Обучение с учетом квантования

_{Поддерживается оптимизацией модели TensorFlow}

Существует две формы квантования: квантование после обучения и обучение с учетом квантования. Начните с квантования после обучения, поскольку его проще использовать, хотя обучение с учетом квантования часто лучше для точности модели.

На этой странице представлен обзор обучения с учетом квантования, который поможет вам определить, насколько оно соответствует вашему варианту использования.

• Чтобы погрузиться прямо в пример от начала до конца, см. Пример обучения с учетом квантования .
• Чтобы быстро найти API-интерфейсы, необходимые для вашего варианта использования, см. Подробное руководство по обучению с учетом квантования .

Обзор

Обучение с учетом квантования имитирует квантование во время вывода, создавая модель, которую последующие инструменты будут использовать для создания фактически квантованных моделей. Квантованные модели используют более низкую точность (например, 8-битное вместо 32-битного числа с плавающей запятой), что дает преимущества при развертывании.

Развертывание с квантованием

Квантование приносит улучшения за счет сжатия модели и уменьшения задержки. При использовании значений API по умолчанию размер модели уменьшается в 4 раза, и мы обычно видим от 1,5 до 4 раз увеличения задержки ЦП в тестируемых серверных модулях. В конце концов, улучшение задержки можно увидеть на совместимых ускорителях машинного обучения, таких как EdgeTPU и NNAPI.

Этот метод используется при производстве речи, видения, текста и вариантов использования для перевода. Код в настоящее время поддерживает подмножество этих моделей .

Экспериментируйте с квантованием и сопутствующим оборудованием

Пользователи могут настраивать параметры квантования (например, количество битов) и, в некоторой степени, лежащие в основе алгоритмы. Обратите внимание, что с этими изменениями по сравнению со значениями API по умолчанию, в настоящее время не существует поддерживаемого пути для развертывания на бэкэнд. Например, преобразование TFLite и реализации ядра поддерживают только 8-битное квантование.

API-интерфейсы, относящиеся к этой конфигурации, являются экспериментальными и не подлежат обратной совместимости.

Совместимость API

Пользователи могут применять квантование с помощью следующих API:

• tf.keras модели: tf.keras только с последовательной и функциональной моделями.
• Версии TensorFlow: TF 2.x для tf-nightly.
  • tf.compat.v1 с пакетом TF 2.X не поддерживается.
• Режим выполнения TensorFlow: активное выполнение

В нашей дорожной карте добавлена ​​поддержка в следующих областях:

• Построение модели: поясните, как модели с подклассами ограничиваются отсутствием поддержки
• Распределенное обучение: tf.distribute

Матрица общей поддержки

Поддержка доступна в следующих областях:

• Покрытие модели: модели, использующие разрешенные слои , BatchNormalization, когда она следует за уровнями Conv2D и DepthwiseConv2D, и в ограниченных случаях Concat .
• Аппаратное ускорение: наши настройки API по умолчанию совместимы с ускорением на бэкэндах EdgeTPU, NNAPI и TFLite, среди прочего. См. Предостережение в дорожной карте.
• Развертывание с квантованием: в настоящее время поддерживается только осевое квантование для сверточных слоев, но не тензорное квантование.

В нашей дорожной карте добавлена ​​поддержка в следующих областях:

• Охват модели: расширен за счет включения RNN / LSTM и общей поддержки Concat.
• Аппаратное ускорение: убедитесь, что конвертер TFLite может создавать модели с полным целым числом. Подробнее см. В этом выпуске .
• Поэкспериментируйте с вариантами использования квантования:
  • Поэкспериментируйте с алгоритмами квантования, которые охватывают слои Keras или требуют шага обучения.
  • Стабилизируйте API.

Полученные результаты

Классификация изображений с помощью инструментов

Модели были протестированы на Imagenet и оценены как в TensorFlow, так и в TFLite.

Классификация изображений по технике

Модели были протестированы на Imagenet и оценены как в TensorFlow, так и в TFLite.

Примеры

В дополнение к примеру обучения с учетом квантования см. Следующие примеры:

• Модель CNN на задаче классификации рукописных цифр MNIST с квантованием: код

Для фона на что - то подобное, увидеть Квантование и обучения нейронных сетей для эффективного Integer-Арифметика-только Inference бумаги . В этом документе представлены некоторые концепции, которые использует этот инструмент. Реализация не совсем такая же, и в этом инструменте используются дополнительные концепции (например, квантование по осям).