Практическая работа №2. Вывод глубокой модели средствами Apache TVM. Анализ и сравнение производительности вывода

1. Цели и задачи работы

Цель работы -- изучить программный интерфейс для вывода глубоких нейросетевых моделей, а также выполнить анализ и сравнение производительности вывода с использованием Apache TVM и некоторых других изученных фреймворков на процессорах архитектуры RISC-V.

Достижение указанной цели предполагает решение следующих задач:

  1. Формулировка задачи классификации изображений.
  2. Подготовка тестовых моделей для решения поставленной задачи. Изучение архитектуры выбранных моделей.
  3. Изучение программного интерфейса Graph Execution (GE API) для вывода глубоких моделей фреймворка Apache TVM.
  4. Программная реализация вывода выбранных моделей с использованием GE API фреймворка Apache TVM. Валидация корректности разработанной программной реализации.
  5. Программная реализация вывода выбранных моделей с использованием других фреймворков, которые могут быть запущены на процессорах архитектуры RISC-V. В данной работе в качестве примера такого фреймворка используется TensorFlow Lite, поскольку на момент подготовки практической работы он оптимизирован под RISC-V-архитектуры.
  6. Анализ качества решения задачи классификации с помощью выбранного набора моделей. При этом вывод запускается с использованием Apache TVM и TensorFlow Lite.
  7. Анализ производительности вывода и определение оптимальных параметров запуска вывода на устройстве с процессором RISC-V (размер пачки входных данных, количество потоков, другие при наличии).

2. Постановка задачи классификации изображений

Задача классификации изображений состоит в том, чтобы поставить в соответствие изображению класс объектов, содержащихся на этом изображении. Формализуем постановку задачи.

Исходное изображение, как правило, представляется набором интенсивностей пикселей

$$I=(I_{ij}^j)_{0 \le i < w, 0 \le j < h, 0 \le k < 3},$$

где $w$ и $h$ -- ширина и высота изображения, $k$ -- количество каналов, а $I_{ij}^j$ -- значение интенсивности пикселя с пространственными координатами $(i, j)$ по каналу $k$.

Предполагается, что определено множество наблюдаемых классов объектов на изображении:

$$C=\{0, 1,...,𝑁−1\}.$$

Множество идентификаторов классов однозначно соответствует множеству названий классов. Таким образом, задача классификации изображений состоит в том, чтобы каждому изображению поставить в соответствие класс, которому оно принадлежит:

$$\phi : I \overrightarrow{} C.$$

3. Тестовые модели

3.1. Нейросетевая модель DenseNet-121

Модель DenseNet-121 реализуется посредством формирования последовательности "плотных" блоков (dense block). Каждый "плотный" блок содержит набор сверточных слоев. Вход каждого следующего слоя -- конкатенация карт признаков, построенных на предыдущих слоях.

dense_block

Общая структура моделей DenseNet имеет следующий вид:

densenet

Отметим, что слои между двумя смежными плотными блоками называются переходными слоями, они в отличие от плотных блоков изменяют пространственные размеры карты признаков.

Структура "плотных" блоков сети DenseNet-121:

  1. Dense Block 1: 6 x [Conv 1x1, Conv 3x3]
  2. Dense Block 2: 12 x [Conv 1x1, Conv 3x3]
  3. Dense Block 3: 24 x [Conv 1x1, Conv 3x3]
  4. Dense Block 4: 16 x [Conv 1x1, Conv 3x3]

Подробнее архитектура DenseNet-121 разобрана по ссылке.

3.2. Нейросетевая модель MobileNet-v3-large

Модель MobileNet-v3-large является представителем группы моделей MobileNetV3, основанных на сочетании дополнительных методов поиска и усовершенствованиях архитектуры.

Архитектура моделей MobileNetV3 содержит последовательность типовых блоков, которые сочетают идеи построения стандартного блока моделей MobileNetV2 и SE-блока. Структура блока приведена ниже (Dwise -- свертка, отделимая по глубине; NL -- нелинейная функция).

mobilenet_v3_bneck

Архитектура сети MobileNet-v3-large включает 8 таких блоков. Общая структура модели приведена в виде таблицы, где атрибут Input означает размеры входной карты признаков, Operator -- тип оператора (bneck соответствует приведенному выше блоку), #out -- число каналов выходной карты признаков, SE -- наличие/отсутствие SE-блока, NL -- тип используемой нелинейности (HS = h-swish, RE = ReLU), s -- шаг (stride), а NBN соответствует отсутствию нормализации по пачке данных.

mobilenet_v3_large

4. Подготовка тестовых моделей

4.1. Загрузка моделей

Далее в работе используются обученные модели, которые опубликованы в OpenVINO - Open Model Zoo Repository (OMZ). Для загрузки моделей можно использовать инструмент Model Downloader в составе пакета openvino-dev. Ниже приведены команды для установки данного пакета и загрузки моделей DenseNet-121 и MobileNet-v3-large. DenseNet-121 загружается в формате .saved_model исходного фреймворка TensorFlow, который далее может быть сконвертирован в интересующие форматы. MobileNet-v3-large загружается в формате *.h5. Чтобы получить модель в .saved_model, достаточно запустить Model Converter в составе openvino-dev.

conda create -n openvino_converter python==3.10
conda activate openvino_converter
pip install --upgrade pip
pip install openvino-dev
pip install openvino-dev[tensorflow2]

cd <work_dir>
omz_downloader --name densenet-121-tf

omz_downloader --name mobilenet-v3-large-1.0-224-tf
omz_converter --name mobilenet-v3-large-1.0-224-tf

conda deactivate

В результате выполнения указанной последовательности команд в директории <work_dir> создается набор вложенных директорий:

  • public/densenet-121-tf содержит файлы модели в формате *.savedmodel (TensorFlow).
  • public/mobilenet-v3-large-1.0-224-tf содержит файлы модели в формате *.h5 и *.savedmodel (TensorFlow).

4.2. Конвертация моделей в формат Apache TVM

Выбранные тестовые модели хранятся в формате *.savedmodel фреймворка TensorFlow. Для запуска этих моделей средствами Apache TVM разработчики рекомендуют сконвертировать их в формат ONNX с использованием пакета tf2onnx, после чего сконвертировать в формат .json+.params и скомпилировать в исполняемый модуль .so с помощью внутренних средств Apache TVM, которые были рассмотрены в лекции 6. Для упрощения этапа подготовки моделей предлагается воспользоваться обертками над конвертером и компилятором моделей, реализованными в системе бенчмаркинга Deep Learning Inference Benchmark (DLI). Ниже приведена последовательность команд, которая предусматривает конвертацию загруженных моделей с разными размерами входных пачек данных, а также их компиляцию с разными значениями уровня оптимизации opt_level.

conda create -n tvm_converter python==3.10
conda activate tvm_converter
pip install tensorflow
pip install onnxruntime
pip install -U tf2onnx
pip install apache-tvm

cd <work_dir>/public/densenet-121-tf
python -m tf2onnx.convert --saved-model densenet-121.savedmodel/ --output densenet-121-tf.onnx
python -m tf2onnx.convert --saved-model mobilenet_v3_large_224_1.0_float.savedmodel/ \
                          --output mobilenet_v3_large_224_1.0_float.onnx

cd <work_dir>
git clone https://github.com/itlab-vision/dl-benchmark
cd dl-benchmark/src/model_converters/tvm_converter

batch_sizes=(1 2 4 8 16)
opt_levels=(0 1 2 3)
dir_names=('densenet-121-tf' 'mobilenet-v3-large-1.0-224-tf')
model_names=('densenet-121-tf' 'mobilenet_v3_large_224_1.0_float')
target='llvm -mcpu=skylake-avx512'
src_framework='onnx'
width=224
height=224
nchannels=3

index=0
for model_name in ${model_names[@]}
do
    dir_name=${dir_names[$index]}
    for bs in ${batch_sizes[@]}
    do
        echo "Batch size: ${bs}"
        for ol in ${opt_levels[@]}
        do
            echo " opt_level: ${ol}"

            python tvm_converter.py --model_name ${model_name} \
                                --model ../../../../public/${dir_name}/${model_name}.onnx \
                                --source_framework ${src_framework} \
                                --input_shape ${bs} ${width} ${height} ${nchannels} \
                                --batch_size ${bs} \
                                --output_dir ../../../../public/${dir_name}/tvm/bs_${bs}

            python tvm_compiler.py --mod ../../../../public/${dir_name}/tvm/bs_${bs}/${model_name}.json \
                               --params ../../../../public/${dir_name}/tvm/bs_${bs}/${model_name}.params \
                               --target "${target}" --opt_level ${ol} --lib_name ${model_name}_${ol}.so \
                               --output_dir ../../../../public/${dir_name}/tvm/bs_${bs}/
        done
    done
    index=$(( index + 1 ))
done

conda deactivate

В результате выполнения приведенных команд в директории каждой модели создается директория tvm, содержащая набор вложенных директорий вида bs_${bs}, в которых находятся сконвертированные модели для разных размеров входной пачки данных (${bs} означает размер пачки). Также каждая директория bs_${bs} содержит набор исполняемых модулей ${model_name}_${ol}.so, соответствующих скомпилированной с разными уровнями оптимизации opt_level модели (${model_name} -- название модели, ${ol} -- уровень оптимизации opt_level).

