frugally deep 다운로드 - frugally deep 소스 코드 다운로드

frugally deep

C/C++

v0.16.0

다운로드

알뜰하게

C++에서 Keras 모델을 쉽게 사용하세요

소개

Keras/Python을 사용하여 모델을 구축/학습하시겠습니까? 그리고 애플리케이션을 TensorFlow에 연결하지 않고 C++에서 모델에 대한 예측(정방향 전달)을 실행하고 싶으신가요? 그렇다면 검소한 깊이가 바로 당신을 위한 것입니다.

알뜰하게

현대적이고 순수한 C++로 작성된 작은 헤더 전용 라이브러리입니다 .
통합하고 사용하기가 매우 쉽습니다.
FunctionalPlus, Eigen 및 json에만 의존하며 헤더 전용 라이브러리이기도 합니다.
순차 모델뿐만 아니라 기능적 API로 생성된 보다 복잡한 토폴로지를 가진 계산 그래프에 대한 추론( model.predict )을 지원합니다.
TensorFlow의 (작은) 하위 집합, 즉 예측을 지원하는 데 필요한 작업을 다시 구현합니다.
TensorFlow에 연결하는 것보다 바이너리 크기가 훨씬 작아집니다.
32비트 실행 파일로 컴파일된 경우에도 기본적으로 작동합니다. (물론 64비트도 괜찮습니다.)
im2col 입력 행렬을 구체화하지 않음으로써 컨볼루션 중에 추가 RAM을 일시적으로 할당(잠재적으로 큰 덩어리)하는 것을 방지합니다.
시스템에서 가장 강력한 GPU조차 완전히 무시하고 예측당 하나의 CPU 코어만 사용합니다. ;-)
그러나 하나의 CPU 코어에서는 매우 빠르며 여러 예측을 병렬로 실행할 수 있으므로 원하는 만큼 많은 CPU를 활용하여 애플리케이션/파이프라인의 전체 예측 처리량을 향상시킬 수 있습니다.

지원되는 레이어 유형

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

또한 지원됨

다중 입력 및 출력
중첩 모델
잔여 연결
공유 레이어
가변 입력 형태
임의의 복잡한 모델 아키텍처/계산 그래프
사용자 정의 레이어(사용자 정의 팩토리 함수를 load_model 에 전달)

현재 지원되지 않는 항목은 다음과 같습니다.

Conv2DTranspose (이유), Lambda (이유), 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 모델

용법

Keras/Python을 사용하여 평소처럼 모델을 빌드( model.compile(...) ), 훈련( model.fit(...) ) 및 테스트( model.evaluate(...) )하세요. 그런 다음 model.save('....keras') 사용하여 단일 파일에 저장합니다. 모델의 image_data_format 은 TensorFlow 백엔드를 사용할 때 기본값인 channels_last 여야 합니다. 다른 image_data_format 및 기타 백엔드로 생성된 모델은 지원되지 않습니다.
이제 keras_export/convert_model.py 사용하여 알뜰한 파일 형식으로 변환하세요.
마지막으로 이를 C++( fdeep::load_model(...) )로 로드하고 model.predict(...) 사용하여 데이터로 정방향 전달을 호출합니다.

다음 최소 예는 전체 워크플로를 보여줍니다.

 # 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 사용하면 테스트 사례(입력 및 해당 출력 값)가 자동으로 생성되어 모델과 함께 저장됩니다. fdeep::load_model 이 테스트를 실행하여 frugally-deep의 정방향 패스 결과가 Keras의 결과와 동일한지 확인합니다.

더 많은 통합 예시를 보려면 FAQ를 살펴보세요.