用于移动设备的框架TensorFlow Lite发布重大更新

TensorFlow用于移动设备的框架TensorFlow Lite发布重大更新，支持开发者使用手机等移动设备的GPU来提高模型推断速度。

在进行人脸轮廓检测的推断速度上，与之前使用CPU相比，使用新的GPU后端有不小的提升。在Pixel 3和三星S9上，提升程度大概为4倍，在iPhone 7上有大约有6倍。

为什么要支持GPU？

众所周知，使用计算密集的机器学习模型进行推断需要大量的资源。

但是移动设备的处理能力和功率都有限。虽然TensorFlow Lite提供了不少的加速途径，比如将机器学习模型转换成定点模型，但总是会在模型的性能或精度上做出让步。

而将GPU作为加速原始浮点模型的一种选择，不会增加量化的额外复杂性和潜在的精度损失。

在谷歌内部，几个月来一直在产品中使用GPU后端做测试。结果证明，的确可以加快复杂网络的推断速度。

在Pixel 3的人像模式（Portrait mode）中，与使用CPU相比，使用GPU的Tensorflow Lite，用于抠图/背景虚化的前景-背景分隔模型加速了4倍以上。新深度估计（depth estimation）模型加速了10倍以上。

在能够为视频增加文字、滤镜等特效的YouTube Stories和谷歌的相机AR功能Playground Stickers中，实时视频分割模型在各种手机上的速度提高了5-10倍。

对于不同的深度神经网络模型，使用新GPU后端，通常比浮点CPU快2-7倍。对4个公开模型和2个谷歌内部模型进行基准测试的效果如下：

使用GPU加速，对于更复杂的神经网络模型最为重要，比如密集的预测/分割或分类任务。

在相对较小的模型上，加速的效果就没有那么明显了，使用CPU反而有利于避免内存传输中固有的延迟成本。

如何使用？

安卓设备（用Java）中，谷歌已经发布了完整的Android Archive (AAR) ，其中包括带有GPU后端的TensorFlow Lite。

你可以编辑Gradle文件，用AAR替代当前的版本，并将下面的代码片段，添加到Java初始化代码中。

//InitializeinterpreterwithGPUdelegate.GpuDelegatedelegate=newGpuDelegate();Interpreter.Optionsoptions=(newInterpreter.Options()).addDelegate(delegate);Interpreterinterpreter=newInterpreter(model,options);//Runinference.while(true){writeToInputTensor(inputTensor);interpreter.run(inputTensor,outputTensor);readFromOutputTensor(outputTensor);}//Cleanup.delegate.close();在iOS设备（用C++）中，要先下载二进制版本的TensorFlowLite。然后更改代码，在创建模型后调用ModifyGraphWithDelegate()。//InitializeinterpreterwithGPUdelegate.std::unique_ptrinterpreter;InterpreterBuilder(model,op_resolver)(&interpreter);auto*delegate=NewGpuDelegate(nullptr);//defaultconfigif(interpreter->ModifyGraphWithDelegate(delegate)!=kTfLiteOk)returnfalse;//Runinference.while(true){WriteToInputTensor(interpreter->typed_input_tensor< float>(0));if(interpreter->Invoke()!=kTfLiteOk)returnfalse;ReadFromOutputTensor(interpreter->typed_output_tensor< float>(0));}//Cleanup.interpreter=nullptr;DeleteGpuDelegate(delegate);

（更多的使用教程，可以参见TensorFlow的官方教程，传送门在文末）

还在发展中

当前发布的，只是TensorFlow Lite的开发者预览版。

新的GPU后端，在安卓设备上利用的是OpenGL ES 3.1 Compute Shaders，在iOS上利用的是Metal Compute Shaders。

能够支持的GPU操作并不多。有：

ADD v1、AVERAGE_POOL_2D v1、CONCATENATION v1、CONV_2D v1、DEPTHWISE_CONV_2D v1-2、FULLY_CONNECTED v1、LOGISTIC v1

MAX_POOL_2D v1、MUL v1、PAD v1、PRELU v1、RELU v1、RELU6 v1、RESHAPE v1、RESIZE_BILINEAR v1、SOFTMAX v1、STRIDED_SLICE v1、SUB v1、TRANSPOSE_CONV v1

TensorFlow官方表示，未来将会扩大操作范围、进一步优化性能、发展并最终确定API。

完整的开源版本，将会在2019年晚些时候发布。

传送门

使用教程：

https://www.tensorflow.org/lite/performance/gpu

项目完整文档：

https://www.tensorflow.org/lite/performance/gpu_advanced

博客地址：

https://medium.com/tensorflow/tensorflow-lite-now-faster-with-mobile-gpus-developer-preview-e15797e6dee7