Submit Search
Upload
DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployする
•
4 likes
•
4,141 views
tomohiro kato
Follow
2018/02/08 DeNA TechCon 2018 Casual Talk での発表資料です。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 16
Download now
Download to read offline
Recommended
Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用
Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用
Preferred Networks
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
Preferred Networks
20170419PFNオープンハウス リサーチャーの仕事_公開用
20170419PFNオープンハウス リサーチャーの仕事_公開用
Preferred Networks
ディープラーニングの最新動向
ディープラーニングの最新動向
Preferred Networks
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
Shohei Hido
エヌビディアのディープラーニング戦略
エヌビディアのディープラーニング戦略
NVIDIA Japan
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
NVIDIA Japan
Kubernetesによる機械学習基盤への挑戦
Kubernetesによる機械学習基盤への挑戦
Preferred Networks
Recommended
Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用
Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用
Preferred Networks
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
【参考文献追加】20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
Preferred Networks
20170419PFNオープンハウス リサーチャーの仕事_公開用
20170419PFNオープンハウス リサーチャーの仕事_公開用
Preferred Networks
ディープラーニングの最新動向
ディープラーニングの最新動向
Preferred Networks
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
Software for Edge Heavy Computing @ INTEROP 2016 Tokyo
Shohei Hido
エヌビディアのディープラーニング戦略
エヌビディアのディープラーニング戦略
NVIDIA Japan
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
NVIDIA Japan
Kubernetesによる機械学習基盤への挑戦
Kubernetesによる機械学習基盤への挑戦
Preferred Networks
fpgax #11+TFUG ハード部:DNN専用ハードについて語る会-2019-02-02 MN-coreについて 金子 紘也
fpgax #11+TFUG ハード部:DNN専用ハードについて語る会-2019-02-02 MN-coreについて 金子 紘也
Preferred Networks
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
株式会社メタップスホールディングス
マシンパーセプション研究におけるChainer活用事例
マシンパーセプション研究におけるChainer活用事例
nlab_utokyo
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太
Preferred Networks
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
NVIDIA Japan
実用としての深層学習 ~深層学習の利用事例と展望~
実用としての深層学習 ~深層学習の利用事例と展望~
Hirono Jumpei
ICLR読み会 奥村純 20170617
ICLR読み会 奥村純 20170617
Jun Okumura
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
Preferred Networks
NIPS2015概要資料
NIPS2015概要資料
Shohei Hido
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
Preferred Networks
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
Yusuke Uchida
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
Ryosuke Okuta
2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase
Tatsuya Shirakawa
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
Shohei Hido
Deep learningの概要とドメインモデルの変遷
Deep learningの概要とドメインモデルの変遷
Taiga Nomi
NeurIPS2021読み会 Fairness in Ranking under Uncertainty
NeurIPS2021読み会 Fairness in Ranking under Uncertainty
Tatsuya Shirakawa
Deep Learning Lab コミュニティ 企画概要
Deep Learning Lab コミュニティ 企画概要
Hirono Jumpei
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
DeNA
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
Preferred Networks
IoT 入門 ~ .NET Gadgeteer で簡単プログラミング
IoT 入門 ~ .NET Gadgeteer で簡単プログラミング
Yoshitaka Seo
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
Daiyu Hatakeyama
More Related Content
What's hot
fpgax #11+TFUG ハード部:DNN専用ハードについて語る会-2019-02-02 MN-coreについて 金子 紘也
fpgax #11+TFUG ハード部:DNN専用ハードについて語る会-2019-02-02 MN-coreについて 金子 紘也
Preferred Networks
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
株式会社メタップスホールディングス
マシンパーセプション研究におけるChainer活用事例
マシンパーセプション研究におけるChainer活用事例
nlab_utokyo
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太
Preferred Networks
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
NVIDIA Japan
実用としての深層学習 ~深層学習の利用事例と展望~
実用としての深層学習 ~深層学習の利用事例と展望~
Hirono Jumpei
ICLR読み会 奥村純 20170617
ICLR読み会 奥村純 20170617
Jun Okumura
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
Preferred Networks
NIPS2015概要資料
NIPS2015概要資料
Shohei Hido
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
Preferred Networks
