Dojo ++ 「GPUなしでもここまでできるAI構築シリーズ Part 4」カスタムAIモデルの作成からモデルのデプロイまで

Dojo ++ 「GPUなしでもここまでできるAI構築シリーズ Part 4」
https://ibm-developer.connpass.com/event/190153/
カスタムAIモデルの作成からモデルのデプロイまで

インテル 大内山さんが話した当日の資料です。

Transcript

1. インテル株式会社 1 【重要】最初にこちらを実行ください！ ※Dockerがインストールされていることが前提です。 § コマンドプロンプトまたはターミナルを起動（サーバーを使われる方はSSHでログイン） § OpenVINO Model ServerのDockerイメージをダウンロード • docker pull openvino/model_server:latest § 本日使用するDockerイメージをダウンロード＆起動 • cd 適当なフォルダ • mkdir workspace • docker run -it -u 0 --privileged -v 上で作成したworkspaceフォルダへのパス:/workspace -p 8888:8888 hiouchiy/openvino_2021r1_handson /bin/bash
2. カスタムAIモデルの作成から モデルのデプロイまで IBM Developer Dojo++ (2020/12/10) インテル株式会社 APJデータセンター・グループ・セールス AIテクニカル・ソリューション・スペシャリスト 大内山 浩（おおうちやま ひろし／Ouchiyama Hiroshi）
3. インテル株式会社 3 本日のアジェンダ § モデルの運用とは § モデルの構築からデプロイまでを体験 § 【おまけ】インテルのNoCode系AI製品の紹介 § 最後に
4. インテル株式会社 4 本日のアジェンダ § モデルの運用とは § モデルの構築からデプロイまでを体験 § インテルのNoCode系AI製品の紹介 § 最後に
5. インテル株式会社 5 ディープラーニングの開発ステップ モデルの作成 （学習処理がメイン） モデルの運用 （推論処理がメイン） アクセラレータ （GPU、ASIC等） CPU 実施期間短い（数か月） ハイパフォーマンス 期間長い（数年） コストパフォーマンス インテルが得意なのはこちら ↓
6. インテル株式会社 6 インテル® CPUは ディープラーニング推論性能を向上させるために進化 インテル® Xeon® プロセッサー E3/E5/E7 インテル® Xeon® プロセッサー E3/E5/E7 v2 インテル® Xeon® プロセッサー E3/E5/E7 v3 （コードネーム：Haswell） インテル® Xeon® プロセッサー E3/E5/E7 v4 （コードネーム：Broadwell） インテル® Xeon® スケーラブル・プロセッサー （コードネーム：Skylake） 第 2 世代インテル® Xeon® スケーラブル・プロセッサー （コードネーム：Cascade Lake） 第5世代 インテル® Core™ プロセッサー 第6世代 インテル® Core™ プロセッサー 第7世代 インテル® Core™ プロセッサー 第8世代 インテル® Core™ プロセッサー 第9世代 インテル® Core™ プロセッサー 第10世代 インテル® Core™ プロセッサー （コードネーム：Ice Lake / Comet Lake） 第 3 世代インテル® Xeon® スケーラブル・プロセッサー （コードネーム：Cooper Lake） 第11世代 インテル® Core™ プロセッサー （コードネーム：Tiger Lake） Xeon Core 旧 新 薦 薦 ・ ・ ・ ・ ・ ・ AVX-512 AVX-512 AVX2 AVX2 AVX AVX DL Boost AVX-512 DL Boost AVX2 AVX2 AVX2 AVX2 AVX2 ※ Comet Lakeは、AVX512/VNNIは含まれず、AVX2のまま AVX-512, DL Boostが入ってる世代がおすすめ AVX-512 DL Boost BF16 AVX-512 DL Boost AVX-512 → https://www.intel.co.jp/content/www/jp/ja/architecture-and-technology/avx-512-overview.html IBM Cloud に搭載
7. インテル株式会社 7 インテル® AI ソフトウェア: マシンラーニングとディープラーニング Red font products are the most broadly applicable SW products for AI users Developer TOols App Developers SW Platform Developer Machine learning Deep LEarning Architect & DevOps Topologies & Models Data Scientist Frameworks Data Scientist Graph ML Performance Engineer Kernel ML Performance Engineer § Intel Data Analytics Acceleration Library (Intel DAAL) § Intel Math Kernel Library (Intel MKL) § Intel Machine Learning Scaling Library (Intel MLSL) § Intel® Deep Neural Network Library (DNNL) Deep Learning Reference Stack Data Analytics Reference Stack § Intel Distribu-on for Python (SKlearn, Pandas) Management Tools CPU CPU ▪ GPU ▪ FPGA ▪ 専用 Containers
