在模型開發(fā)和部署方面，極市平臺(tái)集成了最新版本的OpenVINO工具，助力開發(fā)者在最小化代碼修改的條件下加速AI算法在各類生產(chǎn)環(huán)境中規(guī)?；渴饝?yīng)用，尤其是在Intel豐富的硬件資源平臺(tái)上（CPUs、iGPUs、VPUs等等）。

本文重點(diǎn)介紹了極視角與英特爾開發(fā)人員共同研發(fā)的OpenVINO最新功能，無縫集成TensorFlow框架，對于熟悉TensorFlow開發(fā)的開發(fā)者來說，在原有代碼的基礎(chǔ)上只需要添加幾行簡單代碼就可以無痛實(shí)現(xiàn)模型精度不變的前提下推理加速1.34倍以上，避免了顯式地進(jìn)行OpenVINO轉(zhuǎn)換以及推理部分代碼的重新編寫，大大簡化OpenVINO工具的使用，加速AI算法在生產(chǎn)環(huán)境中的應(yīng)用部署。

無痛實(shí)現(xiàn) 1.34 倍加速推理

我們先來看看本文方法在模型推理加速上具體表現(xiàn)：

可以看到，在同一測試環(huán)境下，OpenVINO 與 TensorFlow 的集成實(shí)現(xiàn)了 1.34 的加速幾何平均值，同時(shí)，模型的準(zhǔn)確性保持不變：

具體實(shí)操

OpenVINO 與 TensorFlow 的集成專為使用 OpenVINO 工具套件的開發(fā)人員而設(shè)計(jì)——通過最少的代碼修改來提高推理應(yīng)用程序的性能。該集成為提高TensorFlow 兼容性提供以 OpenVINO 工具套件內(nèi)聯(lián)優(yōu)化和所需運(yùn)行時(shí)，并加速了各種英特爾芯片上多類AI模型的推理。

通過將以下兩行代碼添加到 Python 代碼或 Jupyter Notebooks 中，就可以極大地加速你的 TensorFlow 模型的推理：

import openvino_tensorflowopenvino_tensorflow.set_backend（‘《backend_name》’）

OpenVINO 與 TensorFlow 的集成通過將 TensorFlow 圖巧妙地劃分為多個(gè)子圖，再將這些子圖分派到 TensorFlow 運(yùn)行時(shí)或 OpenVINO 運(yùn)行時(shí)，從而實(shí)現(xiàn)最佳加速推理。

# 工作流概述

同時(shí)，通過 openvino_tensorflow ，我們能夠非常輕松地使用不同硬件：

更多的詳細(xì)信息可以前往 Github：

https://github.com/openvinotoolkit/openvino_tensorflow

# 在Extreme Vision notebooks中集成

在Extreme Vision IDE中可以直接將OpenVINO與TensorFlow集成。如下圖所示，你只需要簡單地導(dǎo)入openvino_tensorflow，即可無縫加速 Jupyter Notebook 中在CPU上推理的所有 TensorFlow模型，同時(shí)可以繼續(xù)使用標(biāo)準(zhǔn)的TensorFlow API，而無需代碼重構(gòu)。

對推理加速更深的討論

從前文對推理加速上的結(jié)果展示中，我們可以看到通過添加 2 行代碼激活OpenVINO與 TensorFlow 的集成后，可以獲得最高達(dá) 10 倍的推理加速。但也有個(gè)別模型出現(xiàn)了異常情況，如Mask RCNN Atrous 和 SSD Mobilenet V2，因此我們對如何獲得最佳性能進(jìn)行了討論：

#01

OPENVINO_TF_MIN_NONTRIVIAL_NODES 變量

該變量設(shè)置了聚類中可以存在的最小操作數(shù)。如果操作數(shù)小于指定的數(shù)量，則聚類將回退到 TensorFlow。默認(rèn)情況是根據(jù)總圖大小計(jì)算的，但除非手動(dòng)設(shè)置，否則不能小于 6。另外，我們將此變量設(shè)置為 15 和 22 來觀察模型進(jìn)一步的性能增強(qiáng)，并以此得到了最終的最佳推理性能。因此，在具體的開發(fā)應(yīng)用中應(yīng)通過默認(rèn)值或?qū)嶒?yàn)來確定能夠?yàn)槟Ｐ吞峁┳罴研阅艿淖兞孔罴阎怠?/p>

#02

凍結(jié) Keras 模型以獲得最佳性能

一些 Keras 模型可能包含訓(xùn)練操作，這會(huì)導(dǎo)致 TensorFlow 產(chǎn)生控制流。由于 OpenVINO 工具套件不支持這些操作，因此圖形可能會(huì)被劃分為較小的聚類。因此，在使用 OpenVINO 與 TensorFlow 的集成時(shí)，凍結(jié)模型可以避免這些操作并提高整體性能。

使用 Keras API 的 DenseNet121 推理應(yīng)用代碼示例：

import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.applications.densenet import DenseNet121# Add two lines of code to enable OpenVINO integration with TensorFlowimport openvino_tensorflowopenvino_tensorflow.set_backend("CPU")


model = DenseNet121(weights='imagenet')


# Run the inference using Keras API  model.predict(input_data)

下面是凍結(jié)和運(yùn)行 Keras 模型的一個(gè)示例代碼，通過這種方式，我們能夠優(yōu)化使用 OpenVINO 與 TensorFlow 的集成實(shí)現(xiàn)的最佳性能。

import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.applications.densenet import DenseNet121from tensorflow.python.framework.convert_to_constants import convert_variables_to_constants_v2# Add two lines of code to enable OpenVINO integration with TensorFlowimport openvino_tensorflowopenvino_tensorflow.set_backend("CPU")


model = DenseNet121(weights='imagenet')


# Freeze the model first to achieve the best performance# using OpenVINO integration with TensorFlow    full_model = tf.function(lambda x: self.model(x))full_model = full_model.get_concrete_function(tf.TensorSpec(model.inputs[0].shape,model.inputs[0].dtype, name=model.inputs[0].name))frozen_func = convert_variables_to_constants_v2(full_model)frozen_func.graph.as_graph_def()session = tf.compat.v1.Session(graph=frozen_func.graph)prob_tensor = frozen_func.graph.get_tensor_by_name(full_model.outputs[0].name)


# Run the inference on the frozen modelsession.run(prob_tensor, feed_dict={full_model.inputs[0].name : input_data})