OpenVINO整合TensorFlow实现推理加速
openlab_4276841a
更新于 2年前
作者： Arindam， Yamini， Mustafa， Ritesh， Priya， Chandrakant， Surya， Amar， Sesh
编译：李翊玮
技术的传播采用通常是由用户体验的飞跃引发的。例如，iPhone促使智能手机和“应用商店”的快速普及。最近，TensorFlow的易用性启动了人工智能的大规模增长，几乎触及了我们今天日常生活的方方面面。
OpenVINO™ 工具包重新定义了采用英特尔技术设备上的 AI 推理能力，并获得了广大开发人员采用。如今，成千上万的开发人员使用OpenVINO™工具包来加速几乎所有可以想象到的AI推理应用场景，从人类视觉仿真，自动语音识别，自然语言处理，推荐系统等等。该工具包基于最新一代的人工神经网络，包括卷积神经网络 （CNN）、基于循环和注意力的网络，扩展计算机视觉和非视觉工作负载，可跨英特尔®硬件（英特尔 CPU、英特尔集成显卡®、英特尔®神经计算棒 2 和英特尔®视觉加速器设计与英特尔® Movidius™ VPU）从而最大限度地提高性能。它通过从边缘部署到云的高性能、AI 和深度学习推理来加速应用。
我们很荣幸能与客户/开发者合作，为他们的成功做出贡献。透过不断倾听和创新，以满足他们不断变化的需求，同时也致力于提供世界一流的用户体验。因此，根据客户反馈，在OpenVINO™工具包的成功基础上，我们将OpenVINO™与TensorFlow*集成。
有在涉略AI边缘运算的各位们对于OpenVINO应该都有基础的了解：不同框架（如TensorFlow、PyTorch等）训练完成的模型文件在经由OpenVINO 转换后可以在不同边缘运算装置执行推理加速。
若笔者告诉各位，现不用经过模型转换可以直接在TensorFlow中推理时完成OpenVINO加速呢？
是的你没看错！英特尔在2021下半年推出的OpenVINO™ integration with TensorFlow（以下简称OVTF）能够实现在TensorFlow中介接 OpenVINO执行推理加速。
OpenVINO x TensorFlow 幸福来得太突然
对TensorFlow开发人员的好处：不须转换, 只需加2行代码即可加速其TensorFlow模型的推理速度。
OpenVINO™ 与 TensorFlow* 的集成提供了增强 TensorFlow 兼容性所需的 OpenVINO™ 工具包内联优化和run time。它专为使用OpenVINO™工具包的开发人员而设计 - 帮助提高其推理应用程序的性能 - 只需最少的代码修改。它可以加速各种英特尔®芯片上许多 AI 模型的推理，例如：
- 英特尔中央®处理器
- 英特尔®集成显卡
- 英特尔® Movidius™ 视觉处理单元 – 又称 VPU
- 采用 8 个英特尔® Movidius™ MyriadX VPC 的英特尔视觉加速器设计 - 称为 VAD-M 或 HDDL
利用此集成的开发人员可预期以下好处：
- 性能加速 - 与原本TensorFlow相比(取决于底层硬件配置)
- 精度 – 保持与原始模型几乎相同的精度。
- 简单性 – 继续使用 TensorFlow API 进行推理。无需重构代码。只需导入，启用和设置设备。
- 健壮性 – 旨在支持各种操作系统/Python 环境中的各种 TensorFlow 模型和运算符。
- 无缝加速 - 内联模型转换 – 无需模型转换。
- 轻量级占用空间 – 所需的增量内存和磁盘占用空间极小。
- 支持广泛的英特尔产品 – CPU、iGPU、VPU （Myriad-X）。
注意：为获得最佳性能、效率、工具定制和硬件控制，我们建议采用本机 OpenVINO™ API 及其run time运行。
如何实现？
开发人员可通过将以下两行代码添加到他们的Python代码或Jupyter Notebooks中来大大加快TensorFlow模型的推理。
1. import openvino_tensorflow
2. openvino_tensorflow.set_backend（'<backend_name>'）
支持的后端<backend_name>包括“CPU”，“GPU”，“MYRIAD”和“VAD-M”。参见图1。
