텐서플로 라이트 모델 개발 (1) - 모델

Jiyeahhh·2021년 10월 30일

[Study] 텐서플로 라이트를 활용한 안드로이드 딥러닝

목록 보기

4/5

모델 선택 → 모델 변환 → 기기 배포 → 모델 최적화

안드로이드 앱에서 이용할 딥러닝 모델을 선택하는 프로세스
주어진 문제를 해결하는 데 적합한 모델을 선택해야 하는데, 여기서 문제는 개발하고자 하는 솔루션이나 서비스에 의해 결정
ex) 손글씨 분류 앱 ⇒ 이미지 분류(image classification) 문제를 해결해야 함
영화 리뷰 분석 ⇒ 감성 분석(sentiment analysis)이 필요
모델은 텐서플로를 이용하여 직접 개발할 수도 있고, 이미 개발된 모델을 사용할 수도 있음
모델 개발에는 텐서플로를 이용하고 모델 변환 및 최적화에는 텐서플로 라이트를 이용
또한, 이미 개발된 모델은 텐서플로나 텐서플로 허브에서 찾아볼 수 있음

개발한 모델을 텐서플로 라이트 모델로 변환하는 프로세스
.tflite 라는 별도의 포맷을 사용
텐서플로 모델을 tflite로 변환하는 과정에서 자동으로 최적화를 하는데, 이때 정확도 손실을 최소한으로 하면서 모델의 크기를 줄임
TensorFlow Lite Converter에 의해 변환이 완료되면 tflite 파일이 생성되고, 이를 안드로이드 프로젝트에 배포하여 사용

모델이 안드로이드 기기에서 최적의 성능을 발휘하도록 튜닝하는 프로세스
최적화를 거치면 모델의 정확도 손실을 최소화하면서 모델의 크기가 줄어듦
모델 변환 단계에서 텐서플로 라이트가 자동으로 최적화를 수행하지만, 실행 속도나 정확도를 더욱 개선하기 위해 직접 최적화할 수 있음
모델의 정확도와 크기는 서로 트레이드오프 관계이므로 최적화의 목표는 정확도와 크기 사이에서 이상적으로 균형을 맞추는 것
모델을 기기에 배포한 뒤 모델의 성능을 측정하고, 이를 바탕으로 모델을 다시 최적화하고 변환하여 기기에 배포하는 과정을 반복하면서 점진적으로 최적의 모델로 발전시킬 수 있음

텐서플로를 이용하여 딥러닝 모델을 직접 개발하고 이를 변환하여 안드로이드 앱에 배포
모델 설계, 모델 훈련, 모델 변환까지 모든 과정을 직접 할 수도 있고, 모델 설계만 텐서플로에서 제공하는 모델 아키텍처를 이용하는 방법을 대체할 수도 있음
모델 개발 방법 중 가장 많은 시간과 노력이 필요하지만 자유도가 가장 높기때문에 문제에 최적화된 모델을 만들 수 있음

이미 훈련이 완료된 모델로, 복잡하고 오래 걸리는 학습 절차 없이 바로 이 모델을 이용하여 추론 가능
텐서플로는 이미 학습이 완료된 몇 가지 모델을 제공하므로 학습 데이터가 필요 없고, 많은 컴퓨팅 자원을 이용하여 오랜 시간 모델을 학습시킬 필요도 없음
그러나 아직은 널리 사용되는 몇 가지 모델만 사전 학습 모델로 제공되기 때문에 해결해야 할 문제에 딱 맞는 모델을 찾기 어려울 수 있음
사전 학습 모델은 텐서플로 라이트 모델로 제공되기도 하고, 텐서플로 모델로 제공되기도 함
텐서플로 라이트 모델은 설계, 학습, 변환, 최적화가 모두 완료되어 tflite 파일로 제공
👉 따라서 필요한 모델이 tflite 파일로 제공된다면 복잡한 모델 개발 과정을 모두 건너뛰고 바로 안드로이드 앱 개발 단계로 넘어갈 수 있음
텐서플로 모델은 TFLite 모델로 변환해야 안드로이드에서 사용할 수 있음
👉 텐서플로 모델은 케라스(Keras) 애플리케이션 모듈에서 제공하는 모델을 이용하거나 텐서플로 허브에서 제공하는 모델을 이용할 수 있음

머신러닝 모델을 업로드하고 공유하는 저장소
딥러닝은 가장 활발하게 연구되는 분야 중 하나이브로 계속해서 새롭게 등장하는 SOTA(State-Of-The-Art) 모델을 적시에 프레임워크에서 제공하는 데 한계 有
따라서, 텐서플로 허브를 이용하면 더욱 다양한 최신 사전 학습 모델을 이용할 수 있음

https://tfhub.dev