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
Yusuke Uchida
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
Ryosuke Okuta
2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase
Tatsuya Shirakawa
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
Shohei Hido
Deep learningの概要とドメインモデルの変遷
Deep learningの概要とドメインモデルの変遷
Taiga Nomi
NeurIPS2021読み会 Fairness in Ranking under Uncertainty
NeurIPS2021読み会 Fairness in Ranking under Uncertainty
Tatsuya Shirakawa
Deep Learning Lab コミュニティ 企画概要
Deep Learning Lab コミュニティ 企画概要
Hirono Jumpei
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
DeNA
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
Preferred Networks
What's hot
(20)
fpgax #11+TFUG ハード部:DNN専用ハードについて語る会-2019-02-02 MN-coreについて 金子 紘也
fpgax #11+TFUG ハード部:DNN専用ハードについて語る会-2019-02-02 MN-coreについて 金子 紘也
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
マシンパーセプション研究におけるChainer活用事例
マシンパーセプション研究におけるChainer活用事例
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
実用としての深層学習 ~深層学習の利用事例と展望~
実用としての深層学習 ~深層学習の利用事例と展望~
ICLR読み会 奥村純 20170617
ICLR読み会 奥村純 20170617
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
NIPS2015概要資料
NIPS2015概要資料
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
深層学習を用いたコンピュータビジョン技術と運転行動モニタリングへの応用
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
Deep learningの概要とドメインモデルの変遷
Deep learningの概要とドメインモデルの変遷
NeurIPS2021読み会 Fairness in Ranking under Uncertainty
NeurIPS2021読み会 Fairness in Ranking under Uncertainty
Deep Learning Lab コミュニティ 企画概要
Deep Learning Lab コミュニティ 企画概要
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
深層学習を用いたコンピュータビジョン技術とスマートショップの実現
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
20180115_東大医学部機能生物学セミナー_深層学習の最前線とこれから_岡野原大輔
Similar to DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployする
IoT 入門 ~ .NET Gadgeteer で簡単プログラミング
IoT 入門 ~ .NET Gadgeteer で簡単プログラミング
Yoshitaka Seo
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
Daiyu Hatakeyama
「関心の分離」と「疎結合」 ソフトウェアアーキテクチャのひとかけら
「関心の分離」と「疎結合」 ソフトウェアアーキテクチャのひとかけら
Atsushi Nakamura
イントロダクション(分散アーキテクチャ時代におけるWebシステムの開発と運用) #seccamp
イントロダクション(分散アーキテクチャ時代におけるWebシステムの開発と運用) #seccamp
Masahiro NAKAYAMA
BigQueryを活用したPrivate DMPを作って使ってるお話
BigQueryを活用したPrivate DMPを作って使ってるお話
Masato Kawada
テクノロジの隆盛
テクノロジの隆盛
Core Concept Technologies
基本から学ぶ ビッグデータ / データ分析 / 機械学習 サービス群
基本から学ぶ ビッグデータ / データ分析 / 機械学習 サービス群
Google Cloud Platform - Japan
ソニーでElectronアプリをリリースしてみた
ソニーでElectronアプリをリリースしてみた
Yasuharu Seki
IoTで成果を出す
IoTで成果を出す
- Core Concept Technologies
これって、ドメイン駆動設計?
これって、ドメイン駆動設計?
Michitaka Yumoto
データをどこに溜めよう?ローカル?クラウド?どのデータベース?
データをどこに溜めよう?ローカル?クラウド?どのデータベース?
- Core Concept Technologies
20180817 azure antenna_iot central hands-on
20180817 azure antenna_iot central hands-on
Minoru Naito
S15_標準 PC にさようなら!ニューノーマルの働き方に合わせたデバイスの選択 [Microsoft Japan Digital Days]
S15_標準 PC にさようなら!ニューノーマルの働き方に合わせたデバイスの選択 [Microsoft Japan Digital Days]
日本マイクロソフト株式会社
【講演資料】ハード+ソフトの協調アジャイル開発
【講演資料】ハード+ソフトの協調アジャイル開発
Hiroaki Matsunaga
インフラ領域の技術スタックや業務内容について紹介
インフラ領域の技術スタックや業務内容について紹介
MicroAd, Inc.(Engineer)
3Dリッチコンテンツビジネス活用のご提案ver3.1
3Dリッチコンテンツビジネス活用のご提案ver3.1
ITDORAKU
Deeplinkまとめ
Deeplinkまとめ
Satoshi Mayumi
Azure Antenna AI 概要
Azure Antenna AI 概要
Miho Yamamoto
脆弱性の探し方 ~発見と対応のノウハウ in NTTDATA~
脆弱性の探し方 ~発見と対応のノウハウ in NTTDATA~
apkiban
Final present
Final present
Loc Huynh
Similar to DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployする
(20)
IoT 入門 ~ .NET Gadgeteer で簡単プログラミング
IoT 入門 ~ .NET Gadgeteer で簡単プログラミング
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
デジタルトランスフォーメーション時代を生き抜くためのビジネス力 ~ AI、Advanced Analytics の使いどころ ~
「関心の分離」と「疎結合」 ソフトウェアアーキテクチャのひとかけら
「関心の分離」と「疎結合」 ソフトウェアアーキテクチャのひとかけら
イントロダクション(分散アーキテクチャ時代におけるWebシステムの開発と運用) #seccamp
イントロダクション(分散アーキテクチャ時代におけるWebシステムの開発と運用) #seccamp
BigQueryを活用したPrivate DMPを作って使ってるお話
BigQueryを活用したPrivate DMPを作って使ってるお話
テクノロジの隆盛
テクノロジの隆盛
基本から学ぶ ビッグデータ / データ分析 / 機械学習 サービス群
基本から学ぶ ビッグデータ / データ分析 / 機械学習 サービス群
ソニーでElectronアプリをリリースしてみた
ソニーでElectronアプリをリリースしてみた
IoTで成果を出す
IoTで成果を出す
これって、ドメイン駆動設計?