Примечание: для маломощных устройств, к каковым в настоящее время относится RISC-V, модели можно компилировать на сторонних узлах, указав корректное значение целевой платформы target. При запуске на маломощных устройствах Apache TVM позволяет устанавливать и использовать только runtime-модуль, с помощью которого можно загружать и запускать скомпилированные модели.

4.3. Конвертация моделей в формат TensorFlow Lite

Чтобы сконвертировать выбранную модель в формат TensorFlow Lite, можно воспользоваться конвертером из репозитория системы бенчмаркинга DLI. Далее используется tf2tflite-конвертер. Ниже приведена последовательность команд для установки необходимого окружения и запуска указанного конвертера моделей из формата библиотеки TensorFlow в TensorFlow Lite.

cd <work_dir>
conda create -n tflite_converter python==3.9
conda activate tflite_converter
pip install tensorflow==2.14.0
pip install tf-keras==2.15.0
pip install onnx-tf==1.10.0
pip install tensorflow-probability==0.22.0

git clone https://github.com/itlab-vision/dl-benchmark
cd dl-benchmark/src/model_converters/tf2tflite

python tflite_converter.py \
     --model-path <work_dir>/public/densenet-121-tf/densenet-121.savedmodel \
     --source-framework tf

python tflite_converter.py \
       --model-path <work_dir>/public/mobilenet-v3-large-1.0-224-tf/mobilenet_v3_large_224_1.0_float.savedmodel/ \
       --source-framework tf --input-shapes [1,224,224,3]

conda deactivate

Примечание: для запуска конвертера требуется версия пакета numpy не ниже 1.23.5.

В результате успешного выполнения приведенной последовательности команд в соответствующих директориях моделей сформируются файлы <model_name>.tflite.

5. Подготовка витуальной среды для запуска экспериментов

Для проведения экспериментов необходимо подготовить виртуальную среду с установленными пакетами opencv для загрузки и предварительной обработки изображений, apache-tvm для вывода с использованием Apache TVM, tensorflow или tflite-runtime для вывода средствами TensorFlow Lite. Ниже приведена соответствующая последовательность команд.

conda create -n 02_practice_env python==3.10
conda activate 02_practice_env
conda install jupyter
conda install opencv
pip install apache-tvm
pip install tensorflow
pip install matplotlib
conda deactivate

Чтобы созданная виртуальная среда 02_practice_env была доступна для последующего запуска в ней вывода из Jupiter Notebook, достаточно в ней выполнить команду, приведенную ниже.

conda activate 02_practice_env
python -m ipykernel install --user --name 02_practice_env \
                            --display-name "Python (02_practice_env)"
conda deactivate

Примечания:

  1. Вложенная директория 02_Practice_envs содержит перечень установленных в каждой виртуальной среде пакетов с указанием их версий (результат выполнения команды conda list в каждой среде).

  2. Установка пакетов может быть выполнена либо в терминале с помощью описанных выше команд, либо в текущем Jupiter Notebook с использованием следующей последовательности команд.

    import sys
    !conda install --yes --prefix {sys.prefix} opencv
    !{sys.executable} -m pip install apache-tvm
    !{sys.executable} -m pip install tensorflow
    !{sys.executable} -m pip install matplotlib
    

6. Программная реализация вспомогательных функций

6.1. Функции вычисления показателей производительности

In [1]:
# функция удаления заведомо некорректных времен
def delete_incorrect_time(times, min_correct_time=0.0):
    valid_times = []
    for i in range(len(times)):
        if times[i] >= min_correct_time:
            valid_times.append(times[i])
    return valid_times

# функция удаления времен, выходящих для пределы трех стандартных
# среднеквадратических отклонений (удаление выбросов)
def three_sigma_rule(times):
    average_time = np.mean(times)
    sigm = np.std(times)
    upper_bound = average_time + (3 * sigm)
    lower_bound = average_time - (3 * sigm)
    valid_times = []
    for i in range(len(times)):
        if lower_bound <= times[i] <= upper_bound:
            valid_times.append(times[i])
    return valid_times

# функция вычисления латентности - медианы набора корректных времен
def calculate_latency(times):
    latency = np.median(times)
    return latency

# функция вычисления метрики FPS - отношение произведения количества итераций
# и размера пачки данных к общему времени вывода
def calculate_fps(iter_num, batch_size, total_time):
    return iter_num * batch_size / total_time

# общая функция вычисления показателей производительности
def calculate_performance_metrics(times, batch_size, min_correct_time=0.0):
    valid_times = delete_incorrect_time(times, min_correct_time)
    valid_times = three_sigma_rule(valid_times)
    latency = calculate_latency(valid_times)
    fps = calculate_fps(len(valid_times), batch_size, sum(valid_times))
    return latency, fps

6.2. Функции обработки выхода классификационной сети

In [2]:
# функция загрузки меток классов
def load_labels_map(labels_file_name):
    with open(labels_file_name, 'r') as f:
        labels_map = [line.strip() for line in f]
    return labels_map    

# функция печати topk-классов и соответствующих достоверностей
def process_output(files, output_data, labels_file_name, topk=5):
    labels_map = load_labels_map(labels_file_name)
    for i in range(len(output_data)):
        file_name = files[i]
        probs_ = np.squeeze(output_data[i])
        top_ind = np.argsort(probs_)[-topk:][::-1]
        print(f'{file_name}')
        for id_ in top_ind:
            det_label = labels_map[id_] if labels_map else '#{0}'.format(id_)
            print('\t{}\t{:.7f}\t{}'.format(id_, probs_[id_], det_label))

6.3. Чтение и предварительная обработка данных

Для чтения и подготовки изображений используется функционал библиотеки компьютерного зрения OpenCV:

  1. cv2.imread(...) -- функция, обеспечивающая загрузку изображения.
  2. cv2.resize(...) -- функция, обеспечивающая масштабирование изображения в соответствии с размерами входного тензора нейронной сети.

В качестве данных для проверки корректности программной реализации вывода и последующего анализа производительности предлагается использовать набор изображений из валидационной части набора данных ImageNet, которая является открытой. Она содержит 50 000 изображений естественного мира, принадлежащих 1 000 классам. Далее принимается, что избранные изображения находятся в директории ../data. Примечание: по указанной ссылке скачивается архив с полным набором данных (~150 ГБ данных), чтобы загрузить только валидационную выборку можно воспользоваться неофициальными ресурсами, которые выдаются поисковой системой (например, можно использовать эту ссылку).

In [3]:
import cv2
import os
import numpy as np
from matplotlib import pyplot as plt

# размер пачки данных
batch_size = 2
# размеры входного тензора нейронной сети
input_shape = [batch_size, 224, 224, 3]
# директория, содержащая данные для проверки корректности и анализа
# производительности вывода (должна содержать не менее, чем batch_size
# изображений)
images_dir = '../data'


def prepare_input(images_dir, input_image_resolution, mean=(0, 0, 0),
                  scale=(1, 1, 1), bgr_to_rgb=False, show=False):
    files = [f for f in os.listdir(images_dir) if os.path.isfile(os.path.join(images_dir, f))]
    print(f'Number of available images: {len(files)}')
    images = []
    for file in files:
        image = cv2.imread(os.path.join(images_dir, file), cv2.IMREAD_COLOR)
        if bgr_to_rgb == True:
            image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        if show == True:
            plt.imshow(image)
            plt.show()
        image = cv2.resize(image, input_image_resolution)
        image = (image - mean) / scale
        images.append(image)
    return files, images

7. Программная реализация вывода средствами Apache TVM

Программная реализация вывода средствами фреймворка Apache TVM выполняется с использованием Graph Execution API (GE API).

