ช่วยปกป้อง Great Barrier Reef กับ TensorFlow บน Kaggle เข้าร่วมท้าทาย

การหาจำนวนเต็มหลังการฝึกด้วยการเปิดใช้งาน int16

ดูบน TensorFlow.org ทำงานใน Google Colab ดูแหล่งที่มาบน GitHub ดาวน์โหลดโน๊ตบุ๊ค

ภาพรวม

TensorFlow Lite ขณะนี้สนับสนุนการแปลงการเปิดใช้งานไปเป็นค่าจำนวนเต็ม 16 บิตและน้ำหนักถึง 8 บิตจำนวนเต็มค่าระหว่างการแปลงรูปแบบจาก TensorFlow เป็นรูปแบบบัฟเฟอร์แบน TensorFlow Lite ของ เราเรียกโหมดนี้ว่า "โหมดควอนไทซ์ 16x8" โหมดนี้สามารถปรับปรุงความแม่นยำของแบบจำลองเชิงปริมาณได้อย่างมาก เมื่อการเปิดใช้งานมีความไวต่อการหาปริมาณ ในขณะที่ยังคงลดขนาดแบบจำลองได้เกือบ 3-4 เท่า นอกจากนี้ ตัวเร่งความเร็วฮาร์ดแวร์ที่เป็นจำนวนเต็มสามารถใช้โมเดลเชิงปริมาณอย่างสมบูรณ์นี้ได้

ตัวอย่างบางส่วนของแบบจำลองที่ได้ประโยชน์จากโหมดนี้ของการหาปริมาณหลังการฝึก ได้แก่:

  • ความละเอียดสูง,
  • การประมวลผลสัญญาณเสียง เช่น การตัดเสียงรบกวนและการสร้างลำแสง
  • การลดเสียงรบกวน,
  • การสร้าง HDR จากภาพเดียว

ในบทช่วยสอนนี้ คุณจะฝึกโมเดล MNIST ตั้งแต่เริ่มต้น ตรวจสอบความแม่นยำใน TensorFlow แล้วแปลงโมเดลเป็นบัฟเฟอร์แบบแบน Tensorflow Lite โดยใช้โหมดนี้ ในตอนท้าย คุณตรวจสอบความถูกต้องของแบบจำลองที่แปลงแล้วและเปรียบเทียบกับรุ่น float32 ดั้งเดิม โปรดทราบว่าตัวอย่างนี้สาธิตการใช้โหมดนี้และไม่แสดงประโยชน์เหนือเทคนิคการหาปริมาณอื่นๆ ที่มีอยู่ใน TensorFlow Lite

สร้างแบบจำลอง MNIST

ติดตั้ง

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

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

ตรวจสอบว่าโหมดควอนไทซ์ 16x8 พร้อมใช้งานหรือไม่

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'>

ฝึกและส่งออกโมเดล

# 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: 0.2797 - accuracy: 0.9224 - val_loss: 0.1224 - val_accuracy: 0.9641
<keras.callbacks.History at 0x7f6f19eff210>

ตัวอย่างเช่น คุณฝึกโมเดลสำหรับยุคเดียว ดังนั้นมันจึงฝึกให้มีความแม่นยำเพียง ~96%

แปลงเป็นรุ่น TensorFlow Lite

ใช้งูหลาม TFLiteConverter ตอนนี้คุณสามารถแปลงรูปแบบการฝึกอบรมในรูปแบบ TensorFlow Lite

ตอนนี้แปลงรูปแบบการใช้ TFliteConverter ในรูปแบบ float32 ค่าเริ่มต้น:

converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
2021-10-30 11:55:42.971843: W tensorflow/python/util/util.cc:348] Sets are not currently considered sequences, but this may change in the future, so consider avoiding using them.
INFO:tensorflow:Assets written to: /tmp/tmpbriefkal/assets
2021-10-30 11:55:43.402148: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-10-30 11:55:43.402187: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.

เขียนมันออกไป .tflite ไฟล์:

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)
84500

แทนที่จะ quantize รูปแบบไปยังโหมด quantization 16x8 แรกตั้งค่า optimizations ธงกับการใช้เพิ่มประสิทธิภาพการเริ่มต้น จากนั้นระบุว่าโหมดควอนไทซ์ 16x8 เป็นการดำเนินการที่ได้รับการสนับสนุนที่จำเป็นในข้อมูลจำเพาะเป้าหมาย:

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

เช่นในกรณีของ int8 ควอนโพสต์การฝึกอบรมก็เป็นไปได้ในการผลิตอย่างเต็มที่จำนวนเต็มรุ่นไทโดยการตั้งค่าตัวเลือกแปลง inference_input(output)_type เพื่อ tf.int16

ตั้งค่าข้อมูลการสอบเทียบ:

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

สุดท้ายแปลงโมเดลตามปกติ หมายเหตุ โดยค่าเริ่มต้น โมเดลที่แปลงแล้วจะยังคงใช้อินพุตและเอาต์พุตแบบลอยตัวเพื่อความสะดวกในการเรียกใช้

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/tmpfxn_2jql/assets
INFO:tensorflow:Assets written to: /tmp/tmpfxn_2jql/assets
2021-10-30 11:55:44.514461: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-10-30 11:55:44.514507: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.
24768

หมายเหตุวิธีแฟ้มผลจะอยู่ที่ประมาณ 1/3 ขนาด

ls -lh {tflite_models_dir}
total 136K
-rw-rw-r-- 1 kbuilder kbuilder 83K Oct 30 11:55 mnist_model.tflite
-rw-rw-r-- 1 kbuilder kbuilder 24K Oct 30 11:54 mnist_model_quant.tflite
-rw-rw-r-- 1 kbuilder kbuilder 25K Oct 30 11:55 mnist_model_quant_16x8.tflite

เรียกใช้รุ่น TensorFlow Lite

เรียกใช้โมเดล TensorFlow Lite โดยใช้ Python TensorFlow Lite Interpreter

โหลดโมเดลลงในล่าม

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()

ทดสอบโมเดลในภาพเดียว

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

ประเมินรุ่น

# 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))
0.9641

ทำซ้ำการประเมินในแบบจำลองเชิงปริมาณ 16x8:

# 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))
0.964

ในตัวอย่างนี้ คุณได้กำหนดปริมาณแบบจำลองเป็น 16x8 โดยไม่มีความแตกต่างในความแม่นยำ แต่ด้วยขนาดที่ลดลง 3 เท่า