これって、ドメイン駆動設計?
データをどこに溜めよう?ローカル?クラウド?どのデータベース?
データをどこに溜めよう?ローカル?クラウド?どのデータベース?
20180817 azure antenna_iot central hands-on
20180817 azure antenna_iot central hands-on
S15_標準 PC にさようなら!ニューノーマルの働き方に合わせたデバイスの選択 [Microsoft Japan Digital Days]
S15_標準 PC にさようなら!ニューノーマルの働き方に合わせたデバイスの選択 [Microsoft Japan Digital Days]
【講演資料】ハード+ソフトの協調アジャイル開発
【講演資料】ハード+ソフトの協調アジャイル開発
インフラ領域の技術スタックや業務内容について紹介
インフラ領域の技術スタックや業務内容について紹介
3Dリッチコンテンツビジネス活用のご提案ver3.1
3Dリッチコンテンツビジネス活用のご提案ver3.1
Deeplinkまとめ
Deeplinkまとめ
Azure Antenna AI 概要
Azure Antenna AI 概要
脆弱性の探し方 ~発見と対応のノウハウ in NTTDATA~
脆弱性の探し方 ~発見と対応のノウハウ in NTTDATA~
Final present
Final present
DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployする
1.
DeepLearningフレームワークChainerの 学習済みモデルをスマートフォンにDeployする AIシステム部 AI研究開発グループ 加藤 倫弘
2.
自己紹介 加藤 倫弘(かとう ともひろ) -
DeNA システム&デザイン本部 AIシステム部 AI研究開発グループ - 2017年10月 DeNA入社 •コンピュータビジョン系のプロジェクトを担当しています 2 @_tkato_
3.
本日の発表内容 - モバイル端末でのDeep Learningに期待が高まる -
クラウドで学習したモデルをモバイル端末にDeployしたい! - ChainerのモデルをAndroid端末で動かす1手段の紹介 3 クラウドで学習 モバイルで推論 • リアルタイム性 • プライバシー保護 • ネットワーク負荷削減 3 ※ 本日はiOSへのデプロイは触れませんが、同じ手順でできるはずです
4.
詳しい内容やソースコードはこちら 4 Chainer Advent Calendar
2017 | 19日目 Chainerで学習したモデルをONNX-ChainerとNNVM/TVMを使って Androidへデプロイする - Qiita https://qiita.com/tkat0/items/28d1cc3b5c2831d86663
5.
Deep Learningフレームワークはモバイルでも動く? - 既存の多くはPythonで記述。サーバー向けGPUで高速に学習・推論 •そのままではモバイルで動かない
or 動いても遅い - 最近はフレームワークのモバイル対応が進む •TensorFlow Lite、Caffe2など •モバイルCPU向けの最適化や事前に計算量の圧縮など行うものも モバイルで高速に動かすには、 計算量削減やフレームワークが ハードウェアの性能を引き出すことが重要 5
6.
Chainerの学習済みモデルをモバイルへDeployしたい! -モデルの学習は 使い慣れたChainerのままが良い -今回はChainerからモバイル対応フレームワークへの変換方法を検討 •Chainer •Preferred Networks(PFN)が開発 •フレームワークの中身を理解しやすく、 新しい論文のアルゴリズムを追試する場合でもデバッグしやすい (個人の意見) 6 参考:https://chainer.org/
7.