7.1. Загрузка пакетов

In [4]:
import tvm
from tvm.contrib import graph_executor

7.2. Загрузка и предварительная обработка данных

In [5]:
# Параметры предобработки изображений для DenseNet-121
mean = (123.68, 116.78, 103.94)
scale = (58.395, 57.12, 57.375)
bgr_to_rgb = True

# Параметры предобработки изображений для MobileNet-v3-large
# mean = (0, 0, 0)
# scale = (1, 1, 1)
# bgr_to_rgb = True

print(f'Input shape: {input_shape}')
files, images = prepare_input(images_dir, input_shape[1:3], 
                              mean, scale, bgr_to_rgb)
Input shape: [2, 224, 224, 3]
Number of available images: 64

7.3. Загрузка скомпилированной модели

In [6]:
# уровень оптимизации скомпилированной модели (для проверки корректности
# реализации вывода устанавливается равным 1)
opt_level = 1
# путь до скомпилированной модели
model_tvm = f'../public/densenet-121-tf/tvm/bs_{batch_size}/densenet-121-tf_{opt_level}.so'
#model_tvm = f'../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_{batch_size}/mobilenet_v3_large_224_1.0_float_{opt_level}.so'


def load_model(model_tvm):
    print(f'Load model: {model_tvm}')
    tvm_lib = tvm.runtime.load_module(model_tvm)

    # устройство для запуска
    dev = tvm.cpu(0)
    # создание исполняемого модуля для устройства
    module = graph_executor.GraphModule(tvm_lib["default"](dev))
    return module


module = load_model(model_tvm)
Load model: ../public/densenet-121-tf/tvm/bs_2/densenet-121-tf_1.so

7.4. Вывод нейронной сети

In [7]:
from time import time

# количество повторений вывода для заданной пачки данных
iter_num = 3
# файл меток классов
labels_file_name = '../labels/image_net_synset.txt'
# параметр метрики top-k для оценки качества работы модели
topk = 5
# название входа
input_name = 'input_1'


# функция многократного запуска вывода для фиксированного размера пачки
# и сбор результатов работы сети и времени работы каждого запроса на вывод
def inference_tvm(iter_num, batch_size, files, images, module, input_name):
    results = dict()
    times = []
    istart = 0
    ifinish = batch_size
    for iteration in range(iter_num):
        # установка входного тензора для вывода
        module.set_input(input_name, np.array(images[istart:ifinish], dtype=np.float32))

        # запуск вывода
        ts = time()
        module.run()
        tf = time()

        # сохранение результатов вывода
        results[iteration] = (files[istart:ifinish], module.get_output(0).numpy())
        times.append(tf - ts)
        
        istart = ifinish
        ifinish = (istart + batch_size) % (len(images) + 1)
        if istart > ifinish:
            istart = 0
            ifinish = batch_size

    return results, times

# функция запуска теста и вычисления показателей производительности вывода
def inference_tvm_perf(iter_num, batch_size, files, images, module, input_name):
    results, times = inference_tvm(iter_num, batch_size, files, images,
                                   module, input_name)
    latency, fps = calculate_performance_metrics(times, batch_size)
    return results, latency, fps


results, latency, fps = inference_tvm_perf(iter_num, batch_size, files, images,
                                           module, input_name)
print('Performance metrics:')
print(f'\tLatency: {latency:.3f} s\n\tFPS:     {fps:.2f} fps')

print('Results:')
for iteration in range(len(results)):
    process_output(results[iteration][0], results[iteration][1], labels_file_name, topk)
Performance metrics:
	Latency: 0.081 s
	FPS:     23.42 fps
Results:
ILSVRC2012_val_00000023.JPEG
	948	0.9939486	Granny Smith
	951	0.0029236	lemon
	950	0.0014409	orange
	954	0.0006842	banana
	952	0.0001481	fig
ILSVRC2012_val_00000247.JPEG
	13	0.9960424	junco, snowbird
	10	0.0016738	brambling, Fringilla montifringilla
	14	0.0014138	indigo bunting, indigo finch, indigo bird, Passerina cyanea
	19	0.0004691	chickadee
	18	0.0000661	magpie
ILSVRC2012_val_00018592.JPEG
	625	0.9841733	lifeboat
	540	0.0021340	drilling platform, offshore rig
	628	0.0018786	liner, ocean liner
	913	0.0017149	wreck
	724	0.0016311	pirate, pirate ship
ILSVRC2012_val_00019000.JPEG
	752	0.9872146	racket, racquet
	852	0.0084675	tennis ball
	429	0.0032796	baseball
	981	0.0004642	ballplayer, baseball player
	890	0.0002705	volleyball
ILSVRC2012_val_00019001.JPEG
	532	0.9815801	dining table, board
	762	0.0055746	restaurant, eating house, eating place, eatery
	765	0.0032740	rocking chair, rocker
	559	0.0011973	folding chair
	495	0.0011608	china cabinet, china closet
ILSVRC2012_val_00019002.JPEG
	218	0.8885514	Welsh springer spaniel
	156	0.0818039	Blenheim spaniel
	217	0.0074692	English springer, English springer spaniel
	220	0.0061150	Sussex spaniel
	157	0.0058036	papillon

8. Программная реализация вывода средствами TensorFlow Lite

8.1. Загрузка пакетов

In [8]:
try:
    import tflite_runtime.interpreter as tflite
except ModuleNotFoundError:
    import tensorflow.lite as tflite
2024-07-30 14:29:27.821791: I external/local_xla/xla/tsl/cuda/cudart_stub.cc:32] Could not find cuda drivers on your machine, GPU will not be used.
2024-07-30 14:29:27.827453: I external/local_xla/xla/tsl/cuda/cudart_stub.cc:32] Could not find cuda drivers on your machine, GPU will not be used.
2024-07-30 14:29:27.842070: E external/local_xla/xla/stream_executor/cuda/cuda_fft.cc:485] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered
2024-07-30 14:29:27.864799: E external/local_xla/xla/stream_executor/cuda/cuda_dnn.cc:8454] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered
2024-07-30 14:29:27.871357: E external/local_xla/xla/stream_executor/cuda/cuda_blas.cc:1452] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered
2024-07-30 14:29:27.889708: I tensorflow/core/platform/cpu_feature_guard.cc:210] This TensorFlow binary is optimized to use available CPU instructions in performance-critical operations.
To enable the following instructions: AVX2 AVX512F FMA, in other operations, rebuild TensorFlow with the appropriate compiler flags.
2024-07-30 14:29:28.909625: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Could not find TensorRT

8.2. Загрузка и предварительная обработка данных

In [9]:
# Параметры предобработки изображений для DenseNet-121
mean = (123.68, 116.78, 103.94)
scale = (58.395, 57.12, 57.375)
bgr_to_rgb = True

# Параметры предобработки изображений для MobileNet-v3-large
# mean = (0, 0, 0)
# scale = (1, 1, 1)
# bgr_to_rgb = True

print(f'Input shape: {input_shape}')
files, images = prepare_input(images_dir, input_shape[1:3], 
                              mean, scale, bgr_to_rgb)
Input shape: [2, 224, 224, 3]
Number of available images: 64

8.3. Загрузка модели

In [10]:
# путь до файла модели в формате TensorFlow Lite
model_tflite = '../public/densenet-121-tf/densenet-121.tflite'
# model_tflite = '../public/mobilenet-v3-large-1.0-224-tf/mobilenet_v3_large_224_1.0_float.tflite'


# функция печати информации о входах модели
def print_input_details(model):
    input_details = model.get_input_details()
    for idx in range(len(input_details)):
        print(f'\tInput {idx}: {input_details[idx]}')


# загрузка модели
model_interpreter = tflite.Interpreter(model_path=model_tflite)
print('Input details for the model (before input reshape):')
print_input_details(model_interpreter)

# изменение размеров входного тензора (тестовые модели имеют только один
# вход - input_details[0])
input_details = model_interpreter.get_input_details()
model_interpreter.resize_tensor_input(input_details[0]['index'], input_shape)
print('Input details for the model (after input reshape):')
print_input_details(model_interpreter)

# выделение памяти для хранения тензоров
model_interpreter.allocate_tensors()
Input details for the model (before input reshape):
	Input 0: {'name': 'input_1', 'index': 0, 'shape': array([  1, 224, 224,   3], dtype=int32), 'shape_signature': array([ -1, 224, 224,   3], dtype=int32), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}
Input details for the model (after input reshape):
	Input 0: {'name': 'input_1', 'index': 0, 'shape': array([  2, 224, 224,   3], dtype=int32), 'shape_signature': array([ -1, 224, 224,   3], dtype=int32), 'dtype': <class 'numpy.float32'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}
INFO: Created TensorFlow Lite XNNPACK delegate for CPU.

