Google I/O สำเร็จแล้ว! ติดตามเซสชัน TensorFlow ดูเซสชัน

ตัวอย่าง Keras เพื่อรักษาความกระจัดกระจายและคลัสเตอร์เพื่อรักษา quantization (PCQAT)

ดูบน TensorFlow.org ทำงานใน Google Colab ดูบน GitHub ดาวน์โหลดโน๊ตบุ๊ค

ภาพรวม

นี่คือจุดสิ้นสุดตัวอย่างสิ้นการแสดงการใช้งานของการฝึกอบรมตระหนักถึง sparsity และคลัสเตอร์รักษาควอน (PCQAT) API ซึ่งเป็นส่วนหนึ่งของท่อเพิ่มประสิทธิภาพการทำงานร่วมกัน TensorFlow รุ่นการเพิ่มประสิทธิภาพเครื่องมือของที่

หน้าอื่นๆ

สำหรับคำแนะนำเกี่ยวกับท่อและเทคนิคอื่น ๆ ที่มีให้ดูที่ การเพิ่มประสิทธิภาพหน้าภาพรวมการทำงานร่วมกัน

สารบัญ

ในบทช่วยสอน คุณจะ:

  1. รถไฟ tf.keras แบบจำลองสำหรับชุดข้อมูล MNIST จากรอยขีดข่วน
  2. ปรับแต่งแบบจำลองด้วยการตัดแต่งกิ่ง และดูความถูกต้อง และสังเกตว่าแบบจำลองนั้นได้รับการตัดแต่งสำเร็จแล้ว
  3. ใช้การจัดกลุ่มการรักษาแบบกระจัดกระจายบนแบบจำลองที่ตัดแล้ว และสังเกตว่าแบบกระจัดกระจายที่ใช้ก่อนหน้านี้ได้รับการอนุรักษ์ไว้
  4. ใช้ QAT และสังเกตการสูญเสียกระจัดกระจายและคลัสเตอร์
  5. ใช้ PCQAT และสังเกตว่าทั้งแบบกระจัดกระจายและคลัสเตอร์ที่ใช้ก่อนหน้านี้ได้รับการอนุรักษ์ไว้
  6. สร้างโมเดล TFLite และสังเกตผลกระทบของการใช้ PCQAT กับโมเดล
  7. เปรียบเทียบขนาดของโมเดลต่างๆ เพื่อสังเกตประโยชน์ของการบีบอัดของการใช้ Sparsity ตามด้วยเทคนิคการเพิ่มประสิทธิภาพการทำงานร่วมกันของการทำคลัสเตอร์แบบ Sparsity Preserving และ PCQAT
  8. เปรียบเทียบความแม่นยำของแบบจำลองที่ปรับให้เหมาะสมที่สุดกับความแม่นยำของแบบจำลองพื้นฐานที่ไม่ได้รับการปรับให้เหมาะสม

ติดตั้ง

คุณสามารถทำงานนี้โน๊ตบุ๊ค Jupyter ในท้องถิ่นของคุณ virtualenv หรือ Colab สำหรับรายละเอียดของการตั้งค่าการอ้างอิงโปรดดูที่ คู่มือการติดตั้ง

 pip install -q tensorflow-model-optimization

import tensorflow as tf

import numpy as np
import tempfile
import zipfile
import os

ฝึกโมเดล tf.keras สำหรับ MNIST เพื่อตัดแต่งและจัดกลุ่ม

# Load MNIST dataset
mnist = tf.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

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

opt = tf.keras.optimizers.Adam(learning_rate=1e-3)

# Train the digit classification model
model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

model.fit(
    train_images,
    train_labels,
    validation_split=0.1,
    epochs=10
)

