ビジネス・実用の高評価レビュー

前半の話とつながるのだか大きく違い、陸上養殖は別にしてもらえたらよかったようにも思った。クジラの話とか面白かった

36歳なのだが、競争、自分の欲を持ってバリバリ働く事から降りた私は稲垣さんの本はどれも響きまくる。
サイズダウンしていく事。
消費していくことが普通、当たり前の世の中で
「使い切る」ことがどれだけ尊い事だったのか。
使い切るから必要最低限のモノしか買わなくて良いからお金は要らないしゴミも減るし何より心が晴れやか。
いつも欲しい、捨てられない、使いきれないほどのものを抱えている、そしてまたお金を得なくては、、のストレスの方がよっぽど辛い。

使い切るまで全うし、お役御免になったら大事にまた一生使うつもりで買う。

新しいモノに追われる必要なんてない。
そう思うと、この資本主義社会での常に新しいモノ、最新ものを！という広告まみれの消費消耗活動が全く色褪せた。

毎日、早起きして同じルーチンをこなし、
焚き火でもしながらのんびりとコーヒーを飲んでいる時間こそがなににも変えがたい喜びです。

都市にいても江戸っ子のように生きる稲垣パイセンはこれからの生き方の最先端だと思う。

『台湾有事―歴史・軍事・安定のメカニズム』は、刺激的な未来予測を求める読者には、少し違う本かもしれません。

中国が何年に侵攻するのか、開戦すればどちらが勝つのか、といった明快な答えを提示する本ではないからです。

その代わり、台湾問題を近代以降の歴史的連続性のなかに置き、軍事力、外交、米中関係、台湾政治、国際社会の関与を組み合わせながら、台湾海峡の安定がどのように維持されてきたのかを丁寧に説明します。

「台湾有事」という言葉の背景を体系的に理解したい人におすすめです。

本屋さんでタイトルを見た時に今の自分に必要なものだと思い購入しました。
私は普段からずっと何かを頭に抱え込んで、それによって余裕が無くなり、仕事でも上手くパフォーマンスが発揮出来ないことが多いです。
そして、この本を読んでいる時、所謂「減らせない人」に自分があまりにも当てはまり過ぎて驚きました。
すぐには改善は難しいかもしれませんが、3色ノートに自分の思いの丈を書いて、頭の整理をつけるところから始めようと思います。

「痛み」に限らず、言語化しづらいものにもリンクする内容で興味深かった。
「ほんとうの経験」を考えることができた。

お知らせします
わいの中で今年の（発表は来年）の新書大賞が決定しました

鈴木大介さん著『リベラル疲れ』です

おめでとうございます
ありがとうございます

共感と納得の温帯低気圧です（素直に嵐でええやろ！）

最近わいは元リベラルを自称しておるわけですが、そうなった原因を自問してみるとまさにこの「リベラル疲れ」があったように思う

極端な言説、尽きることのない”怒り”により対話を不可能にしてしまう左派の姿勢に「疲れた」からです

だが一方で、あらためて自分の根っこはリベラルなんやな〜と再認識させられてしまいました
ごめんよ竹田さん

まぁいわゆる左派の中でも「反権力」というのがわいの所属部署なんだが、小さい頃から持っている「ルール」というものにたいする抑えきれない抵抗感があって、なんでお前らが勝手に決めた「ルール」に従わにゃならんのや！
さらに言えば、従ったところで、戦争や貧困や差別は無くならんやろが！という思いがあったからなんですな
＊ちなみに例えば殺人を肯定するのか！なんて意見についてはは「ルール」以前に「人して…」なので齟齬はない

だが大人になるにつれて、社会の中で「ルール」に従わない人たちから受ける直接的な被害「迷惑」に辟易するとともにちょっとずつ考えが変わってきたわけです

例えば、小さなことやけどゴミ出しの「ルール」を守らない人のために後片付けをするとかな
ちゃんと網の中入れろや！カラス来んねん！(# ﾟДﾟ)

よしもうがんがんに話逸れてるな
このまま行くとリベラル＝燃えるごみに使用済みのおむつを出す人になってしまうな

軌道修正

この本は何ために書かれたか？何が書かれているか？というとね
分断を回避するためのリベラル側からのアプローチなんよ（鈴木大介さんはバリバリのリベラル）

筆者は「分断」の「分」は価値観の多様性であり、守られるべき思想の自由だが、「断」は対話や人間関係の喪失であり、それは人生の質の喪失と定義していて、「分」を認めつつ「断」を回避することは可能である
少なくとも「半径5メートル」の近しい関係においては可能であり、必要なことだとまとめる

