Google I / O가 5 월 18 ~ 20 일에 돌아옵니다! 공간을 예약하고 일정을 짜세요 지금 등록하세요

int16 활성화를 사용한 훈련 후 정수 양자화

TensorFlow.org에서보기 Google Colab에서 실행 GitHub에서 소스보기 노트북 다운로드

개요

TensorFlow Lite는 이제 TensorFlow에서 TensorFlow Lite의 플랫 버퍼 형식으로 모델을 변환하는 동안 활성화를 16 비트 정수 값으로, 가중치를 8 비트 정수 값으로 변환하는 것을 지원합니다. 이 모드를 "16x8 양자화 모드"라고합니다. 이 모드는 활성화가 양자화에 민감 할 때 양자화 된 모델의 정확도를 크게 향상 시키면서도 모델 크기를 거의 3 ~ 4 배 줄일 수 있습니다. 또한이 완전 양자화 된 모델은 정수 전용 하드웨어 가속기에서 사용할 수 있습니다.

이 훈련 후 양자화 모드에서 이점을 얻는 모델의 몇 가지 예는 다음과 같습니다.

  • 초 고해상도,
  • 노이즈 캔슬링 및 빔 포밍과 같은 오디오 신호 처리,
  • 이미지 노이즈 제거,
  • 단일 이미지에서 HDR 재구성

이 가이드에서는 MNIST 모델을 처음부터 학습시키고 TensorFlow에서 정확성을 확인한 다음이 모드를 사용하여 모델을 Tensorflow Lite 플랫 버퍼로 변환합니다. 마지막으로 변환 된 모델의 정확성을 확인하고 원래 float32 모델과 비교합니다. 이 예제는이 모드의 사용법을 보여 주며 TensorFlow Lite에서 사용 가능한 다른 양자화 기술에 비해 이점을 보여주지 않습니다.

MNIST 모델 구축

설정

import logging
logging.getLogger("tensorflow").setLevel(logging.DEBUG)

import tensorflow as tf
from tensorflow import keras
import numpy as np
import pathlib

16x8 양자화 모드를 사용할 수 있는지 확인

tf.lite.OpsSet.EXPERIMENTAL_TFLITE_BUILTINS_ACTIVATIONS_INT16_WEIGHTS_INT8
<OpsSet.EXPERIMENTAL_TFLITE_BUILTINS_ACTIVATIONS_INT16_WEIGHTS_INT8: 'EXPERIMENTAL_TFLITE_BUILTINS_ACTIVATIONS_INT16_WEIGHTS_INT8'>

모델 학습 및 내보내기

# Load MNIST dataset
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# Normalize the input image so that each pixel value is between 0 to 1.
train_images = train_images / 255.0
test_images = test_images / 255.0

# Define the model architecture
model = keras.Sequential([
  keras.layers.InputLayer(input_shape=(28, 28)),
  keras.layers.Reshape(target_shape=(28, 28, 1)),
  keras.layers.Conv2D(filters=12, kernel_size=(3, 3), activation=tf.nn.relu),
  keras.layers.MaxPooling2D(pool_size=(2, 2)),
  keras.layers.Flatten(),
  keras.layers.Dense(10)
])

# Train the digit classification model
model.compile(optimizer='adam',
              loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
model.fit(
  train_images,
  train_labels,
  epochs=1,
  validation_data=(test_images, test_labels)
)
1875/1875 [==============================] - 6s 2ms/step - loss: 0.5090 - accuracy: 0.8638 - val_loss: 0.1440 - val_accuracy: 0.9583
<tensorflow.python.keras.callbacks.History at 0x7fbefe621278>

예를 들어, 단일 세대에 대해서만 모델을 학습 했으므로 최대 96 %의 정확도로만 학습합니다.

TensorFlow Lite 모델로 변환

Python TFLiteConverter를 사용하여 이제 학습 된 모델을 TensorFlow Lite 모델로 변환 할 수 있습니다.

이제 TFliteConverter 를 사용하여 모델을 기본 float32 형식으로 변환합니다.

converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
INFO:tensorflow:Assets written to: /tmp/tmpb5xkxvc8/assets

.tflite 파일에 작성합니다.

tflite_models_dir = pathlib.Path("/tmp/mnist_tflite_models/")
tflite_models_dir.mkdir(exist_ok=True, parents=True)
tflite_model_file = tflite_models_dir/"mnist_model.tflite"
tflite_model_file.write_bytes(tflite_model)
84488

대신 모델을 16x8 양자화 모드로 양자화하려면 먼저 기본 최적화를 사용하도록 optimizations 플래그를 설정합니다. 그런 다음 16x8 양자화 모드가 대상 사양에서 지원되는 필수 작업임을 지정합니다.

converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.target_spec.supported_ops = [tf.lite.OpsSet.EXPERIMENTAL_TFLITE_BUILTINS_ACTIVATIONS_INT16_WEIGHTS_INT8]

int8 post-training 양자화의 경우와 마찬가지로 변환기 옵션 inference_input(output)_type 을 tf.int16으로 설정하여 완전 정수 양자화 모델을 생성 할 수 있습니다.