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step
11501568/11490434 [==============================] - 0s 0us/step
2021-09-02 11:14:14.164834: E tensorflow/stream_executor/cuda/cuda_driver.cc:271] failed call to cuInit: CUDA_ERROR_NO_DEVICE: no CUDA-capable device is detected
Epoch 1/10
1688/1688 [==============================] - 8s 5ms/step - loss: 0.2842 - accuracy: 0.9215 - val_loss: 0.1078 - val_accuracy: 0.9713
Epoch 2/10
1688/1688 [==============================] - 8s 5ms/step - loss: 0.1110 - accuracy: 0.9684 - val_loss: 0.0773 - val_accuracy: 0.9783
Epoch 3/10
1688/1688 [==============================] - 8s 4ms/step - loss: 0.0821 - accuracy: 0.9760 - val_loss: 0.0676 - val_accuracy: 0.9803
Epoch 4/10
1688/1688 [==============================] - 8s 4ms/step - loss: 0.0684 - accuracy: 0.9799 - val_loss: 0.0600 - val_accuracy: 0.9825
Epoch 5/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0590 - accuracy: 0.9828 - val_loss: 0.0601 - val_accuracy: 0.9838
Epoch 6/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0522 - accuracy: 0.9845 - val_loss: 0.0599 - val_accuracy: 0.9835
Epoch 7/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0472 - accuracy: 0.9863 - val_loss: 0.0544 - val_accuracy: 0.9862
Epoch 8/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0422 - accuracy: 0.9868 - val_loss: 0.0579 - val_accuracy: 0.9848
Epoch 9/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0384 - accuracy: 0.9884 - val_loss: 0.0569 - val_accuracy: 0.9847
Epoch 10/10
1688/1688 [==============================] - 7s 4ms/step - loss: 0.0347 - accuracy: 0.9892 - val_loss: 0.0559 - val_accuracy: 0.9840
<keras.callbacks.History at 0x7f6a8212c550>

ประเมินแบบจำลองพื้นฐานและบันทึกไว้เพื่อใช้ในภายหลัง

_, baseline_model_accuracy = model.evaluate(
    test_images, test_labels, verbose=0)

print('Baseline test accuracy:', baseline_model_accuracy)

_, keras_file = tempfile.mkstemp('.h5')
print('Saving model to: ', keras_file)
tf.keras.models.save_model(model, keras_file, include_optimizer=False)

Baseline test accuracy: 0.9811000227928162
Saving model to:  /tmp/tmprlekfdwb.h5

พรุนและปรับแต่งโมเดลให้เบาบางลง 50%

สมัคร prune_low_magnitude() API เพื่อให้บรรลุรูปแบบการตัดแต่งที่จะได้รับการคลัสเตอร์ในขั้นตอนต่อไป ดูรายละเอียดจาก คู่มือที่ครอบคลุมการตัดแต่งกิ่ง สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการตัดแต่งกิ่งของ API

กำหนดโมเดลและใช้ Sparsity API

โปรดทราบว่ามีการใช้แบบจำลองล่วงหน้า

import tensorflow_model_optimization as tfmot

prune_low_magnitude = tfmot.sparsity.keras.prune_low_magnitude

pruning_params = {
      'pruning_schedule': tfmot.sparsity.keras.ConstantSparsity(0.5, begin_step=0, frequency=100)
  }

callbacks = [
  tfmot.sparsity.keras.UpdatePruningStep()
]

pruned_model = prune_low_magnitude(model, **pruning_params)

# Use smaller learning rate for fine-tuning
opt = tf.keras.optimizers.Adam(learning_rate=1e-5)

pruned_model.compile(
  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
  optimizer=opt,
  metrics=['accuracy'])

/tmpfs/src/tf_docs_env/lib/python3.7/site-packages/keras/engine/base_layer.py:2223: UserWarning: `layer.add_variable` is deprecated and will be removed in a future version. Please use `layer.add_weight` method instead.
  warnings.warn('`layer.add_variable` is deprecated and '

ปรับแต่งแบบจำลอง ตรวจสอบความบาง และประเมินความถูกต้องเทียบกับเส้นฐาน

ปรับแต่งแบบจำลองด้วยการตัดแต่งกิ่งสำหรับ 3 ยุค

# Fine-tune model
pruned_model.fit(
  train_images,
  train_labels,
  epochs=3,
  validation_split=0.1,
  callbacks=callbacks)

2021-09-02 11:15:31.836903: 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.
Epoch 1/3
1688/1688 [==============================] - 9s 5ms/step - loss: 0.2095 - accuracy: 0.9305 - val_loss: 0.1440 - val_accuracy: 0.9528
Epoch 2/3
1688/1688 [==============================] - 8s 4ms/step - loss: 0.1042 - accuracy: 0.9671 - val_loss: 0.0947 - val_accuracy: 0.9715
Epoch 3/3
1688/1688 [==============================] - 8s 4ms/step - loss: 0.0743 - accuracy: 0.9782 - val_loss: 0.0829 - val_accuracy: 0.9770
<keras.callbacks.History at 0x7f6a81f94250>

