ONNX 浅析:如何加速深度学习算法工程化?
AlphaGo 击败围棋世界冠军李世石以来,关于人工智能和深度学习的研究呈现井喷之势。
各种新的算法和网络模型层出不穷,令人眼花缭乱。与之相随的,深度学习的训练和推理框架也在不断的推陈出新,比较著名的有:微软的 CNTK、Google 的 TensorFlow、Facebook 的 PyTorch、Apple 的 CoreML、Intel 的 OpenVINO、英伟达的 cuDNN 和 TensorRT、腾讯的 TNN 和 NCNN、阿里的 MNN 等等。
这些框架都有相似之处,他们的输入是一个或者一组多维数据,数据经过多层运算单元之后输出运算结果。训练框架支持 BackPropogation 等训练方法,可以自动调整模型参数,用于算法设计。推理框架则是单纯只能用于模型推理运算,不能调整模型本身,用于算法部署落地。
这些框架中,Google 的 TensorFlow 的这个名字尤其具有美感。多维数据是为张量(Tensor),数据在多层运算单元中的运算和传递是为流(FLow),看到这个词就仿佛看到了一个数据和运算的图(Computation Graph),真可谓妙手偶得之佳作。这些框架都需要构建算子,并且将这些算子按照一定的次序连接起来,可以称之为网络模型。
Why ONNX?
每个深度学习框架都有自己独有的格式来解释和存储网络模型,并且这些框架的侧重点不同,有些用于训练学习,有些用于部署推理。在深度学习算法开发中,在不同的阶段会选择不同的框架,所以模型描述格式的不同,在客观上造成了深度学习算法开发和落地的困难。
笔者之前曾开发深度神经网络算法,当时选择的训练框架是 Caffe,需要落地部署到 Linux、iOS、Android 等多个平台。Linux 选择的是 Nvidia 的 cuDNN;iOS 选择的是 CoreML;Android 选择的是 NNAPI,Caffe 的模型描述格式是 caffemodel。
它使用自定义的 Protobuf (https://github.com/BVLC/caffe/tree/master/src/caffe/proto),但是显然,无论是 cuDNN、CoreML、NNAPI 都无法直接使用 caffemodel,CoreML 的模型描述使用另一种定义 (https://apple.github.io/coremltools/mlmodel/index.html),cuDNN 和 NNAPI 都是 low-level 的推理引擎,需要使用者将这个模型组装起来。
对于 CoreML 来说,我们需要把 caffemodel 转为 coremlmodel 格式,对于 cuDNN 和 NNAPI,我们需要解析 caffemodel,然后自己组装出完整的网络模型。这个过程繁琐而且容易出错,当时有强烈的冲动,希望定义一个统一的模型描述格式,所有的训练框架训练所得的网络模型,都是用这个格式来描述,在设备上部署推理时,相应的推理引擎支持解析这个统一的描述格式,直接完成部署落地,岂不美哉。
当然此事并不容易,要定义个统一的模型描述格式,不仅仅需要对机器学习技术有深入的理解,而且将之推广成为事实上的行业标准,更需要有很大的行业影响力,并不是如笔者这样的无名小卒可以为之。所幸已经有社区在做这个事情了,这就是 Open Neural Network Exchange(ONNX)。
用 ONNX 自己的话来说,ONNX 是一个对计算网络(Computation Graph)的一个通用描述(Intermediate Representation)。它希望被设计成为开放的网络描述格式,减少开发者在各个训练和推理框架间切换的代价,可以让开发者专注于算法和优化。虽然 ONNX 还处于比较早期的阶段,不过已经有约来越多的人开始关注到它,未来会有机会得到更广泛的应用。
计算模型描述
ONNX 有两个分类:基础的 ONNX 主要用于描述神经网络、ONNX-ML 是对基础 ONNX 的扩展,增加了神经网络之外的其他机器学习算法的支持。本文不会涉及 ONNX-ML,接下来的文字以一个简单的 ONNX 模型为例,介绍一下 ONNX 是如何来描述一个计算网络的。该模型可以在 ONNX 的 Github 上下载(https://github.com/onnx/models/blob/master/vision/classification/mobilenet/model/mobilenetv2-7.onnx).
ONNX 的模型描述采用了 Google 的 Protocol Buffer 语言。最外层的结构是 ModelProto,ModelProto 的定义如下:
比较重要的字段有: lr_version : 当前的 ONNX 模型文件的版本, 目前发布的最新版本为 IR_VERSION_2019_3_18 = 6. 发布于 2019 年,版本 7 还在制定中. opset_import: 当前的模型文件所依赖的算子 domain 和版本. graph: 这个模型执行的运算图, 这个是最重要的字段.
GraphProto 的定义如下:
比较重要的字段有: initializer : 模型的每一网络层的参数, 模型训练完成之后参数就被固定下来. input : 模型的输入格式. output : 模型的输出格式. nodes : 定义了模型的所有运算模块, 依照推理的次序排布.
NodeProto 的定义如下:
比较重要的字段有: input : 输入参数的名字. output : 输出参数的名字, 这里需要留意的是, 每一个网络层之间的连接使用输入和输出的名字来确立的. op_type : 算子的类型. attributes : 算子的属性, 其解析取决于算子的类型.
ONNX 中最复杂的部分就是关于各种算子的描述, 这也可以理解, 构成神经网络的主体就是这些算子. attributes 就是算子的一组带名字的属性. 本文中, 我们介绍一个在 mobilenetv2-7.onnx 使用最多的算子: conv.
卷积神经网络在语音,图像,视频等处理上获得了巨大成功. ONNX 关于卷积网络层的属性定义主要有: dilations: 扩展卷积, 默认为 1, 即普通卷积. 其数学定义如下
普通卷积扩展卷积 group: 分组卷积, 其定义见文献 14. 默认为 1, 即不分组. kernel_shape: 定义了卷积核的大小. pads: 定义了上下左右填充的像素数. strides: 定义了卷积运算的步长。
ONNX 的支持情况
各家的训练和推理框架还在继续发展, ONNX 想成为行业标准显然还为时尚早, 但是目前尚没有看到其他更好的通用模型描述格式, 我们简单归纳一下现在的 ONNX 的支持情况(不完整):
Reference
[1] ONNX: https://github.com/onnx/onnx
[2] TENSORFLOW: https://www.tensorflow.org/
[3] CNTK: https://github.com/Microsoft/CNTK
[4] PYTORCH: https://pytorch.org/
[5] TNN: https://github.com/Tencent/TNN
[6] MNN: https://github.com/alibaba/MNN
[7] CUDNN: https://developer.nvidia.com/zh-cn/cudnn
[8] TENSORRT: https://developer.nvidia.com/zh-cn/tensorrt
[9] COREML: https://developer.apple.com/documentation/coreml
[10] NCNN: https://github.com/Tencent/ncnn
[11] NNAPI: https://developer.android.com/ndk/guides/neuralnetworks
[12] Protocol Buffers: https://developers.google.com/protocol-buffers
[13] Dilated Convolutions https://arxiv.org/abs/1511.07122
[14] Dynamic Group Convolutions https://arxiv.org/abs/2007.0424
版权声明: 本文为 InfoQ 作者【拍乐云Pano】的原创文章。
原文链接:【http://xie.infoq.cn/article/e164e773617e3fc65d2431dbc】。文章转载请联系作者。
评论