TensorFlow 在移动设备与嵌入式设备上的轻量级跨平台解决方案

Google 开发者大会 (Google Developer Days，简称 GDD) 是展示 Google 最新开发者产品和平台的全球盛会，旨在帮助你快速开发优质应用，发展和留住活跃用户群，充分利用各种工具获得更多收益。2018 Google 开发者大会于 9 月 20 日和 21 日于上海举办。点击 阅读原文 进入 Google 开发者大会 2018 掘金专题。

2018 年 9 月 21 日 ，凌钰城（Google Brain 软件工程师）带来一场《TensorFlow Lite：TensorFlow在移动设备与嵌入式设备上的轻量级跨平台解决方案》的演讲，本文将对演讲做一个回顾。

在终端 / 设备上运行机器学习日益重要

今天，机器学习的发展日新月异，机器学习不仅部署在服务器端，运行在个人电脑上，也存在于我们生活中许许多多的小设备上，比如移动设备和智能手机。智能手机上的OK Google可以通过语音设定一个闹钟，这是一个关键字检测和语音识别的机器学习综合应用。再比如Google的照片app，可以通过机器学习来制作背景虚化、人像清晰的照片，这些在移动设备、智能手机上的机器学习应用很有用、很有趣。

在移动设备上实现机器学习，可以有两种实现方法。一种是在设备上收集数据，传递给云端，服务器执行机器学习任务，最后把结果回传给设备。另一种方法是在终端设备上运行所有功能，包含机器学习模型。

在终端上运行机器学习有许多优点：

• 没有网络延迟

• 无需连接网络

• 数据留在终端

  • 无需花费带宽去上传数据

  • 某些情况下比较省电

• 可直接存取终端上的传感器

但是，在终端上运行应用也相当困难，主要存在以下几点限制：

1. 移动终端上有更小的内存

2. 对省电有要求

3. 更弱的计算能力

对机器学习来说更是困难，我们为服务器开发的机器学习模型通常比较大，需要较大的内存，模型复杂，需要更多的耗电量和计算能力。

什么是TensorFlow Lite

TensorFlow Lite是TensorFlow在移动设备上运行机器学习的跨平台解决方案，具有低延迟、运行时库 (runtime library) 极小等特性，此外还有一系列的工具去转换、调试和优化模型。

采用TensorFlow Lite开发的应用优点之一是反应速度非常快，比如开发照片处理app，不需要将照片传输到云端，可以直接在终端上处理。优点之二是可以离线使用，这在网络条件比较差的地区尤为重要。

Tensorflow Lite具有高度可移植性，已经在如下平台成功移植：

• Android、iOS

• Raspberry PI、及其它Linux SoCs

• 微处理器(包括没有操作系统，没有POSIX环境的系统)

• 也能在PC、Mac运行，调试方便

使用TensorFlow Lite的流程

TensorFlow Lite的优化

相较于TensorFlow，TensorFlow Lite进行了如下优化：

• 压缩模型：缩小模型体积

• 量化 (Quantization)：TensorFlow模型中包含大量的矩阵，矩阵数值通常采用32bit的float数据类型，量化就是将这些32bit的浮点数采用8bit的byte表示。

• CPU ops融合：比如特别为ARM Neon指令集优化

• 优化的SIMD运算核心

此外TensorFlow Lite还紧密整合硬件加速器，支持如下几类硬件加速器：

• GPUs

• Edge-TPUs

• NNAPI支持的硬件加速器

对GPUs的支持状况：

• Android上：基于OpenGL的GPU加速

• 预定2018年第四季度发布binary

• 可加速MobileNet以及其它图像模型

关于Google打造的Edge TPUs:

TensorFlow Lite可以通过参数决定runtime library大小。基本的interpreter 80K，所有内建Ops kernel 750KB，相当小。考虑到不同模型可能用到不同的ops，还可以继续优化，比如可以只注册你需要的Ops，这样其余的Ops就不会编译到runtime library中，体积还可以进一步缩减。

开发者的反馈

TensorFlow Lite得到了众多开发者的使用，得到了很多正面的反馈：

• 跨平台部署

• 更快的推断 (inference) 速度

• 更小的runtime library

• 硬件加速

也收集到了一些改进意见：

• TensorFlow Lite更易于使用

• 增加支持的Ops数量

• 增强模型优化工具

• 更多的文档、范例源码…

后面会进一步说明TensorFlow Lite团队对这些问题的改进。

谁使用了TensorFlow Lite

以及…

如何使用TensorFlow Lite

TensorFlow Lite非常易于上手，建议采用如下步骤：

使用Demo App

• 下载：从https://www.tensorflow.org/mobile/tflite下载一个demo app(iOS/Android)