กำหนดฟังก์ชันตัวช่วยเพื่อคำนวณและพิมพ์ความกระจัดกระจายและกลุ่มของแบบจำลอง

def print_model_weights_sparsity(model):
    for layer in model.layers:
        if isinstance(layer, tf.keras.layers.Wrapper):
            weights = layer.trainable_weights
        else:
            weights = layer.weights
        for weight in weights:
            if "kernel" not in weight.name or "centroid" in weight.name:
                continue
            weight_size = weight.numpy().size
            zero_num = np.count_nonzero(weight == 0)
            print(
                f"{weight.name}: {zero_num/weight_size:.2%} sparsity ",
                f"({zero_num}/{weight_size})",
            )

def print_model_weight_clusters(model):
    for layer in model.layers:
        if isinstance(layer, tf.keras.layers.Wrapper):
            weights = layer.trainable_weights
        else:
            weights = layer.weights
        for weight in weights:
            # ignore auxiliary quantization weights
            if "quantize_layer" in weight.name:
                continue
            if "kernel" in weight.name:
                unique_count = len(np.unique(weight))
                print(
                    f"{layer.name}/{weight.name}: {unique_count} clusters "
                )

ให้ลอกกระดาษห่อหุ้มการตัดแต่งกิ่งออกก่อน แล้วจึงตรวจดูว่าเมล็ดในรุ่นนั้นได้รับการตัดแต่งอย่างถูกต้องแล้ว

stripped_pruned_model = tfmot.sparsity.keras.strip_pruning(pruned_model)

print_model_weights_sparsity(stripped_pruned_model)

conv2d/kernel:0: 50.00% sparsity  (54/108)
dense/kernel:0: 50.00% sparsity  (10140/20280)

ใช้การจัดกลุ่มรักษาความกระจัดกระจาย และตรวจสอบผลกระทบต่อความกระจัดกระจายของแบบจำลองในทั้งสองกรณี

ถัดไป ใช้การจัดกลุ่มการรักษาแบบกระจัดกระจายบนแบบจำลองที่ตัดแล้ว และสังเกตจำนวนคลัสเตอร์ และตรวจสอบว่ามีการรักษาแบบกระจัดกระจายไว้

import tensorflow_model_optimization as tfmot
from tensorflow_model_optimization.python.core.clustering.keras.experimental import (
    cluster,
)

cluster_weights = tfmot.clustering.keras.cluster_weights
CentroidInitialization = tfmot.clustering.keras.CentroidInitialization

cluster_weights = cluster.cluster_weights

clustering_params = {
  'number_of_clusters': 8,
  'cluster_centroids_init': CentroidInitialization.KMEANS_PLUS_PLUS,
  'preserve_sparsity': True
}

sparsity_clustered_model = cluster_weights(stripped_pruned_model, **clustering_params)

sparsity_clustered_model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

print('Train sparsity preserving clustering model:')
sparsity_clustered_model.fit(train_images, train_labels,epochs=3, validation_split=0.1)

Train sparsity preserving clustering model:
Epoch 1/3
1688/1688 [==============================] - 9s 5ms/step - loss: 0.0495 - accuracy: 0.9847 - val_loss: 0.0611 - val_accuracy: 0.9843
Epoch 2/3
1688/1688 [==============================] - 8s 5ms/step - loss: 0.0472 - accuracy: 0.9855 - val_loss: 0.0705 - val_accuracy: 0.9812
Epoch 3/3
1688/1688 [==============================] - 8s 5ms/step - loss: 0.0463 - accuracy: 0.9846 - val_loss: 0.0796 - val_accuracy: 0.9780
<keras.callbacks.History at 0x7f6a81c10250>

ตัด wrapper การทำคลัสเตอร์ก่อน จากนั้นตรวจสอบว่าโมเดลได้รับการตัดแต่งและจัดคลัสเตอร์อย่างถูกต้อง

stripped_clustered_model = tfmot.clustering.keras.strip_clustering(sparsity_clustered_model)

print("Model sparsity:\n")
print_model_weights_sparsity(stripped_clustered_model)

print("\nModel clusters:\n")
print_model_weight_clusters(stripped_clustered_model)

Model sparsity:

kernel:0: 51.85% sparsity  (56/108)
kernel:0: 60.83% sparsity  (12337/20280)

Model clusters:

conv2d/kernel:0: 8 clusters 
dense/kernel:0: 8 clusters

ใช้ QAT และ PCQAT และตรวจสอบผลกระทบต่อโมเดลคลัสเตอร์และแบบกระจัดกระจาย

ถัดไป ใช้ทั้ง QAT และ PCQAT กับโมเดลคลัสเตอร์แบบกระจาย และสังเกตว่า PCQAT รักษาน้ำหนักที่เบาบางและคลัสเตอร์ในโมเดลของคุณ โปรดทราบว่าโมเดลที่ถูกถอดออกจะถูกส่งไปยัง QAT และ PCQAT API