8.4. Установка входных тензоров и запуск вывода

In [11]:
from time import time

# количество повторений вывода для заданной пачки данных
iter_num = 3
# файл меток классов
labels_file_name = '../labels/image_net_synset.txt'
# параметр метрики top-k для оценки качества работы модели
topk = 5


# функция многократного запуска вывода для фиксированного размера пачки
# и сбор результатов работы сети и времени работы каждого запроса на вывод
def inference_tflite(iter_num, batch_size, files, images, model):
    results = dict()
    times = []
    istart = 0
    ifinish = batch_size
    for iteration in range(iter_num):
        model.set_tensor(input_details[0]['index'], np.array(images[istart:ifinish], dtype=np.float32))

        ts = time()
        model.invoke()
        tf = time()

        output_details = model.get_output_details()
        results[iteration] = (files[istart:ifinish], 
                              model.get_tensor(output_details[0]['index']).copy())
        times.append(tf - ts)
        
        istart = ifinish
        ifinish = (istart + batch_size) % (len(images) + 1)
        if istart > ifinish:
            istart = 0
            ifinish = batch_size

    return results, times

# функция запуска теста и вычисления показателей производительности вывода
def inference_tflite_perf(iter_num, batch_size, files, images, model_interpreter):
    results, times = inference_tflite(iter_num, batch_size, files, images, model_interpreter)
    latency, fps = calculate_performance_metrics(times, batch_size)
    return results, latency, fps


results, latency, fps = inference_tflite_perf(iter_num, batch_size, files, images,
                                              model_interpreter)
print('Performance metrics:')
print(f'\tLatency: {latency:.3f} s\n\tFPS:     {fps:.2f} fps')

print('Results:')
for iteration in range(len(results)):
    process_output(results[iteration][0], results[iteration][1], labels_file_name, topk)
Performance metrics:
	Latency: 0.150 s
	FPS:     13.21 fps
Results:
ILSVRC2012_val_00000023.JPEG
	948	0.9939482	Granny Smith
	951	0.0029236	lemon
	950	0.0014409	orange
	954	0.0006843	banana
	952	0.0001481	fig
ILSVRC2012_val_00000247.JPEG
	13	0.9960352	junco, snowbird
	10	0.0016737	brambling, Fringilla montifringilla
	14	0.0014138	indigo bunting, indigo finch, indigo bird, Passerina cyanea
	19	0.0004691	chickadee
	18	0.0000661	magpie
ILSVRC2012_val_00018592.JPEG
	625	0.9841738	lifeboat
	540	0.0021340	drilling platform, offshore rig
	628	0.0018787	liner, ocean liner
	913	0.0017149	wreck
	724	0.0016311	pirate, pirate ship
ILSVRC2012_val_00019000.JPEG
	752	0.9872142	racket, racquet
	852	0.0084676	tennis ball
	429	0.0032796	baseball
	981	0.0004642	ballplayer, baseball player
	890	0.0002705	volleyball
ILSVRC2012_val_00019001.JPEG
	532	0.9815797	dining table, board
	762	0.0055746	restaurant, eating house, eating place, eatery
	765	0.0032740	rocking chair, rocker
	559	0.0011973	folding chair
	495	0.0011608	china cabinet, china closet
ILSVRC2012_val_00019002.JPEG
	218	0.8885481	Welsh springer spaniel
	156	0.0818037	Blenheim spaniel
	217	0.0074692	English springer, English springer spaniel
	220	0.0061150	Sussex spaniel
	157	0.0058036	papillon

9. Анализ качества решения задачи классификации

Инструменты для сбора показателей качества. Для анализа качества решения задачи классификации с использованием моделей, загруженных из OpenVINO - Open Model Zoo Repository (OMZ), а также некоторых других моделей, которые обучены средствами поддерживаемых фреймворков, можно воспользоваться инструментом Accuracy Checker в составе репозитория OMZ. Указанный инструмент позволяет запускать модели в разных форматах с использованием разных фреймворков глубокого обучения на широко известных наборах данных и собирать общепринятные показатели качества решения классических задач компьютерного зрения (computer vision), обработки естественного языка (natural language processing) и аудиоанализа.

Отметим, что запуск моделей в формате TensorFlow Lite поддерживается в рамках основного репозитория OMZ, в то время как для моделей в формате TVM имеется сторонний форк репозитория OMZ.

Для упрощения массовых запусков инструмента Accuracy Checker для набора моделей предлагается использовать обертку, разработанную в рамках проекта Deep Learning Inference Benchmark (DLI), которая доступна по ссылке.

Набор данных. Измерение качества предполагается выполнять на валидационной части набора данных ImageNet, которая является открытой. Она содержит 50 000 изображений естественного мира, принадлежащих 1 000 классам. Примечание: по указанной ссылке скачивается архив с полным набором данных (~150 ГБ данных), чтобы загрузить только валидационную выборку можно воспользоваться неофициальными ресурсами, которые выдаются поисковой системой (например, можно использовать эту ссылку).

Показатели качества. Для анализа качества решения задачи классификации изображений используются общепринятые метрики точности top-1 и top-5. Точность top-k (top-k accuracy) -- отношение числа правильно проклассифицированных изображений к общему их количеству. На выходе классификационной нейронной сети имеется вектор достоверности принадлежности изображения каждому из допустимых классов. В случае top-1 изображение считается проклассифицированным правильно, если искомому классу соответствует максимальное значение достоверности, а в случае top-5 -- если искомому классу соответствует одно из пяти наибольших значений достоверностей.

Последовательность подготовки окружения и сбора показателей качества. Чтобы собрать значения показателей качества классификации с использованием описанных инструментов, необходимо выполнить следующую последовательность действий.

  1. Загрузить форк репозитория OMZ и установить инструмент Accuracy Checker для валидации моделей Apache TVM.

    conda create -n accuracy_checker_tvm python==3.10 
    conda activate accuracy_checker_tvm
    cd <work_dir>
    git clone https://github.com/itlab-vision/open_model_zoo_tvm
    cd ./open_model_zoo_tvm/tools/accuracy_checker
    python3 -m pip install .
    python3 -m pip install .[extra]
    pip install Pillow==9.5.0
    pip install apache-tvm
    pip install "numpy<2"
    conda deactivate
    

    После установки выполнение команды accuracy_check -h должно приводить к выводу справочной информации о параметрах запуска инструмента.

  2. Загрузить репозиторий OMZ и установить инструмент Accuracy Checker для валидации моделей TensorFlow Lite. Ниже приведена соответствующая последовательность команд. Подробнее установка описана здесь.

    conda create -n accuracy_checker_tflite python==3.10 
    conda activate accuracy_checker_tflite
    cd <work_dir>
    git clone https://github.com/openvinotoolkit/open_model_zoo
    cd ./open_model_zoo/tools/accuracy_checker
    python3 -m pip install .
    python3 -m pip install .[extra]
    pip install tensorflow
    conda deactivate
    

    После установки выполнение команды accuracy_check -h также должно приводить к выводу справочной информации о параметрах запуска инструмента.

  3. Загрузить репозиторий DLI, содержащий обертку компонента Accuracy Checker, которая далее используется для упрощения запуска Accuracy Checker при наличии набора моделей.

    cd <work_dir>
    git clone https://github.com/itlab-vision/dl-benchmark
    

    Примечание: данный шаг можно пропустить, если система DLI была использована для конвертации модели из формата TensorFlow в TensorFlow Lite.

  4. Загрузить валидационную выборку набора данных ImageNet, состоящую из 50 000 изображений, для которой опубликованы результаты качества классификации. Полный набор данных ImageNet доступен по ссылке. Для последующего запуска Accuracy Checker необходима директория с изображениями ILSVRC2012_img_val и файл val.txt, содержащий разметку этих изображений в формате <image_name> <class_id>, где <image_name> -- название файла, <class_id> -- идентификатор категории, которой принадлежит изображение. Далее для определенности будем считать, что они находятся в директории с названием <dataset_dir>.

  5. Сформировать конфигурационный файл accuracy_checker_config_*.xml (* принимает значение tvm или tflite) для анализа качества работы модели на загруженном наборе данных.