ChainerからモバイルへのDeployフロー - ChainerのモデルをONNX経由に変換し、 NNVM/TVM上で実行する! DeepLearningフレームワーク間の 共通フォーマット モバイルデバイスなどサポートする DeepLearningの推論用エンジン 7
8.
ONNX: Open Neural
Network Exchange - DeepLearningフレームワーク間の共通フォーマット •AWS, Facebook, Microsoftにより、 2017年12月にバージョン1.0が公開 •1ファイルにモデル定義とパラメータを保存 - 各フレームワークがONNXサポート中! •Caffe2, MXNet, CNTK, Pytorch, Chainer 他 •ONNX経由でフレームワーク間の相互変換が実現しそう •ただし、現状はフレームワークによりONNXサポート状況は様々 8参考:http://onnx.ai/ 専用のviewerもある
9.
ONNX-Chainer - ChainerからONNXへexportするライブラリ(PFNが開発) •https://github.com/chainer/onnx-chainer 9 参考:https://qiita.com/mitmul/items/6a0c62be29b27b6b3fbe ONNXへの変換は 実質1行
10.
NNVM/TVM 10 参考:http://tvmlang.org/ 2. モデルの最適化 ・複数のレイヤーを合成など 3. ハードウェアに合わせた最適化 ・キャッシュ活用、並列化などPythonで指示 ONNX
CoreML MxNet NNVM TVM CUDA OpenCL Metal LLVM … … 1. 複数のフレームワークからのインポートに対応 4. 各ハードウェア向けのソースコードを生成 ・Androidの場合はNDK向けのライブラリ生成 -様々なデバイスでの高速な推論を目指すOSSフレームワーク -開発元は、DMLC(Distributed (Deep) Machine Learning Community) -モデルと実装の最適化で、既存フレームワークより高速な結果も
11.
Chainerの学習済みモデルをAndroidへDeployしてみた 1. Chainerの学習済みモデルをONNXへ変換 2. NNVMでONNXをインポート 3.
TVMでAndroid端末のCPU/GPU向けにBuild & Deploy 11 デバイス Android (CPU) Android (GPU) macBook (GPU) 推論時間 [ms] 2070 630 80 Android端末:Snapdragon 820 搭載 MacBook Pro 13 inch (2017) ベンチマーク結果(物体検出モデル YOLOv2-tinyを利用) 参考:https://qiita.com/tkat0/items/28d1cc3b5c2831d86663
12.
TVMによるリモートデプロイ - Pythonスクリプトから、Androidでのモデル実行ができる •最適化条件など変えたベンチマークが簡単にできるため デバイスに最適なモデルを試行錯誤する効率が良い 12 参考:http://tvmlang.org/2017/11/08/android-rpc-introduction.html 1. Androidへのモデル送信 2.
Androidでのベンチマーク実行 3. 計算結果の取得 ビルド済みライブラリ 入力データ 出力データ 専用の通信アプリ(TVMランタイム) を事前にインストール Wi-Fi LAN
13.
Androidアプリへの組み込み - TVM4J •TVMのJavaフロントエンド(公式が提供) •事前ビルドした共有ライブラリ(モデル定義)をロード、実行 •JavaのArrayとTVM用のNDArrayを相互変換するモジュールも提供 13参考:https://github.com/dmlc/tvm/blob/master/jvm/README.md
14.
さらに高速化するには? サービス導入を踏まえると、基本は速いほうが良さそうだ - DeepLearningモデルの軽量化 - NNVMでのモデル最適化 -
TVMでの実装最適化 • 今回試したCPU/GPUへの最適化は現状 未サポート • 現在はCUDA, x86, AMDなど一部のデバイスに最適化 1 14
15.
TVMにおける高速化を試みる - モデルの各レイヤーでGPUスレッド数を調整 →
1.3倍高速化 - キャッシュ活用なども行えば、さらに速くなりそう - 最適化はPython記述できるため、GPUカーネル手書きより楽 - リモートデプロイができるので試行錯誤しやすい 1 15 •reorder: ループの順序入れ替え •fuse: 複数のループを1つにまとめる •tile: ループを2次元に分割する 参考:http://docs.tvmlang.org/tutorials/language/schedule_primitives.html 最適化の記述(schedule primitives)の例
16.
まとめ・所感 - Chainerの学習済みモデルをモバイル端末で動かしたい - Chainer
→ ONNX → NNVM/TVM の手順を紹介 • モバイルのCPU/GPUで動作することができた 16 ご清聴ありがとうございました 研究開発側でのモデル検討から、 事業応用へ向けたデバイス組み込みまでスピーディーに試行できそう!
Download now