上面第一行严格来说不算指令，只汇入了OpenVINO整合TensorFlow套件。 而第二行呼叫了openvino_tensorflow设定后端运算硬件的指令，其中带入的参数可以设定为CPU（Intel 处理器）、GPU（Intel 处理器中的集成式显卡）、MYRIAD（AI加速芯片VPU）等。 如此一来就已完成TensorFlow推理加速了。
示例代码：
以下是OpenVINO™与TensorFlow*集成的示例：
图 1
它是如何达成的？
而其特别之处从架构图看来可以得知在原始TenorFlow与OpenVINO toolkit之间多增加了Operator Capability Manager （OCM）、Graph Partitioner、 TensorFlow Importer与Backend Manager，让前述二者可以浑然天成的结合在一起。简单来说在执行推理时会对神经网络各个运算进行判读，是否能够透过OpenVINO进行加速，并让其对应到OpenVINO 的相应的运算子，最后分配到指定的后端硬件进行运算，反之若是不行加速的运算则让其返回在 TensorFlow中处理。
各别功能作用细节可从github repo与说明文件进行深入探究。 若不了解这些技术细节也不要紧，参考模型支持文件可以得知各个TensorFlow模型（包含TF-Slim Classification、Object Detecion、 TF- Hub等众多来源）的支持程度，或是跟着我们接下来的步骤进行体验一番！
图2：OpenVINO™ integration with TensorFlow架構圖
（https://github.com/openvinotoolkit/openvino_tensorflow/blob/master/docs/ARCHITECTURE.md）
OpenVINO™ 与 TensorFlow* 的集成通过将 TensorFlow 图有效地划分为多个子图来提供加速的 TensorFlow 性能，然后将这些子图调度到 TensorFlow 运行时或 OpenVINO™ 运行时以实现最佳加速推理。最终组合出最终的推理结果。
图 3：工作流的端到端概述
在边缘和云端部署
OpenVINO™ 与 TensorFlow 的集成适用于从云到边缘的各种环境，只要底层硬件是英特尔平台即可。适用于以下云平台：
支持任何基于 AI 的边缘设备。
示例在 gitrepo的示例/ 目录中提供。
这与使用原生OpenVINO™工具包有何不同：
OpenVINO™ 与 TensorFlow* 的集成使 TensorFlow 开发人员能够以非常快速简便的方式加速其 TensorFlow 模型推理 - 只需 2 行代码。OpenVINO™模型优化器可加速推理性能，以及丰富的集成开发人员工具和高级功能，但如前所述，为了获得最佳性能，效率，工具定制和硬件控制，我们建议使用本机OpenVINO™ API及run time运行。
案例
以下客户正在将OpenVINO™集成用于TensorFlow用于各种用例。以下是一些示例
1. Extreme Vision（极视角）：极视角 的 CV MART 等专用 AI 云 可帮助数十万开发人员提供丰富的服务、模型和框架目录，从而在各种英特尔平台（如 CPU 和 iGPU）上进一步优化其 AI 工作负载。与 AI 框架（如 OpenVINO™ 与 TensorFlow* 的集成）正确集成的易于使用的开发人员工具包可加速模型，从而提供两全其美的优势 - 提高推理速度以及以最小的更改重用已创建的 AI 推理代码的能力。Extreme Vision团队正在测试OpenVINO™与TensorFlow*的集成，目标是在Extreme Vision平台上为TensorFlow开发人员提供支持。
2. CNNScoreVariants是GATK中包含的深度学习工具之一，它应用卷积神经网络来过滤带注释的变体。在一篇博客中，Broad Institute展示了如何使用OpenVINO™与TensorFlow*集成来进一步加速CNNScoreVariants的推理性能。
结论
现在，您已了解了其优势、工作原理、部署环境以及 OpenVINO 与 TensorFlow 的集成与使用原生 OpenVINO API 的不同之处，相信你已迫不及待地想亲自尝试将 OpenVINO 与 TensorFlow 集成，并在英特尔平台上体验 AI 模型的推理性能提升。与往常一样，我们很乐意听到您对此集成的反馈，请通过 OpenVINO-tensorflow@intel.com 与我们联系或在gitrepo中提出问题。谢谢！