# QAT
qat_model = tfmot.quantization.keras.quantize_model(stripped_clustered_model)

qat_model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
print('Train qat model:')
qat_model.fit(train_images, train_labels, batch_size=128, epochs=1, validation_split=0.1)

# PCQAT
quant_aware_annotate_model = tfmot.quantization.keras.quantize_annotate_model(
              stripped_clustered_model)
pcqat_model = tfmot.quantization.keras.quantize_apply(
              quant_aware_annotate_model,
              tfmot.experimental.combine.Default8BitClusterPreserveQuantizeScheme(preserve_sparsity=True))

pcqat_model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
print('Train pcqat model:')
pcqat_model.fit(train_images, train_labels, batch_size=128, epochs=1, validation_split=0.1)

Train qat model:
422/422 [==============================] - 4s 8ms/step - loss: 0.0343 - accuracy: 0.9892 - val_loss: 0.0600 - val_accuracy: 0.9858
Train pcqat model:
WARNING:tensorflow:Gradients do not exist for variables ['conv2d/kernel:0', 'dense/kernel:0'] when minimizing the loss.
WARNING:tensorflow:Gradients do not exist for variables ['conv2d/kernel:0', 'dense/kernel:0'] when minimizing the loss.
422/422 [==============================] - 4s 8ms/step - loss: 0.0371 - accuracy: 0.9880 - val_loss: 0.0664 - val_accuracy: 0.9832
<keras.callbacks.History at 0x7f6a81792910>

print("QAT Model clusters:")
print_model_weight_clusters(qat_model)
print("\nQAT Model sparsity:")
print_model_weights_sparsity(qat_model)
print("\nPCQAT Model clusters:")
print_model_weight_clusters(pcqat_model)
print("\nPCQAT Model sparsity:")
print_model_weights_sparsity(pcqat_model)

QAT Model clusters:
quant_conv2d/conv2d/kernel:0: 101 clusters 
quant_dense/dense/kernel:0: 18285 clusters 

QAT Model sparsity:
conv2d/kernel:0: 7.41% sparsity  (8/108)
dense/kernel:0: 7.64% sparsity  (1549/20280)

PCQAT Model clusters:
quant_conv2d/conv2d/kernel:0: 8 clusters 
quant_dense/dense/kernel:0: 8 clusters 

PCQAT Model sparsity:
conv2d/kernel:0: 51.85% sparsity  (56/108)
dense/kernel:0: 60.84% sparsity  (12338/20280)

ดูประโยชน์ของการบีบอัดของรุ่น PCQAT

กำหนดฟังก์ชันตัวช่วยเพื่อรับไฟล์โมเดลที่บีบอัด

def get_gzipped_model_size(file):
  # It returns the size of the gzipped model in kilobytes.

  _, zipped_file = tempfile.mkstemp('.zip')
  with zipfile.ZipFile(zipped_file, 'w', compression=zipfile.ZIP_DEFLATED) as f:
    f.write(file)

  return os.path.getsize(zipped_file)/1000

สังเกตว่าการใช้ Sparsity, Clustering และ PCQAT กับโมเดลให้ประโยชน์ในการบีบอัดอย่างมีนัยสำคัญ

# QAT model
converter = tf.lite.TFLiteConverter.from_keras_model(qat_model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
qat_tflite_model = converter.convert()
qat_model_file = 'qat_model.tflite'
# Save the model.
with open(qat_model_file, 'wb') as f:
    f.write(qat_tflite_model)

# PCQAT model
converter = tf.lite.TFLiteConverter.from_keras_model(pcqat_model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
pcqat_tflite_model = converter.convert()
pcqat_model_file = 'pcqat_model.tflite'
# Save the model.
with open(pcqat_model_file, 'wb') as f:
    f.write(pcqat_tflite_model)

print("QAT model size: ", get_gzipped_model_size(qat_model_file), ' KB')
print("PCQAT model size: ", get_gzipped_model_size(pcqat_model_file), ' KB')

