを照合して選びます。

容量はNVIDIAのRTX 5060 Ti仕様とRTX 5090仕様を照合しています。CPU・マザーボード・電源・ケース・冷却まで含む購入一式は、GPUメーカーと各部品の適合条件から確定してください。DDR4の既存環境へDDR5を追加することはできません。

GPUを絞ったら、購入前の7項目チェックでソフト対応を確認し、予算配分ガイドで総額を見積もりましょう。

よくある質問

GPUのVRAMが大きければ学習も動きますか？

容量だけでは判断できません。モデル、学習方式、バッチ、入力条件に加え、GPU・OS・追加ライブラリの対応を照合します。

24GBのGPUを2枚挿すと48GBとして使えますか？

通常の単体GPU用プログラムでは自動合算されません。分割に対応する実装と設定、PCIeや給電・冷却条件が必要です。

Windowsに直接TensorFlowを入れてGPUを使えますか？

公式のWindowsネイティブGPU対応は2.10が最後です。新規環境では対応するLinuxまたはWSL2の公式導入経路を確認します。

メモリ不足を直すために何から変更しますか？

読み込み時か処理中かを分け、精度、バッチ、文脈長、解像度と他プロセスの使用量を確認します。一度に複数の設定を変えず、小さい入力から測り直します。

GPUを認識したら環境構築は完了ですか？

認識だけでは完了しません。実際のモデルで推論や学習を実行し、必要なら保存と再開まで確認します。

資料確認：2026年10月13日。製品仕様・ソフトの対応条件は購入や更新の直前にも公式資料で確認してください。