frugally deepダウンロード - frugally deepソースコードのダウンロード

frugally deep

C/C++

v0.16.0

ダウンロード

倹約深い

C++ で Keras モデルを簡単に使用する

導入

Keras/Python を使用してモデルを構築/トレーニングしたいですか?また、アプリケーションを TensorFlow にリンクせずに、C++ でモデルの予測 (フォワードパス) を実行したいですか?そんなあなたには、「質素にディープ」がぴったりです。

倹約深い

は、最新の純粋な C++ で書かれた小さなヘッダーのみのライブラリです。
統合と使用が非常に簡単です。
FunctionalPlus、Eigen、json のみに依存しており、これもヘッダーのみのライブラリです。
は、逐次モデルだけでなく、関数型 API で作成されたより複雑なトポロジを持つ計算グラフの推論 ( model.predict ) もサポートします。
TensorFlow の (小さい) サブセット、つまり予測をサポートするために必要な操作を再実装します。
TensorFlow に対してリンクするよりもバイナリサイズが大幅に小さくなります。
32 ビット実行可能ファイルにコンパイルした場合でも、すぐに使用できます。 (もちろん64bitでも大丈夫です。)
(im2col 入力行列を実体化しないことで) 畳み込み中に追加の RAM (潜在的に大きなチャンク) を一時的に割り当てることを回避します。
システム内の最も強力な GPU さえも完全に無視し、予測ごとに 1 つの CPU コアのみを使用します。 ;-)
ただし、1 つの CPU コアでは非常に高速であり、複数の予測を並行して実行できるため、好きなだけ CPU を利用して、アプリケーション/パイプラインの全体的な予測スループットを向上させることができます。

サポートされているレイヤーの種類

Add 、 Concatenate 、 Subtract 、 Multiply 、 Average 、 Maximum 、 Minimum 、 Dot
AveragePooling1D/2D/3D 、 GlobalAveragePooling1D/2D/3D
TimeDistributed
Conv1D/2D 、 SeparableConv2D 、 DepthwiseConv2D
Cropping1D/2D/3D 、 ZeroPadding1D/2D/3D 、 CenterCrop
BatchNormalization 、 Dense 、 Flatten 、 Normalization
Dropout 、 AlphaDropout 、 GaussianDropout 、 GaussianNoise
SpatialDropout1D 、 SpatialDropout2D 、 SpatialDropout3D
ActivityRegularization 、 LayerNormalization 、 UnitNormalization
RandomContrast 、 RandomFlip 、 RandomHeight
RandomRotation 、 RandomTranslation 、 RandomWidth 、 RandomZoom
MaxPooling1D/2D/3D 、 GlobalMaxPooling1D/2D/3D
ELU 、 LeakyReLU 、 ReLU 、 SeLU 、 PReLU
Sigmoid 、 Softmax 、 Softplus 、 Tanh
Exponential 、 GELU 、 Softsign 、 Rescaling
UpSampling1D/2D 、 Resizing
Reshape 、 Permute 、 RepeatVector
Embedding 、 CategoryEncoding
Attention 、 AdditiveAttention 、 MultiHeadAttention

こちらもサポート

複数の入力と出力
入れ子になったモデル
残りの接続
共有レイヤー
可変入力形状
任意の複雑なモデルアーキテクチャ/計算グラフ
カスタムレイヤー (カスタムファクトリ関数をload_modelに渡すことによって)

現在サポートされていないものは次のとおりです。

Conv2DTranspose (なぜ)、 Lambda (なぜ)、 Conv3D 、 ConvLSTM1D 、 ConvLSTM2D 、 Discretization 、 GRUCell 、 Hashing 、 IntegerLookup 、 LocallyConnected1D 、 LocallyConnected2D 、 LSTMCell 、 Masking 、 RepeatVector 、 RNN 、 SimpleRNN 、 SimpleRNNCell 、 StackedRNNCells 、 StringLookup 、 TextVectorization 、 Bidirectional 、 GRU 、 LSTM 、 CuDNNGRU 、 CuDNNLSTM 、 ThresholdedReLU 、 Upsampling3D 、 temporalモデル

使用法

いつものように、Keras/Python を使用してモデルをビルド ( model.compile(...) )、トレーニング ( model.fit(...) )、テスト ( model.evaluate(...) ) します。次に、 model.save('....keras')を使用して単一のファイルに保存します。モデルのimage_data_formatは、tensorFlow バックエンドを使用する場合のデフォルトであるchannels_lastである必要があります。異なるimage_data_formatおよび他のバックエンドで作成されたモデルはサポートされていません。
次に、 keras_export/convert_model.pyを使用して、倹約性の高いファイル形式に変換します。
最後に、これを C++ ( fdeep::load_model(...) ) にロードし、 model.predict(...)を使用してデータのフォワードパスを呼び出します。

次の最小限の例は、完全なワークフローを示しています。

 # create_model.py
import numpy as np
from tensorflow . keras . layers import Input , Dense
from tensorflow . keras . models import Model

inputs = Input ( shape = ( 4 ,))
x = Dense ( 5 , activation = 'relu' )( inputs )
predictions = Dense ( 3 , activation = 'softmax' )( x )
model = Model ( inputs = inputs , outputs = predictions )
model . compile ( loss = 'categorical_crossentropy' , optimizer = 'nadam' )

model . fit (
    np . asarray ([[ 1 , 2 , 3 , 4 ], [ 2 , 3 , 4 , 5 ]]),
    np . asarray ([[ 1 , 0 , 0 ], [ 0 , 0 , 1 ]]), epochs = 10 )

model . save ( 'keras_model.keras' )

python3 keras_export/convert_model.py keras_model.keras fdeep_model.json

 // main.cpp
# include < fdeep/fdeep.hpp >
int main ()
{
    const auto model = fdeep::load_model ( " fdeep_model.json " );
    const auto result = model. predict (
        { fdeep::tensor ( fdeep::tensor_shape ( static_cast <std:: size_t >( 4 )),
        std::vector< float >{ 1 , 2 , 3 , 4 })});
    std::cout << fdeep::show_tensors (result) << std::endl;
}

convert_model.pyを使用すると、テストケース (入力値と対応する出力値) が自動的に生成され、モデルとともに保存されます。 fdeep::load_modelこのテストを実行して、frugally-deep でのフォワードパスの結果が Keras での結果と同じであることを確認します。

その他の統合例については、FAQ をご覧ください。

要件とインストール

C++14互換コンパイラ: 次のバージョン以降のコンパイラは問題ありません: GCC 4.9、Clang 3.7 (libc++ 3.7)、Visual C++ 2015
Python 3.7以降
TensorFlow 2.17 (これらはテスト済みのバージョンですが、多少古いバージョンでも動作する可能性があります。)

frugally-deep をインストールするさまざまな方法のガイドは、 INSTALL.mdにあります。