    Apache TVM. Шаблонная структура конфигурационного файла для вывода средствами Apache TVM приведена ниже (файл accuracy_checker_config_template_tvm.xml дублирует эту структуру). Для использования этой конфигурации достаточно вставить корректное значение пути work_dir. Тег <Directory> должен содержать путь до файлов модели в формате Apache TVM, а тег <Config> -- полный путь до конфигурационного файла модели *.yml в загруженном репозитории OMZ (файлы densenet-121-tvm.yml и mobilenet-v3-large-1.0-224-tvm.yml, содержащие корректный набор параметров, можно найти в директории с файлами конфигурации 02_Practice_configs к данной практической работе). Примечание: указанные в xml-файле пути должны быть абсолютными.

    <?xml version="1.0" encoding="utf-8"?>
    <Tests>
        <Test>
            <Model>
                <Task>classification</Task>
                <Name>densenet-121-tf</Name>
                <Precision>FP32</Precision>
                <SourceFramework>TensorFlow</SourceFramework>
                <Directory>work_dir/public/densenet-121-tf/tvm/bs_1</Directory>
            </Model>
            <Parameters>
                <InferenceFramework>TVM</InferenceFramework>
                <Device>CPU</Device>
                <Config>work_dir/open_model_zoo_tvm/tools/accuracy_checker/configs/densenet-121-tvm.yml</Config>
            </Parameters>
        </Test>
        <Test>
            <Model>
                <Task>classification</Task>
                <Name>mobilenet-v3-large-1.0-224-tf</Name>
                <Precision>FP32</Precision>
                <SourceFramework>TensorFlow</SourceFramework>
                <Directory>work_dir/public/mobilenet-v3-large-1.0-224-tf/tvm/bs_1</Directory>
            </Model>
            <Parameters>
                <InferenceFramework>TVM</InferenceFramework>
                <Device>CPU</Device>
                <Config>work_dir/open_model_zoo_tvm/tools/accuracy_checker/configs/mobilenet-v3-large-1.0-224-tvm.yml</Config>
            </Parameters>
        </Test>
    </Tests>
    

    TensorFlow Lite. Шаблонная структура конфигурационного файла для вывода средствами TensorFlow Lite приведена ниже (файл accuracy_checker_config_template_tflite.xml дублирует эту структуру). Она отличается от ранее показанной только значениями тегов <Directory>, <InferenceFramework> и <Config>. Тег <Directory> содержит путь до файла модели в формате .tflite, куда была сконвертирована исходная модель, <InferenceFramework> -- название фреймворка для вывода, <Config> -- полное название файла с описанием конфигурации модели *.yml (корректные файлы также можно найти в директории 02_Practice_configs).

    <?xml version="1.0" encoding="utf-8"?>
    <Tests>
        <Test>
            <Model>
                <Task>classification</Task>
                <Name>densenet-121-tf</Name>
                <Precision>FP32</Precision>
                <SourceFramework>TensorFlow</SourceFramework>
                <Directory>work_dir/public/densenet-121-tf/</Directory>
            </Model>
            <Parameters>
                <InferenceFramework>TensorFlow_Lite</InferenceFramework>
                <Device>CPU</Device>
                <Config>work_dir/open_model_zoo/tools/accuracy_checker/configs/densenet-121-tflite.yml</Config>
            </Parameters>
        </Test>
        <Test>
            <Model>
                <Task>classification</Task>
                <Name>mobilenet-v3-large-1.0-224-tf</Name>
                <Precision>FP32</Precision>
                <SourceFramework>TensorFlow</SourceFramework>
                <Directory>work_dir/public/mobilenet-v3-large-1.0-224-tf/</Directory>
            </Model>
            <Parameters>
                <InferenceFramework>TensorFlow_Lite</InferenceFramework>
                <Device>CPU</Device>
                <Config>work_dir/open_model_zoo/tools/accuracy_checker/configs/mobilenet-v3-large-1.0-224-tflite.yml</Config>
            </Parameters>
        </Test>
    </Tests>
    

    Примечание: сбор показателей качества для двух моделей можно выполнить за один запуск обертки Accuracy Checker.

  6. Перейти в директорию с оберткой компонента Accuracy Checker и запустить ее с использованием командной строки, приведенной ниже. Передаваемые параметры:

    • -r - выходной файл с результатами точности классификации,
    • - сформированный конфигурационный файл,
    • -s - директория, содержащая загруженный набор данных,
    • -d - файл с определением параметров наборов данных,
    • --executor_type - окружение для исполнения (host_machine означает прямой запуск в окружении, установленном на устройстве, docker - запуск в докер- контейнере).

    Подробнее параметры командной строки описаны по ссылке.

    conda activate <accuracy_checker_env>
    cd <work_dir>/dl-benchmark/src/accuracy_checker
    
    python3 accuracy_checker.py \
     -r <work_dir>/accuracy_results.csv \
     -c <work_dir>/accuracy_checker_config.xml \
     -s <dataset_dir> \
     -d <work_dir>/open_model_zoo/tools/accuracy_checker/dataset_definitions.yml \
     --executor_type host_machine
    
    conda deactivate
    

    Примечание: в зависимости от фреймворка необходимо команду выполнять в виртуальной среде accuracy_checker_tvm или accuracy_checker_tflite. Конкретное название среды необходимо подставить в качестве значения параметра <accuracy_checker_env>.

    Отметим, что в стандартном выводе в строках accuracy@top1 и accuracy@top5 приведены посчитанные значения метрик top-1 и top-5 в процентах, которые округлены до второго знака после запятой. Также в этих строках указаны абсолютная и относительная разница по сравнению с референсными значения. Более точные значения логируются в промежуточный файл results.csv в директории <work_dir>/dl-benchmark/src/accuracy_checker.

    Наряду с этим, в результате выполнения команды будет создан файл <work_dir>/accuracy_results.csv с результирующими показателями качества классификации (точность -- 2 знака после запятой).

    Примеры всех генерируемых файлов приложены к настоящей практической работе.

  7. Cравнить полученные в файле <work_dir>/accuracy_results.csv результаты точности классификации и значения метрик top-1 и top-5 с опубликованными в работах авторов модели. Референсные значения точностей можно найти в файле <work_dir>/open_model_zoo/tools/accuracy_checker/configs/<model_name>.yml. Для визуализации результатов можно воспользоваться построением гистограмм средствами пакета matplotlib.

In [12]:
import matplotlib.pyplot as plt
import numpy as np

def draw_hist_topK(ref_top1, ref_top5, tvm_computed_top1, tvm_computed_top5,
                   tflite_computed_top1, tflite_computed_top5, model_name):
    metrics = ("top-1", "top-5")
    values = {
        'Computed values (Apache TVM)':  (tvm_computed_top1, tvm_computed_top5),
        'Computed values (TensorFlow Lite)':  (tflite_computed_top1, tflite_computed_top5),
        'Reference values': (ref_top1, ref_top5),
    }

    # положения меток
    x = np.arange(len(metrics))
    # ширина бинов
    width = 0.3
    multiplier = 0

    fig, ax = plt.subplots(layout='constrained')
    fig.set_size_inches(5, 2.2)
    yax = ax.axes.get_yaxis()
    yax = yax.set_visible(False)

    for attribute, measurement in values.items():
        offset = width * multiplier
        rects = ax.bar(x + offset, measurement, width, label=attribute)
        ax.bar_label(rects, padding=2)
        multiplier += 1

    ax.set_title(f'top-1 and top-5 accuracies for {model_name}, %')
    ax.set_xticks(x + width, metrics)
    ax.legend(loc='upper left', ncols=1)
    ax.set_ylim(0, 210)

    plt.show()


# Результаты определения качества классификации для DenseNet-121
model_name = 'DenseNet-121'
# референсные значения
ref_top1 = 74.46
ref_top5 = 92.13
# подсчитанные значения
tvm_computed_top1 = 74.47
tvm_computed_top5 = 92.13
tflite_computed_top1 = 74.47
tflite_computed_top5 = 92.13
# отображение гистограммы
draw_hist_topK(ref_top1, ref_top5, tvm_computed_top1, tvm_computed_top5,
               tflite_computed_top1, tflite_computed_top5, model_name)


# Результаты определения качества классификации для DenseNet-121
model_name = 'MobileNet-v3-large'
# референсные значения
ref_top1 = 75.30
ref_top5 = 92.62
# подсчитанные значения
tvm_computed_top1 = 75.30
tvm_computed_top5 = 92.62
tflite_computed_top1 = 75.30
tflite_computed_top5 = 92.62
# отображение гистограммы
draw_hist_topK(ref_top1, ref_top5, tvm_computed_top1, tvm_computed_top5,
               tflite_computed_top1, tflite_computed_top5, model_name)

Из построенных гистограмм можно видеть, что исходная модель, сконвертированная в форматы Apache TVM и TensorFlow Lite, демонстрирует одинаковые показатели точности top-1 и top-5. Полученные результаты соответствуют референсным значениям.