方法論や考え方についてはぜひとも本書を一読願いたい

服選びの参考になるかなー程度の気持ちで読み始めたんやけど、それはもちろん自分の人生を考えなおすみたいなきっかけになってとてもよかった。

時代は変わっても、慣習や人間の脳は昔のまま
だからこそ、生きづらくなっているのかもしれません。
今は時代の転換期。若い人たちに大人が正しく伝えていきたい。

レシピ本だけど、所々にかかれている著者のコメントが心温まる。
昨日から年中娘にお弁当を作っているがこれも良い思い出と前向きに向き合いたい。

社会人1年目より、数年働いた今改めて読むと、より腑に落ちたる形で頭に入ってきた。
筆者が述べているように、コンサル以外の仕事にも通用する考え方が載っている。
相手の期待値を越え続けること。そのために自己満足的な頑張りを避けること、安請け合いをしないことが大事。

いま疾病に苦しんでいる人達のために役立つ本ではないかもしれない。しかし、障害をかかえて生きる人達や子育てに悩んでいる人達にとっては、自身や子供に対しての見方・感じ方が変わるかもしれない本。この本で語られていることは、サイエンスやエビデンス・ベースド・メディスンではなく、アートなのだと思う。

内容は、どの本にも書いてるように感じられた。
しかし、書き方やフレーズが分かりやすく丁寧なので理解度は、他の本と比べて圧倒的に違った。
特に読むべき箇所は、最後の章です。「相手に関心を持たせたりするまでは教えなくていい」というのは驚きだった。この章だけでも読む価値はあります。
おすすめの本です。

法政大学元学長、田中氏の作品。とても面白かった。遊郭は単なる性的な出会いの場所ではなく、お互いに教養が求められた場所であった。むしろ男女の遊びは後者の方に比重が置かれていた気がする。現代で例えるならば低俗なキャバクラではなく、漫画「女帝」に出てくる銀座の高級クラブのような、高い教養が求められた場所であった。とは言え、人権無視の遊郭という存在は肯定できないが。

とても面白かった。チャーハンを中心に食文化の変遷と移り変わりが垣間見えてこれもまた調査とフィールドワークの賜物だと思う。

ある程度の年齢になっても大きく変わらないもやもやとした状況の自分に響いた。
決してサボっていたわけではない。
好きなことをする。失敗しても続ける。好機を待つ。
共通点はある。腐らずに日々を過ごしたい。

生成AIを効果的に使ってみたくて、購入。

Geminiの機能など基本的なことから、や4コマ漫画の作成もできるなど意外な使い方まで、幅広く紹介されている。
それぞれの画面のイメージも掲載されているので、これまで用語もよくわからず、AIを使いきれていなかった自分にはとても参考になった。まずは資料作りなど実践してみたい。

おもしろい。
気付くと宗教を学んでいる。
実践のために手に取る人は少ないと思っていたが、違うのか笑笑

実践的パフォーマンスエンジニアリングによるAI高速化
他著：株式会社フィックスターズ
他著：吉藤 尚生
他著：浅原 明広
出版社：技術評論社

本書は、AIの基盤の書ではなく、パフォーマンスの書である。

基盤については、GPUボードの中、GPUボード間での処理など複雑怪奇であり、C系の言語ありの、Kerbernetesありの、Linuxありのである。GPUボードには、GPU,CPU,メモリ、ディスク、ネットワークなどがあって処理と関連することが読んでいくとわかってくる。

性能劣化が起きた時の定跡は、測定⇒分析⇒実装⇒検証　である

まず、LLMありき、Metaが開発したオープンソースの　Llama3　というモデルをつかっています。
LLMをつかえるようにするには、事前学習をして、世にだして、つかいながら、事後学習をとりこみながら成長を促していくというやり方です

LLMに文章を入力すると、トークンと呼ばれる語彙に分解されて処理が進んでいく、出力処理をされたものを
表示されるという流れである。

その処理を少しでも早くすること、最適化することが本書の目的である

LLMは、学習するときと、推論（いわゆる質問を処理するとき）とでは、ふるまいが違う。学習が入力で、推論が出力である

パフォーマンスエンジニアリングは、５段階
　①ベースライン測定：正常な状態を定義する、標準値をしらべる入り口である
　②プロファイリング：システム内部の様々な状態を収集する
　③分析と仮説立案：得られたデータを分析し、なぜ遅くなっているのかを推定する
　④パフォーマンス改善の実装：仮説にもとづいて、実際に改善の作業を行います
　⑤効果の検証：実際に改善されたのかどうかを確認する作業です