• 编译：在您的机器上简单的编译demo apps

• 运行：运行demo app，并试着修改看看

预训练 (Pretrained) & 再训练 (Retrained) 模型

预训练模型：Tensorflow网站上提供了各种不同预训练的机器学习模型，比如图像分类、物体检测、图像分割、文字预测、等等。

再训练模型：请尝试迁移学习Colab教程 - Tensorflow for Poets。顾名思义，这个教程设计初衷是尽量简单，让没有技术背景的人也能运行。所谓迁移学习，是重新训练已经存在模型的一小部分，应用到一个新的问题上。

开发自己的模型

1. 构建 & 训练模型

   使用TensorFlow（Estimator或Keras），构建模型，训练，取得Saved Model。

2. 转换格式

   使用TensorFlow Lite转换器转换为TensorFlow Lite可用的模型，模型转换代码如下：

import tensorflow.contrib.lite as lite

graph_def_file = "/path/to/Downloads/mobilenet_v1_1.0_224/frozen_graph.pb"
input_arrays = ["input"]
output_arrays = ["MobilenetV1/Predictions/Softmax"]

converter = lite.TocoConverter.from_frozen_graph(
            graph_def_file, input_arrays, output_arrays)
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)

验证

借助模型可视化工具：

由于TensorFlow Lite支持的Ops有限，可能存在模型转换后，某些Ops不支持，针对这一问题，TensorFlow Lite团队计划支持更多的Ops

• 目前已经有75个内建Ops

• Coming soon： Tensorflow Lite Compat模式

• 计划第四季度发布

• 增加数百个支持的Ops

验证模型、分析性能：

• 转换后的模型是否正确

• 模型的推断速度多快

• Runtime library多大

更多详细资料，请参考：https://www.tensorflow.org/mobile/tflite/performance/

部署

python API示例：

interpreter = tf.contrib.lite.Interpreter(
    "/tmp/awesome_model.tflite")
input = interpreter.get_input_details()[0]["index"]
interpreter.set_tensor(input, np.array([1, 2, 3]))
interpreter.invoke()
prediction = interpreter.get_tensor(output)

Java API示例：

import org.tensorflow.lite.Interpreter;
try {
    Interpreter tflite = new Interpreter(
        "/tmp/awesome_model.tflite");
    // Fill the inputs and output buffers
    // ...
    // Invoke the interpreter
    tflite.run(inputs, outputs);
}

补充：模型优化

在实际项目中，通常还会进行模型优化，这样在前面的流程中加入模型优化，演变为如下流程：

TensorFlow Lite提供一系列的工具帮助开发者优化模型：

• 训练后Quantization

这是最新发布的模型优化工具，其优点是使用简单，只需在前面的converter代码加入一行：

converter.post_training_quantization = True

量化会造成模型精确度的损失，但据观察，对图像、音频模型预测精确度影响很小。经过量化，CNN模型可增加10～50%的性能提升，RNN可以增加到3倍性能提升。

• 训练时Quantization

一年前发布的工具，理论上可以比训练后Quantization更好的精确度，但使用上比较复杂，只在CNN模型中比较有效果，对于RNN模型，效果有限。

团队同时在研究两者，希望两者都有所提升。

Demo

一个Raspberry PI实现的物件检测模型，可以进行目标检测，转动摄影机始终跟随目标

一个采用Google Edge TPU的系统，展现TensorFlow Lite的实时处理能力

采用ARM微处理的装置，展现TensorFlow Lite在极低硬件配置上的表现

展现TensorFlow Lite的实时视频处理能力

展望未来

Compat是Compatibility (兼容) 的简写，所谓兼容模式，就是TensorFlow Lite在遇到不支持的Ops时，会提示是否启用Compat模式，这样支持的Ops (600+) 更多，但也意味着runtime library会增加，开发者需要在功能和体积之间做权衡。

另外，TensorFlow Lite搬家了，从原来的tensorflow/contrib/lite/…提升到tensorflow/lite/…，这意味着TensorFlow Lite开始作为一个正式的project，得到官方支持。

以上就是本次演讲的全部内容，希望对大家有所帮助。