10. Анализ и сравнение производительности вывода на RISC-V

10.1. Параметры тестовой инфраструктуры

В данной работе для получения информации о тестовой инфраструктуре используются функции, входящие в состав стандартных пакетов Python.

In [13]:
import os
import platform
import subprocess
import re
from collections import OrderedDict
from sys import version as python_formatted_version


def get_cpu_name():
    cpuname = 'Undefined'

    if platform.system() == 'Windows':
        return platform.processor()    
    elif platform.system() == 'Linux':
        command = 'cat /proc/cpuinfo'
        all_info = subprocess.check_output(command, shell=True).decode().strip()
        for line in all_info.split('\n'):
            if 'model name' in line:
                return re.sub( ".*model name.*: ", "", line, 1)

    return cpuname.strip()

def get_ram_size(ostype):
    ramsize = 'Undefined'
    if ostype == 'Windows':
        command = ['wmic', 'OS', 'get', 'TotalVisibleMemorySize', '/Value']
        p = subprocess.Popen(command, universal_newlines=True, shell=True,
                             stdout=subprocess.PIPE, stderr=subprocess.PIPE)
        text = p.stdout.read()
        p.wait()
        text = text.split('=')
        ramsize = text[1].strip() + ' KB'
    elif ostype == 'Linux':
        command = ['cat', '/proc/meminfo']
        all_info = subprocess.check_output(command).strip().decode()
        for line in all_info.split('\n'):
            if 'MemTotal' in line:
                return line.split(':')[1].strip()
    return ramsize

def get_system_characteristics():
    ostype = platform.system()
    characteristics = OrderedDict()
    characteristics.update({'CPU': get_cpu_name()})
    characteristics.update({'Number of CPUs': os.cpu_count()})
    characteristics.update({'CPU family': platform.processor()})
    characteristics.update({'RAM size': get_ram_size(ostype)})
    characteristics.update({'OS family': platform.system()})
    characteristics.update({'OS version': platform.platform()})
    characteristics.update({'Python version': python_formatted_version})

    return characteristics


hardware_dict = get_system_characteristics()
for key, value in hardware_dict.items():
    print(f'{key:16}: {value}')
CPU             : Intel(R) Xeon(R) Silver 4310T CPU @ 2.30GHz
Number of CPUs  : 8
CPU family      : x86_64
RAM size        : 65807804 kB
OS family       : Linux
OS version      : Linux-3.10.0-1160.83.1.el7.x86_64-x86_64-with-glibc2.17
Python version  : 3.10.14 (main, May  6 2024, 19:42:50) [GCC 11.2.0]

10.2. Параметры для определения оптимальной производительности вывода

In [14]:
# размеры входных пачек данных
batch_sizes = [1, 2, 4, 8, 16]
# количество итераций для определения показателей латентности и FPS
iter_num = 50

# количество потоков для вывода средствами TensorFlow Lite
num_threads = [1, 2, 4, 8]

# уровни оптимизации моделей Apache TVM
opt_levels = [0, 1, 2, 3]

10.3. Определение оптимальных параметров вывода с использованием Apache TVM

In [15]:
# Функция перебора параметров запуска вывода средствами Apache TVM
def tvm_perf_tests(model_tvm):
    tvm_latency = dict()
    tvm_fps = dict()
    # перебор по уровню оптимизации модели
    for opt_level in opt_levels:
        tvm_bs_latency = dict()
        tvm_bs_fps = dict()
        # перебор по размерам пачки входных данных
        for batch_size in batch_sizes:
            # загрузка модели с определенными размерами входного тензора
            # и скомпилированной с заданным уровнем оптимизации            
            module = load_model(model_tvm.format(batch_size=batch_size, opt_level=opt_level))
            # запуск многократного вывода для заданного набора параметров
            _, latency, fps = inference_tvm_perf(iter_num, batch_size, files, images,
                                                 module, input_name)
            tvm_bs_latency[batch_size] = latency
            tvm_bs_fps[batch_size] = fps

            # вывод показателей производительности
            print(f'\tbatch_size = {batch_size:2}: latency = {latency:.3f} s, '
                  f'FPS = {fps:.3f} frames/s')
        tvm_latency[opt_level] = tvm_bs_latency
        tvm_fps[opt_level] = tvm_bs_fps
    return tvm_latency, tvm_fps


print('Searching parameters for DenseNet-121...')
# Параметры предобработки изображения для DenseNet-121
mean = (123.68, 116.78, 103.94)
scale = (58.395, 57.12, 57.375)
bgr_to_rgb = True
# Загрузка и предварительная обработка изображений
files, images = prepare_input(images_dir, input_shape[1:3], 
                              mean, scale, bgr_to_rgb)
# Запуск экспериментов для DenseNet-121
model_tvm = '../public/densenet-121-tf/tvm/bs_{batch_size}/densenet-121-tf_{opt_level}.so'
densenet121_tvm_latency, densenet121_tvm_fps = tvm_perf_tests(model_tvm)


print('Searching parameters for MobileNet-v3-large...')
# Параметры предобработки изображения для MobileNet-v3-large
mean = (0, 0, 0)
scale = (1, 1, 1)
bgr_to_rgb = True
# Загрузка и предварительная обработка изображений
files, images = prepare_input(images_dir, input_shape[1:3], 
                              mean, scale, bgr_to_rgb)
# Запуск экспериментов для MobileNet-v3-large
model_tvm = '../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_{batch_size}/mobilenet_v3_large_224_1.0_float_{opt_level}.so'
mnetv3large_tvm_latency, mnetv3large_tvm_fps = tvm_perf_tests(model_tvm)
Searching parameters for DenseNet-121...
Number of available images: 64
Load model: ../public/densenet-121-tf/tvm/bs_1/densenet-121-tf_0.so
	batch_size =  1: latency = 0.035 s, FPS = 28.934 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_2/densenet-121-tf_0.so
	batch_size =  2: latency = 0.059 s, FPS = 31.374 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_4/densenet-121-tf_0.so
	batch_size =  4: latency = 0.113 s, FPS = 35.350 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_8/densenet-121-tf_0.so
	batch_size =  8: latency = 0.245 s, FPS = 32.603 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_16/densenet-121-tf_0.so
	batch_size = 16: latency = 0.512 s, FPS = 31.237 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_1/densenet-121-tf_1.so
	batch_size =  1: latency = 0.034 s, FPS = 32.359 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_2/densenet-121-tf_1.so
	batch_size =  2: latency = 0.058 s, FPS = 34.236 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_4/densenet-121-tf_1.so
	batch_size =  4: latency = 0.107 s, FPS = 37.317 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_8/densenet-121-tf_1.so
	batch_size =  8: latency = 0.225 s, FPS = 35.449 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_16/densenet-121-tf_1.so
	batch_size = 16: latency = 0.466 s, FPS = 34.291 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_1/densenet-121-tf_2.so
	batch_size =  1: latency = 0.025 s, FPS = 39.801 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_2/densenet-121-tf_2.so
	batch_size =  2: latency = 0.055 s, FPS = 36.527 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_4/densenet-121-tf_2.so
	batch_size =  4: latency = 0.101 s, FPS = 39.674 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_8/densenet-121-tf_2.so
	batch_size =  8: latency = 0.215 s, FPS = 37.246 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_16/densenet-121-tf_2.so
	batch_size = 16: latency = 0.447 s, FPS = 35.661 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_1/densenet-121-tf_3.so
	batch_size =  1: latency = 0.020 s, FPS = 48.762 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_2/densenet-121-tf_3.so
	batch_size =  2: latency = 0.048 s, FPS = 42.029 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_4/densenet-121-tf_3.so
	batch_size =  4: latency = 0.086 s, FPS = 46.306 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_8/densenet-121-tf_3.so
	batch_size =  8: latency = 0.184 s, FPS = 43.582 frames/s
Load model: ../public/densenet-121-tf/tvm/bs_16/densenet-121-tf_3.so
	batch_size = 16: latency = 0.379 s, FPS = 42.201 frames/s
Searching parameters for MobileNet-v3-large...
Number of available images: 64
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_1/mobilenet_v3_large_224_1.0_float_0.so
	batch_size =  1: latency = 0.007 s, FPS = 134.682 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_2/mobilenet_v3_large_224_1.0_float_0.so
	batch_size =  2: latency = 0.014 s, FPS = 138.774 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_4/mobilenet_v3_large_224_1.0_float_0.so
	batch_size =  4: latency = 0.028 s, FPS = 140.853 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_8/mobilenet_v3_large_224_1.0_float_0.so
	batch_size =  8: latency = 0.062 s, FPS = 129.906 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_16/mobilenet_v3_large_224_1.0_float_0.so
	batch_size = 16: latency = 0.136 s, FPS = 117.949 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_1/mobilenet_v3_large_224_1.0_float_1.so
	batch_size =  1: latency = 0.006 s, FPS = 161.448 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_2/mobilenet_v3_large_224_1.0_float_1.so
	batch_size =  2: latency = 0.012 s, FPS = 168.474 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_4/mobilenet_v3_large_224_1.0_float_1.so
	batch_size =  4: latency = 0.022 s, FPS = 181.243 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_8/mobilenet_v3_large_224_1.0_float_1.so
	batch_size =  8: latency = 0.048 s, FPS = 167.869 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_16/mobilenet_v3_large_224_1.0_float_1.so
	batch_size = 16: latency = 0.100 s, FPS = 160.134 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_1/mobilenet_v3_large_224_1.0_float_2.so
	batch_size =  1: latency = 0.006 s, FPS = 160.959 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_2/mobilenet_v3_large_224_1.0_float_2.so
	batch_size =  2: latency = 0.012 s, FPS = 168.155 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_4/mobilenet_v3_large_224_1.0_float_2.so
	batch_size =  4: latency = 0.022 s, FPS = 180.756 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_8/mobilenet_v3_large_224_1.0_float_2.so
	batch_size =  8: latency = 0.048 s, FPS = 168.204 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_16/mobilenet_v3_large_224_1.0_float_2.so
	batch_size = 16: latency = 0.100 s, FPS = 160.239 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_1/mobilenet_v3_large_224_1.0_float_3.so
	batch_size =  1: latency = 0.003 s, FPS = 326.778 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_2/mobilenet_v3_large_224_1.0_float_3.so
	batch_size =  2: latency = 0.007 s, FPS = 303.100 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_4/mobilenet_v3_large_224_1.0_float_3.so
	batch_size =  4: latency = 0.013 s, FPS = 309.630 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_8/mobilenet_v3_large_224_1.0_float_3.so
	batch_size =  8: latency = 0.026 s, FPS = 312.914 frames/s
Load model: ../public/mobilenet-v3-large-1.0-224-tf/tvm/bs_16/mobilenet_v3_large_224_1.0_float_3.so
	batch_size = 16: latency = 0.056 s, FPS = 284.467 frames/s