計測はすくなくとも３回行います
　①現状把握のための計測
　②問題診断のための計測
　③改善検証のための計測

代表的な性能指標

　レイテンシ：いわゆる、応答時間
　スループット：単位時間あたり、何件処理ができたか。全体の処理量をあらわす
　使用率：GPUやCPUが稼働している率　0%～100%　である

律速：本書で初めて聞いた単語で、ボトルネックのことをいう　
　GPU律速
　CPU律速
　メモリ律速　など、GPU律速とは、GPUがボトルネックになっていることをいう

計測結果からの原因究明例

　GPU使用率が低いとき、GPUが次の処理を開始できずに待っている状態、CPUが前処理に時間がかかっている
　並列度不足　利用率が低い時に、処理の多重度が低い
　同期処理待ち　ある処理が終わるのをまっている
　カーネルが細分化されすぎている　細かい作業がたくさんあるため、オーバヘッドが大きくなっている

パフォーマンス改善のフレームワーク

　Megatron-LM
vLLM
OpenMMLab
DeepSpeed
　Zero などのフレームワークを使う

改善策

　蒸留　扱いやすいように、モデルを変形する
　枝刈り　冗長計算を除去
　エキスパート　重要な部品のみを動的に選択する
　量子化　演算するデータ幅を小さくする 3.141592.... を 3.14とするのが量子化

　アルゴリズム改善
　バッチ処理　まとめて処理することで効率化を図る
　ミニバッチ学習　オンライン学習とバッチ学習を調整
　勾配累積法　処理できる最大サイズでまとめて学習する
　分散並列　（データ並列、テンソル並列、パイプライン並列、コンテキスト並列、エキスパート並列）
　　複数の並列をつかうことを、ハイブリッド並列という

４章から６章までは、ＬＬＭの改善
　・ＬＬＭ推論
　・事後学習
　・事前学習
７章、８章は、自動運転ＡＩ　BEVFusion　が対象　いわゆる　フィジカルＡＩの例
　・学習
　・推論

目次

第1章 パフォーマンスエンジニアリング概論

1.1 パフォーマンスエンジニアリングとは
1.2 なぜ今パフォーマンスエンジニアリングか
1.3 AI 処理の概要
1.3.1 AI モデルとは
1.3.2 Llama3
1.3.3 BEVFusion
1.3.4 学習と推論
1.4 ハードウェア環境の概要
1.5 パフォーマンスエンジニアリングの実践方法
1.5.1 推測するな、計測せよ
1.5.2 体系的な分析手法：USE メソッドとRED メソッド
1.5.3 5 段階の実践プロセス
1.5.4 継続的パフォーマンスエンジニアリング
1.5.5 組織にパフォーマンス文化を根付かせる
1.6 本書の構成

第2章 まずはパフォーマンスを計測する

2.1 計測とは
2.2 計測の基本戦略
2.2.1 目的を定める
2.2.2 対象の絞り込み
2.2.3 理論性能と実効性能の差の把握
2.2.4 チェックリスト
2.3 計測のための基礎知識
2.3.1 ハードウェアの動作モデル
2.3.2 性能指標の種類
2.3.3 性能指標の取り扱い
2.3.4 性能のモデル化
2.3.5 仮説駆動の計測
2.3.6 計測における観測者効果
2.4 計測の実践
2.4.1 正しさの検証
2.4.2 タイマーによる時間計測
2.4.3 NVIDIA Nsight Systems
2.4.4 NVIDIA Nsight Compute
2.4.5 PyTorch Profiler
2.5 まとめ

