了解如何在MATLAB中量化、校准和验证深度神经网络®使用白盒方法在性能和精度之间进行权衡,然后将量化DNN部署到嵌入式GPU和FPGA硬件板上。
使用深度学习工具箱™模型量化库,您可以量化深度神经网络,如Squeezenet。在校准过程中,该工具收集权重、偏差和激活所需的范围,然后提供可视化,表示校准的动态范围的直方图分布(以两倍刻度为单位)。然后,您可以使用GPU Coder™将量化网络部署到NVIDIA®杰森®AGX Xavier实现了2倍的性能加速和4倍的内存使用减少,与单精度实现相比,只有约3%的top-1精度损失。
了解如何使用该工具将网络量化并部署到Xilinx®ZCU102板连接高速摄像机。原始深度神经网络的吞吐量为45帧/秒。使用深度学习工具箱模型量化库,您可以将网络量化到INT8,将吞吐量提高到每秒139帧,同时保持正确的预测结果。
在这个演示中,我们将展示量化深度学习网络的工作流程,并将它们部署到MATLAB中的gpu和fpga中。
将深度学习网络部署到边缘设备是一个挑战,因为深度学习网络可能是相当计算密集型的。例如,像AlexNet这样的简单网络超过200 MB,而像vg -16这样的更大的网络超过500 MB。
量化有助于减少网络的规模,将网络中使用的浮点值转换为更小的位宽,同时保持精度损失最小。
从R2020a开始,我们发布了使用白盒、易于使用的迭代工作流量化深度学习算法的能力。这种方法可以帮助您在性能和准确性之间进行权衡。
为了了解这个工作流程的实际情况,让我们举一个检测在制造过程中可能发现的螺母和螺栓缺陷的例子。
假设这是检查生产线的一部分,所以我们需要使用高速摄像机以120帧/秒的速度处理。
系统工程的需求将涉及精度、网络延迟和总体硬件成本等指标。
在网络的设计和实现过程中,它们经常驱动选择的权衡。
这个应用程序包括……
1)调整大小和选择感兴趣区域的预处理逻辑,…
2)利用预先训练的网络来检测零件的缺陷或无缺陷,…
3)最后进行后期处理,在屏幕上标注结果。
让我们通过研究嵌入式gpu的部署来开始量化工作流。
量化并部署到运行在NVIDIA Jetson AGX Xavier上的gpu上,实现了2倍的性能速度和4倍的内存减少,与单精度实现相比,只有大约3%的top-1精度损失。
这个示例使用的是Squeezenet,它消耗了5 MB的磁盘内存。
首先,我们先从扩展管理器下载深度学习量化支持包,然后启动应用程序。金宝app
一旦我们加载网络来量化GPU目标,我们就可以使用已经设置好的数据存储进行校准。校准通过网络运行一组图像,以收集权重、偏差和激活所需的范围。
可视化表示的直方图分布的校准动态范围的幂二比例尺。直方图中的灰色部分表示量化类型不能表示的数据,而蓝色部分表示量化类型可以表示的数据。最后,颜色越深代表频率越高。
如果这是可以接受的,我们将网络量化并加载一个数据存储以验证量化网络的准确性。
这是结果。与原来的浮点网络相比,在桌面GPU上测量时,内存减少了74%,并且没有损失顶级精度。
一旦我们验证了结果并导出了dlquantizer工作流对象,我们就可以使用GPU编码器将量化网络部署到NVIDIA Jetson板上。
我们对defect .png进行推理,我们期望这个图像被归类为有缺陷的螺栓。
现在,让我们把注意力转向量化和将网络部署到Xilinx ZCU102板上。该网络使用34 MB内存用于可学习参数,运行时内存为200 MB。
通过这5行MATLAB代码,我们可以加载运行在ZCU102板上的单精度位流。我们看到它使用84 MB的内存,每秒45帧的吞吐量。这对我们的高速摄像机来说不够快。
让我们选择FPGA量化。
一旦量化工作流程完成,我们将把量化网络导出到MATLAB工作空间。
量化的网络需要运行在一个量化为INT8的处理器上,因此我们将使用下载的zcu102位流的INT8版本。
编译后,参数减少到68 MB,我们可以以每秒139帧的速度运行网络。我们也得到了正确的预测结果。
因此,正如你所看到的,深度学习量化应用程序可以帮助你减少gpu和fpga的深度学习网络的规模,同时最大限度地减少准确性的损失。如果您有兴趣了解更多,请查看R2020a或最新的R2020b中的深度学习工具箱模型量化库。
你也可以从以下列表中选择一个网站:
请选择中国网站(中文或英文),以获得最佳网站性能。MathWorks的其他国家站点并没有针对您所在位置的访问进行优化。