Для наглядности полученных результатов построим на одной диаграмме графики зависимости FPS от размера пачки входных данных для каждого фиксированного уровня оптимизации модели.

In [16]:
colors = ['teal', 'skyblue', 'steelblue', 'maroon']
markers = ['o', 'd', 's', 'v']
linestyles = ['solid', 'dotted', 'dashed', 'dashdot']
labels = ['opt_level=0', 'opt_level=1', 'opt_level=2', 'opt_level=3']

def draw_tvm_fps(tvm_results, title):
    fig, axs = plt.subplots()
    plt.grid(True)
    line_idx = 0
    for opt_level, bs_results in tvm_results.items():
        x = list(bs_results.keys())
        y = list(bs_results.values())
        axs.plot(x, y, marker=markers[line_idx], color=colors[line_idx],
                 linestyle=linestyles[line_idx], label=labels[line_idx])
        line_idx += 1
        for i, j in zip(x, y):
            if i == 1:
                axs.annotate(f'{j:.2f}', xy=(i-0.1,j), ha='right', va='center', fontsize=10)
            elif i != 2:
                axs.annotate(f'{j:.2f}', xy=(i,j+0.01), ha='right', va='bottom', fontsize=10)
    axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
    axs.set_ylabel('FPS', fontsize=12, fontweight="bold")
    axs.set_title(title, fontsize=12, fontweight="bold")
    axs.set_xlim(-1, 17)
    plt.legend(loc='upper right', ncols=1, fontsize=11)
    plt.show()

draw_tvm_fps(densenet121_tvm_fps, 'DenseNet-121, Apache TVM')
draw_tvm_fps(mnetv3large_tvm_fps, 'MobileNet-v3-large, Apache TVM')

Выводы из построенных графиков: лучшие показатели производительности вывода независимо от модели получены с использованием оптимизированной модели с opt_level=3.

10.4. Определение оптимальных параметров вывода с использованием TensorFlow Lite

Для TensorFlow Lite необходимо сравнивать производительность вывода при разных размерах входной пачки данных и разном количестве потоков, исполняемых параллельно, и подбирать оптимальные значения параметров.

In [17]:
# функция запуска тестов производительности для разных размеров входных пачек данных
# при разном количестве потоков
def tflite_perf_tests(model_tflite, batch_sizes, num_threads, iter_num, files, images):
    # словарь "количество потоков" - словарь "размер пачки" - "латентность"
    tflite_latency = dict()
    # словарь "количество потоков" - словарь "размер пачки" - "FPS"
    tflite_fps = dict()
    # цикл по количеству потоков
    for nthreads in num_threads:
        print(f'Number of threads: {nthreads}')
        # словарь "размер пачки" - "латентность"
        tflite_nt_latency = dict()
        # словарь "размер пачки" - "FPS"
        tflite_nt_fps = dict()
        # цикл по размерам пачек данных
        for batch_size in batch_sizes:
            input_shape = [batch_size, 224, 224, 3]
            # подготовка модели (загрузка и масштабирование входа)
            model_interpreter = tflite.Interpreter(model_path=model_tflite,
                                                   num_threads=nthreads)
            input_details = model_interpreter.get_input_details()
            model_interpreter.resize_tensor_input(input_details[0]['index'], input_shape)
            model_interpreter.allocate_tensors()
            # запуск теста производительности для фиксированного размера пачки данных
            _, latency, fps = inference_tflite_perf(iter_num, batch_size, files, images,
                                                    model_interpreter)
            # сохранение результатов производительности в словари
            tflite_nt_latency[batch_size] = latency
            tflite_nt_fps[batch_size] = fps
            # вывод показателей производительности
            print(f'\tbatch_size = {batch_size:2}: latency = {latency:.3f} s, '
                  f'FPS = {fps:.3f} frames/s')
        tflite_latency[nthreads] = tflite_nt_latency
        tflite_fps[nthreads] = tflite_nt_fps
    return tflite_latency, tflite_fps


print('Searching parameters for DenseNet-121...')
# Параметры предобработки изображения для DenseNet-121
mean = (123.68, 116.78, 103.94)
scale = (58.395, 57.12, 57.375)
bgr_to_rgb = True
# Загрузка и предварительная обработка изображений
model_tflite = '../public/densenet-121-tf/densenet-121.tflite'
files, images = prepare_input(images_dir, input_shape[1:3], 
                              mean, scale, bgr_to_rgb)
# Запуск экспериментов для DenseNet-121
densenet121_tflite_latency, densenet121_tflite_fps = tflite_perf_tests(
    model_tflite, batch_sizes, num_threads,iter_num, files, images)