8. 8 DL推論 on CPU – 高速化の方法論 § コツは”インテル製DLフレームワークの利用”と”AIモデルの最適化と 量子化”です。 CPU / GPU OSS DLフレームワーク AIモデル（未最適化, 未量子化） Intel CPU インテルTF, PyTorchなど AIモデル（未最適化, 未量子化） Intel CPU インテル® OpenVINO™ AIモデル（最適化, 量子化） Intel CPU インテルTF, PyTorchなど AIモデル（未最適化, 量子化） Intel CPU インテル® OpenVINO™ AIモデル（最適化, 未量子化） ① ② ③ ④ 高 効果
9. 9 DL推論 on CPU – 高速化の方法論 § DLフレームワーク： • インテル製のフレームワークに置き換え § AIモデル • iLitを使用して量子化 Intel CPU インテルTF, PyTorchなど AIモデル（未最適化, 未量子化） Intel CPU インテルTF, PyTorchなど AIモデル（未最適化, 量子化） Intel® Low Precision Optimization Tool (iLit) • モデルの量子化ツール。 TensorFlow、PyTorch、MXNetに 対応 Intel DL Framework • Intel® Optimization for TensorFlow* • PyTorch* • MXNet* ① ②
10. 10 DL推論 on CPU – 高速化の方法論 § DLフレームワーク • OpenVINO™ Toolkitに置き換え § AIモデル • OpenVINO™ Toolkitで最適化および量 子化 Intel CPU インテル® OpenVINO™ AIモデル（最適化, 量子化） Intel CPU インテル® OpenVINO™ AIモデル（最適化, 未量子化） Intel® OpenVINO™ Toolkit Intel® OpenVINO™ Toolkit (OpenVINO Model Server) ③ ④
11. インテル株式会社 11 モデルの運用フェーズにおける各ステップ モデルの作成 （学習処理がメイン） モデルの運用 （推論処理がメイン） インテルが得意なのはこちら ↓ 最適化 ／量子化 デプロイ 運用／ データ収集 アノテーション 再学習
12. インテル株式会社 12 本日のアジェンダ § モデルの運用とは § モデルの構築からデプロイまでを体験 § 【おまけ】インテルのNoCode系AI製品の紹介 § 最後に
13. インテル株式会社 13 ハンズオンイメージ ※講師の環境はIBM CloudのVM（Cascade Lake 4コア）です インテルCPU（Xeon or Core） OS（Linux / Win10 / MacOS） Docker コンテナ#1 (Ubuntu 18.04) OpenVINO 2021R1 / TensorFlow2.3 Jupyter Lab モデルの学習→最適化→量子化 /workspace モデル コンテナ#2 （Ubuntu 18.04） OpenVINO Model Server モデル 最適化 ／量子化 デプロイ 運用／ データ収集 アノテーション 再学習 アノテーション済み 画像ストレージ 画像を取得 モデルを格納 モデルをWeb API としてデプロイ この部分を体験 いただきます
14. インテル株式会社 14 ハンズオンコンテンツ § https://github.com/hiouchiy/intel_ai_hands_on_from_train_to_deploy
15. インテル株式会社 15 モデルの最適化と量子化 最適化：https://docs.openvinotoolkit.org/latest/openvino_docs_optimization_guide_dldt_optimization_guide.html 量子化：https://www.isus.jp/products/mkl/vnni-enables-inference/ 最適化 量子化 ↑量子化：モデルの数値形式をFP32→BF16/INT8などに変換 し学習／推論を高速化すること ←最適化：モデル内部構造をIAにとって都合よく再編成する こと
16. インテル株式会社 16 本日のアジェンダ § モデルの運用とは § モデルの構築からデプロイまでを体験 § 【おまけ】インテルのNoCode系AI製品の紹介 § 最後に
17. インテル株式会社 17 アノテーション以外は自動化が可能 最適化 ／量子化 デプロイ 運用／ データ収集 アノテーション 再学習 アノテーションの自動化は困難 ↓ ツールによる作業支援が必須！ →MLOps の実現へ
18. インテル株式会社 18 OpenVINOの“No Code”系フィーチャー § 深層学習の各フェーズに対応したNoCodeツールを提供 アノテーション 学習 最適化／量子化 デプロイ (アプリ開発) CVAT Training Extension DL Workbench OVaaS ※3rd party application リクエスト いただければ 技術セッション やります cvat.orgで試せるよ☺
19. インテル株式会社 19 本日のアジェンダ § モデルの運用とは § モデルの構築からデプロイまでを体験 § 【おまけ】インテルのNoCode系AI製品の紹介 § 最後に
20. インテル株式会社 20 改めてインテルの考えるAIとは AIとは特定の目的を持ったソフトウェアである ↓ つまり、作った（学習）後には運用（推論）しないと価値をもたらさない ↓ 運用フェーズは期間が長く、ROIがより重要視されることが多いので、CPU だけでやり切ることが理想 ↓ インテルのCPU＋AIソフトウェアを活用してCPUだけで推論をやり切りま しょう