WARNING:absl:Found untraced functions such as reshape_layer_call_and_return_conditional_losses, reshape_layer_call_fn, conv2d_layer_call_and_return_conditional_losses, conv2d_layer_call_fn, flatten_layer_call_and_return_conditional_losses while saving (showing 5 of 20). These functions will not be directly callable after loading.
INFO:tensorflow:Assets written to: /tmp/tmp6_obh00g/assets
INFO:tensorflow:Assets written to: /tmp/tmp6_obh00g/assets
2021-09-02 11:16:32.221664: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-09-02 11:16:32.221712: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.
WARNING:absl:Found untraced functions such as reshape_layer_call_and_return_conditional_losses, reshape_layer_call_fn, conv2d_layer_call_and_return_conditional_losses, conv2d_layer_call_fn, flatten_layer_call_and_return_conditional_losses while saving (showing 5 of 20). These functions will not be directly callable after loading.
INFO:tensorflow:Assets written to: /tmp/tmpuqqwyk0s/assets
INFO:tensorflow:Assets written to: /tmp/tmpuqqwyk0s/assets
QAT model size:  13.723  KB
PCQAT model size:  7.352  KB
2021-09-02 11:16:33.766310: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:351] Ignored output_format.
2021-09-02 11:16:33.766350: W tensorflow/compiler/mlir/lite/python/tf_tfl_flatbuffer_helpers.cc:354] Ignored drop_control_dependency.

ดูความคงอยู่ของความแม่นยำตั้งแต่ TF ถึง TFLite

กำหนดฟังก์ชันตัวช่วยเพื่อประเมินโมเดล TFLite บนชุดข้อมูลทดสอบ

def eval_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 i, test_image in enumerate(test_images):
    if i % 1000 == 0:
      print(f"Evaluated on {i} results so far.")
    # 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)

  print('\n')
  # Compare prediction results with ground truth labels to calculate accuracy.
  prediction_digits = np.array(prediction_digits)
  accuracy = (prediction_digits == test_labels).mean()
  return accuracy

ประเมินโมเดลซึ่งได้รับการตัดแต่ง คลัสเตอร์ และวัดปริมาณ แล้วดูว่าความแม่นยำจาก TensorFlow ยังคงมีอยู่ในแบ็กเอนด์ TFLite

interpreter = tf.lite.Interpreter(pcqat_model_file)
interpreter.allocate_tensors()

pcqat_test_accuracy = eval_model(interpreter)

print('Pruned, clustered and quantized TFLite test_accuracy:', pcqat_test_accuracy)
print('Baseline TF test accuracy:', baseline_model_accuracy)

Evaluated on 0 results so far.
Evaluated on 1000 results so far.
Evaluated on 2000 results so far.
Evaluated on 3000 results so far.
Evaluated on 4000 results so far.
Evaluated on 5000 results so far.
Evaluated on 6000 results so far.
Evaluated on 7000 results so far.
Evaluated on 8000 results so far.
Evaluated on 9000 results so far.


Pruned, clustered and quantized TFLite test_accuracy: 0.9803
Baseline TF test accuracy: 0.9811000227928162

บทสรุป

ในการกวดวิชานี้คุณได้เรียนรู้วิธีการสร้างรูปแบบการตัดโดยใช้ prune_low_magnitude() API และใช้ sparsity รักษาการจัดกลุ่มโดยใช้ cluster_weights() API เพื่อรักษา sparsity ในขณะที่การจัดกลุ่มน้ำหนัก

ถัดไป ใช้การฝึกการระวังการควอนไทซ์เพื่อรักษาความกระจัดกระจายและคลัสเตอร์ (PCQAT) เพื่อรักษาความกระจัดกระจายของแบบจำลองและคลัสเตอร์ในขณะที่ใช้ QAT โมเดล PCQAT สุดท้ายถูกเปรียบเทียบกับ QAT เพื่อแสดงให้เห็นว่าความกระจัดกระจายและคลัสเตอร์ได้รับการอนุรักษ์ไว้ในอดีตและสูญหายในภายหลัง

จากนั้น โมเดลจะถูกแปลงเป็น TFLite เพื่อแสดงประโยชน์ของการบีบอัดของ chaining sparsity, clustering และเทคนิคการเพิ่มประสิทธิภาพโมเดล PCQAT และโมเดล TFLite ได้รับการประเมินเพื่อให้แน่ใจว่าความถูกต้องยังคงอยู่ในแบ็กเอนด์ TFLite

สุดท้าย ความแม่นยำของแบบจำลอง PCQAT TFLite ถูกนำมาเปรียบเทียบกับความแม่นยำของแบบจำลองพื้นฐานก่อนการปรับให้เหมาะสม เพื่อแสดงให้เห็นว่าเทคนิคการเพิ่มประสิทธิภาพการทำงานร่วมกันนั้นสามารถบรรลุผลประโยชน์ในการบีบอัด ในขณะที่ยังคงความแม่นยำที่ใกล้เคียงกันเมื่อเปรียบเทียบกับรุ่นดั้งเดิม