ディープラーニングの開発を行うOSとして、一般的にWindowsあるいはLinux（Ubuntu）が使用されます。

最近のディープラーニング向けライブラリの多くはWindowsとLinux （Ubuntu）の双方に対応しているため、普段Windows OSを利用している方は、まずは使い慣れたWindows上で開発環境を構築することを推奨します。

本コラムでは、Windows 10に環境構築を行う前提で説明いたしますが、Windows 10以外のWindows OSやUbuntu OSに環境構築を行う場合においても、ほとんど同様の手順です。

ディープラーニングでは、大量の計算が必要となる場合が多く、GPUを使って処理を高速化することが一般的です。ディープラーニングの真価を体験するためにも、GPUが搭載されたPCを使用することを推奨します。

また、ディープラーニングのためのライブラリは、NVIDIA製のGPUにのみ対応していることが多く、本コラムでもNVIDIA製のGPUの使用を強く推奨します。

現状、ディープラーニングの開発言語として、データ解析や数値処理、機械学習のためのライブラリなど、ディープラーニング以外の機能も充実しているPythonが利用されることが多く、本記事においてもPythonを使用して開発を行います。

なお、Pythonのバージョンには、2系と3系の2種類がありますが、2020年1月1日をもって、Python 2系のサポートが打ち切られました ^*1。また主要ライブラリの多くも2系のサポート打ち切りを宣言しているため、Python 3系の環境を構築することを推奨します。

またマイナーバージョン（Python 3.〇の〇部分）は、使用したいライブラリが対応しているバージョンを選択する必要があります。本コラムでは、今回使用するライブラリであるtensorflow-gpu 2.0.0に対応しているPython 3.7を使用します。詳細は次回のコラムで説明します。

昨今のディープラーニングへの関心の高さを反映して、日々新しい手法が提案されていることもあり、開発者向けのライブラリも頻繁にアップデートがされています。このため、プログラムごとに異なるバージョンのライブラリを使い分けることも多く、その管理をおこなうための「パッケージ管理ツール」と「環境分離ツール」を使用することを推奨します。

本コラムでは、このツールとしてデータサイエンス、機械学習などの開発向けの多くの機能がまとめられたAnacondaを使用します。Anacondaは、Pythonのディストリビューション（=設定済みのソフトウェア等をまとめたもの）であり、「パッケージ管理」および「環境分離」のツールであるcondaが含まれます。

Anacondaのパッケージ管理機能を使用してパッケージのインストールを行うと、ライブラリの依存関係を確認した上で必要なライブラリ等が自動でインストールされるため、環境構築の手間を格段に減らすことができます。

Pythonには、KerasやTensorFlow、Chainer、PyTorch等、いくつかのディープラーニングフレームワーク(ディープラーニングの開発のためのライブラリ)が存在し、選択する必要があります。また既存のソースコードを流用する場合などでは、フレームワークのバージョンに関しても注意する必要があります。

本コラムでは、ディープラーニングフレームワークの中でも、直感的かつ容易に開発が可能な、Keras（執筆時の2020年1月の最新安定版であるkeras 2.3.1）を推奨します。また、Kerasのバックエンド（=Keras内でテンソル積や畳み込み等の基本操作を扱う際に使用するライブラリ）として、TensorFlow （tensorflow-gpu 2.0.0）を使用します。