第3章 次にパフォーマンスを改善する

3.1 どこから着手するか
3.1.1 効果の高いところから
3.1.2 優先順位の見極め
3.2 アプリケーション・データ層の改善
3.2.1 適切なモデル
3.2.2 高品質なデータ
3.2.3 目的達成に最適な処理方法
3.2.4 最適なAI 処理フレームワーク
3.2.5 MLOps を構築して持続的な性能維持
3.3 モデル・アルゴリズム層の改善
3.3.1 モデル改善
3.3.2 アルゴリズム改善
3.4 ソフトウェア・フレームワーク層の改善
3.4.1 集団通信手法の選定
3.4.2 複数台による処理：分散並列
3.4.3 メモリ余地の捻出
3.4.4 演算とそれ以外の同時実行
3.4.5 連続的なデータアクセス：テンソルの次元の順番
3.4.6 処理の固定：深層学習コンパイラ
3.4.7 特定のモデルに特化した高速ライブラリの利用
3.5 ハードウェア・カーネル層の改善
3.5.1 ハードウェアの特性に合わせた調整
3.5.2 カスタムカーネルによる演算コードの改善
3.5.3 ハードウェアの変更
3.6 まとめ

第4章 実践1：LLM 推論

4.1 問題設定
4.1.1 計測の対象
4.1.2 ベンチマークスクリプトの作成
4.1.3 本章の構成
4.2 ベースラインの計測
4.2.1 ベースラインの実行
4.2.2 理論限界スループットとの比較
4.2.3 PyTorch Profiler による分析
4.3 パフォーマンス改善の実践
4.3.1 改善策の実施と分析
4.3.2 性能の最大化：GPU 計算負荷の増加
4.3.3 メモリ使用量の削減：重みの量子化(Quantization)
4.3.4 バッチサイズの増加
4.3.5 モデルサイズの増加と投機的デコーディング
4.4 さらなる高みへ：推論エンジンと高度な技術
4.4.1 vLLM：高スループット推論エンジンの仕組み
4.4.2 vLLM によるベンチマーク結果
4.4.3 量子化による精度の補足
4.5 まとめ

第5章 実践2：LLM 事後学習

5.1 問題設定
5.1.1 環境構築
5.2 計測
5.2.1 学習時間とLoss 値の確認
5.2.2 NVIDIA Nsight Systems によるプロファイリング
5.2.3 PyTorch Profiler によるプロファイリング
5.3 パフォーマンス改善手法の考察
5.4 精度に影響のないパフォーマンス改善
5.4.1 MemoryCallback の削除
5.4.2 ハイパーパラメータチューニング
5.4.3 Torch Compile の適用
5.5 精度に影響のあるパフォーマンス改善
5.5.1 グローバルバッチサイズの調整
5.6 まとめ

第6章 実践3：LLM（継続）事前学習

6.1 問題設定
6.1.1 概要
6.1.2 LLM 学習処理のおさらい
6.2 評価基準の決定
6.3 観測と改善の繰り返し
6.3.1 初期問題の発見
6.3.2 最適化器の変更
6.3.3 プロファイリングで次の改善点を探す
6.3.4 ハイパーパラメータの調整
6.3.5 ハイパーパラメータチューニングの効果の確認
6.3.6 ハイパーパラメータの知見と影響の考察
6.4 まとめ

第7章 実践4：自動運転AI 学習

7.1 問題設定
7.2 プロファイルの設定
7.3 データローダーの分析
7.3.1 ログの確認によるデータローダー性能の評価
7.3.2 nsys によるデータローダーのプロファイリング
7.4 train プロセスの分析
7.5 Voxelize の分析と改善
7.6 TransFusionHead のget_targets の分析と改善
7.7 DepthLSSTransform の分析と改善
7.7.1 matmul の高速化
7.7.2 CPU 律速の改善
7.8 まとめ

第8章 実践5：自動運転AI 推論

8.1 問題設定
8.1.1 題材デバイス
8.1.2 題材モデル
8.1.3 使用ツールのバージョン
8.1.4 本章の構成
8.2 エッジデバイスへのデプロイの基本
8.2.1 高速なアクセラレータ・ランタイムエンジンの活用
8.2.2 カスタム実装
8.2.3 補足：モデルの修正
8.3 量子化適用の留意点
8.3.1 量子化の適用ステージ
8.3.2 混合精度量子化の留意点
8.3.3 キャリブレーション手法
8.3.4 対称量子化と非対称量子化
8.4 BEVFusion のデバイスへのデプロイ
8.5 CUDA-BEVFusion の更なる高速化（概要）
8.5.1 計測
8.6 CUDA-BEVFusion の更なる高速化（詳細）
8.6.1 Camera Backbone の改善
8.6.2 画像データの転送部の改善
8.7 まとめ

ISBN：9784297153496
判型：A5
ページ数：400ページ
定価：3400円（本体）
2026年01月31日初版第１刷発行