교정 데이터를 설정합니다.

mnist_train, _ = tf.keras.datasets.mnist.load_data()
images = tf.cast(mnist_train[0], tf.float32) / 255.0
mnist_ds = tf.data.Dataset.from_tensor_slices((images)).batch(1)
def representative_data_gen():
  for input_value in mnist_ds.take(100):
    # Model has only one input so each data point has one element.
    yield [input_value]
converter.representative_dataset = representative_data_gen

마지막으로 평소와 같이 모델을 변환합니다. 기본적으로 변환 된 모델은 호출 편의를 위해 여전히 float 입력 및 출력을 사용합니다.

tflite_16x8_model = converter.convert()
tflite_model_16x8_file = tflite_models_dir/"mnist_model_quant_16x8.tflite"
tflite_model_16x8_file.write_bytes(tflite_16x8_model)
INFO:tensorflow:Assets written to: /tmp/tmp5ijj6ohk/assets
INFO:tensorflow:Assets written to: /tmp/tmp5ijj6ohk/assets
24752

결과 파일의 크기가 약 1/3 하십시오.

ls -lh {tflite_models_dir}
total 180K
-rw-rw-r-- 1 kbuilder kbuilder 83K May  1 11:26 mnist_model.tflite
-rw-rw-r-- 1 kbuilder kbuilder 24K May  1 11:25 mnist_model_quant.tflite
-rw-rw-r-- 1 kbuilder kbuilder 25K May  1 11:26 mnist_model_quant_16x8.tflite
-rw-rw-r-- 1 kbuilder kbuilder 44K May  1 11:26 mnist_model_quant_f16.tflite

TensorFlow Lite 모델 실행

Python TensorFlow Lite 인터프리터를 사용하여 TensorFlow Lite 모델을 실행합니다.

인터프리터에 모델로드

interpreter = tf.lite.Interpreter(model_path=str(tflite_model_file))
interpreter.allocate_tensors()
interpreter_16x8 = tf.lite.Interpreter(model_path=str(tflite_model_16x8_file))
interpreter_16x8.allocate_tensors()

하나의 이미지에서 모델 테스트

test_image = np.expand_dims(test_images[0], axis=0).astype(np.float32)

input_index = interpreter.get_input_details()[0]["index"]
output_index = interpreter.get_output_details()[0]["index"]

interpreter.set_tensor(input_index, test_image)
interpreter.invoke()
predictions = interpreter.get_tensor(output_index)
import matplotlib.pylab as plt

plt.imshow(test_images[0])
template = "True:{true}, predicted:{predict}"
_ = plt.title(template.format(true= str(test_labels[0]),
                              predict=str(np.argmax(predictions[0]))))
plt.grid(False)

png

test_image = np.expand_dims(test_images[0], axis=0).astype(np.float32)

input_index = interpreter_16x8.get_input_details()[0]["index"]
output_index = interpreter_16x8.get_output_details()[0]["index"]

interpreter_16x8.set_tensor(input_index, test_image)
interpreter_16x8.invoke()
predictions = interpreter_16x8.get_tensor(output_index)
plt.imshow(test_images[0])
template = "True:{true}, predicted:{predict}"
_ = plt.title(template.format(true= str(test_labels[0]),
                              predict=str(np.argmax(predictions[0]))))
plt.grid(False)

png

모델 평가

# A helper function to evaluate the TF Lite model using "test" dataset.
def evaluate_model(interpreter):
  input_index = interpreter.get_input_details()[0]["index"]
  output_index = interpreter.get_output_details()[0]["index"]

  # Run predictions on every image in the "test" dataset.
  prediction_digits = []
  for test_image in test_images:
    # Pre-processing: add batch dimension and convert to float32 to match with
    # the model's input data format.
    test_image = np.expand_dims(test_image, axis=0).astype(np.float32)
    interpreter.set_tensor(input_index, test_image)

    # Run inference.
    interpreter.invoke()

    # Post-processing: remove batch dimension and find the digit with highest
    # probability.
    output = interpreter.tensor(output_index)
    digit = np.argmax(output()[0])
    prediction_digits.append(digit)

  # Compare prediction results with ground truth labels to calculate accuracy.
  accurate_count = 0
  for index in range(len(prediction_digits)):
    if prediction_digits[index] == test_labels[index]:
      accurate_count += 1
  accuracy = accurate_count * 1.0 / len(prediction_digits)

  return accuracy
print(evaluate_model(interpreter))
0.9583

16x8 양자화 된 모델에 대해 평가를 반복합니다.

# NOTE: This quantization mode is an experimental post-training mode,
# it does not have any optimized kernels implementations or
# specialized machine learning hardware accelerators. Therefore,
# it could be slower than the float interpreter.
print(evaluate_model(interpreter_16x8))
0.9581

이 예에서는 정확도에 차이가 없지만 3 배 축소 된 크기로 모델을 16x8로 양자화했습니다.