print('Searching parameters for MobileNet-v3-large...')
# Параметры предобработки изображения для MobileNet-v3-large
mean = (0, 0, 0)
scale = (1, 1, 1)
bgr_to_rgb = True
# Загрузка и предварительная обработка изображений
model_tflite = '../public/mobilenet-v3-large-1.0-224-tf/mobilenet_v3_large_224_1.0_float.tflite'
files, images = prepare_input(images_dir, input_shape[1:3], 
                              mean, scale, bgr_to_rgb)
# Запуск экспериментов для MobileNet-v3-large
mnetv3large_tflite_latency, mnetv3large_tflite_fps = tflite_perf_tests(
    model_tflite, batch_sizes, num_threads, iter_num, files, images)
Searching parameters for DenseNet-121...
Number of available images: 64
Number of threads: 1
	batch_size =  1: latency = 0.073 s, FPS = 13.703 frames/s
	batch_size =  2: latency = 0.148 s, FPS = 13.467 frames/s
	batch_size =  4: latency = 0.302 s, FPS = 13.242 frames/s
	batch_size =  8: latency = 0.620 s, FPS = 12.848 frames/s
	batch_size = 16: latency = 1.274 s, FPS = 12.526 frames/s
Number of threads: 2
	batch_size =  1: latency = 0.038 s, FPS = 26.120 frames/s
	batch_size =  2: latency = 0.078 s, FPS = 25.732 frames/s
	batch_size =  4: latency = 0.158 s, FPS = 25.350 frames/s
	batch_size =  8: latency = 0.325 s, FPS = 24.592 frames/s
	batch_size = 16: latency = 0.672 s, FPS = 23.782 frames/s
Number of threads: 4
	batch_size =  1: latency = 0.023 s, FPS = 42.913 frames/s
	batch_size =  2: latency = 0.044 s, FPS = 45.360 frames/s
	batch_size =  4: latency = 0.089 s, FPS = 45.246 frames/s
	batch_size =  8: latency = 0.166 s, FPS = 46.678 frames/s
	batch_size = 16: latency = 0.344 s, FPS = 46.515 frames/s
Number of threads: 8
	batch_size =  1: latency = 9.505 s, FPS = 0.105 frames/s
	batch_size =  2: latency = 9.535 s, FPS = 0.210 frames/s
	batch_size =  4: latency = 9.545 s, FPS = 0.419 frames/s
	batch_size =  8: latency = 9.541 s, FPS = 0.841 frames/s
	batch_size = 16: latency = 9.546 s, FPS = 1.677 frames/s
Searching parameters for MobileNet-v3-large...
Number of available images: 64
Number of threads: 1
	batch_size =  1: latency = 0.007 s, FPS = 140.501 frames/s
	batch_size =  2: latency = 0.014 s, FPS = 140.809 frames/s
	batch_size =  4: latency = 0.027 s, FPS = 150.793 frames/s
	batch_size =  8: latency = 0.056 s, FPS = 143.646 frames/s
	batch_size = 16: latency = 0.121 s, FPS = 131.792 frames/s
Number of threads: 2
	batch_size =  1: latency = 0.005 s, FPS = 220.274 frames/s
	batch_size =  2: latency = 0.008 s, FPS = 255.299 frames/s
	batch_size =  4: latency = 0.014 s, FPS = 291.008 frames/s
	batch_size =  8: latency = 0.029 s, FPS = 271.588 frames/s
	batch_size = 16: latency = 0.064 s, FPS = 248.617 frames/s
Number of threads: 4
	batch_size =  1: latency = 0.003 s, FPS = 385.161 frames/s
	batch_size =  2: latency = 0.005 s, FPS = 399.855 frames/s
	batch_size =  4: latency = 0.008 s, FPS = 488.411 frames/s
	batch_size =  8: latency = 0.016 s, FPS = 502.367 frames/s
	batch_size = 16: latency = 0.034 s, FPS = 469.852 frames/s
Number of threads: 8
	batch_size =  1: latency = 2.858 s, FPS = 0.350 frames/s
	batch_size =  2: latency = 3.179 s, FPS = 0.630 frames/s
	batch_size =  4: latency = 3.102 s, FPS = 1.293 frames/s
	batch_size =  8: latency = 3.177 s, FPS = 2.528 frames/s
	batch_size = 16: latency = 3.174 s, FPS = 5.075 frames/s

Для наглядности полученных результатов построим на одной диаграмме графики зависимости FPS от размера входной пачки данных при разных значениях числа потоков.

In [18]:
colors = ['teal', 'skyblue', 'steelblue', 'maroon']
markers = ['o', 'd', 's', 'v']
linestyles = ['solid', 'dotted', 'dashed', 'dashdot']
labels = ['nthreads=1', 'nthreads=2', 'nthreads=4', 'nthreads=8']

def draw_tflite_fps(tflite_fps, title):
    fig, axs = plt.subplots()
    plt.grid(True)
    line_idx = 0
    ymax = 0
    for nthreads, bs_fps in tflite_fps.items():
        x = list(bs_fps.keys())
        y = list(bs_fps.values())
        ymax = max(ymax, max(y))
        axs.plot(x, y, marker=markers[line_idx], color=colors[line_idx],
                 linestyle=linestyles[line_idx], label=labels[line_idx])
        line_idx += 1
        for i, j in zip(x, y):
            if i != 1:
                if nthreads == 1:
                    axs.annotate(f'{j:.2f}', xy=(i,j-0.2), ha='left', va='top', fontsize=10)
                else:
                    axs.annotate(f'{j:.2f}', xy=(i,j+0.2), ha='left', va='bottom', fontsize=10)
    axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
    axs.set_ylabel('FPS', fontsize=12, fontweight="bold")
    axs.set_title(title, fontsize=12, fontweight="bold")
    axs.set_xlim(0, 18)
    step = int(ymax) / 10
    if step >= 10:
        ymax += 150
    else:
        ymax += 20
    axs.set_ylim(-step / 2, int(ymax))
    plt.legend(loc='upper left', ncols=2, fontsize=11)
    plt.show()


draw_tflite_fps(densenet121_tflite_fps, 'DenseNet-121, TensorFlow Lite')
draw_tflite_fps(mnetv3large_tflite_fps, 'MobileNet-v3-large, TensorFlow Lite')

Вывода из построенных графиков: лучшие показатели производительности для обеих рассматриваемых моделей получены при числе потоков, равном 4.

10.5. Сравнение показателей производительности

In [19]:
def draw_best_lines(best_tvm_fps, tvm_params, best_tflite_fps, tflite_params, title):
    fig, axs = plt.subplots()
    plt.grid(True)
    
    axs.plot(best_tvm_fps.keys(), best_tvm_fps.values(), marker='o', color='teal',
             linestyle='solid', label=f'Apache TVM ({tvm_params})')
    for i, j in zip(best_tvm_fps.keys(), best_tvm_fps.values()):
        axs.annotate(f'{j:.2f}', xy=(i,j+1), ha='center', va='bottom', fontsize=10)
    ymax_id = max(best_tvm_fps, key=best_tvm_fps.get)
    ymax = best_tvm_fps[ymax_id]

    axs.plot(best_tflite_fps.keys(), best_tflite_fps.values(), marker='d', color='maroon',
             linestyle='dashed', label=f'TensorFlow Lite ({tflite_params})')
    for i, j in zip(best_tflite_fps.keys(), best_tflite_fps.values()):
        axs.annotate(f'{j:.2f}', xy=(i,j+1), ha='center', va='bottom', fontsize=10)
    ymax_id = max(best_tflite_fps, key=best_tflite_fps.get)
    ymax = max(ymax, best_tflite_fps[ymax_id])

    axs.set_xlabel('Batch size', fontsize=12, fontweight="bold")
    axs.set_ylabel('FPS', fontsize=12, fontweight="bold")
    axs.set_title(title, fontsize=12, fontweight="bold")
    axs.set_xlim(0, 18)
    step = int(ymax) / 10
    if step >= 10:
        ymax += 150
    else:
        ymax += 15
    axs.set_ylim(0, ymax+step)
    plt.legend(loc='upper left', ncols=1, fontsize=11)
    plt.show()

def calc_average_diff(tvm_fps, tflite_fps, model_name):
    diff = 0
    for batch_size in batch_sizes:
        diff += tflite_fps[batch_size] / tvm_fps[batch_size]
    print(f'Average relative difference for {model_name}: {diff / len(batch_sizes):.2f}') 


# Лучшие показатели FPS для модели DenseNet-121
# лучшая кривая зависимости FPS от размера пачки данных при opt_level=3
best_tvm_fps = densenet121_tvm_fps[3]
# лучшая кривая зависимости FPS от размера пачки данных при nthreads=4
best_tflite_fps = densenet121_tflite_fps[4]
# отображение лучших результатов
draw_best_lines(best_tvm_fps, 'opt_level=3', best_tflite_fps, 'nthreads=4', 'DenseNet-121')
calc_average_diff(best_tvm_fps, best_tflite_fps, 'DenseNet-121')


# Лучшие показатели FPS для модели MobileNet-v3-large
# лучшая кривая зависимости FPS от размера пачки данных при opt_level=3
best_tvm_fps = mnetv3large_tvm_fps[3]
# лучшая кривая зависимости FPS от размера пачки данных при nthreads=4
best_tflite_fps = mnetv3large_tflite_fps[4]
# отображение лучших результатов
draw_best_lines(best_tvm_fps, 'opt_level=3', best_tflite_fps, 'nthreads=4', 'MobileNet-v3-large')
calc_average_diff(best_tvm_fps, best_tflite_fps, 'MobileNet-v3-large')
Average relative difference for DenseNet-121: 1.02
Average relative difference for MobileNet-v3-large: 1.47

Выводы: Apache TVM отстает от TensorFlow Lite при выводе модели DenseNet-121 в среднем в 1.02 раза (небольшое отставание наблюдается с увеличением размера пачки данных), при выводе MobileNet-v3-large -- в среднем в 1.47 раза.