Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
tensorflow
GitHub Repository: tensorflow/docs-l10n
 Path: blob/master/site/ko/lite/android/acceleration_service.md
38535 views

Android용 가속 서비스(베타)

베타: Android용 가속 서비스는 현재 베타 버전입니다. 자세한 내용은 이 페이지의 경고 사항 및 사용 약관 및 개인 정보 취급 방침 섹션을 참조하세요.

하드웨어 가속을 위해 GPU나 NPU 또는 DSP와 같은 특수 프로세서를 사용하면 추론 성능(경우에 따라 최대 10배 빠른 추론)과 ML 지원 Android 애플리케이션의 사용자 경험을 크게 향상시킬 수 있습니다. 다만 사용자가 보유한 하드웨어와 드라이버의 종류가 다양하기 때문에 각 사용자의 기기에 맞는 최적의 하드웨어 가속 구성을 선택하는 것은 쉽지 않을 수 있습니다. 또한 기기에서 잘못된 구성을 활성화하면 지연 시간이 길어질 수 있으며, 드물지만 하드웨어 비호환성으로 인해 런타임 오류가 발생하거나 정확성 문제로 인해 사용자 경험이 악화될 수 있습니다.

Android용 가속 서비스는 런타임 오류 또는 정확성 문제의 위험을 최소화하는 한편 해당 상황에서 사용자 기기 및 .tflite 모델에 맞는 최적의 하드웨어 가속 구성을 선택할 수 있도록 도와주는 API입니다.

가속 서비스는 TensorFlow Lite 모델로 내부 추론 벤치마크를 실행하여 사용자 기기의 다양한 가속 구성을 평가합니다. 이러한 테스트는 일반적으로 모델에 따라 몇 초 내에 완료됩니다. 추론 시간 전에 모든 사용자 기기에서 벤치마크를 한 번 실행하고 결과를 캐시한 뒤 추론 중에 사용할 수 있습니다. 이러한 벤치마크 작업은 프로세스와는 별개로 실행되므로 앱이 충돌할 위험이 줄어듭니다.

모델, 데이터 샘플, 예상 출력("golden" 입력 및 출력)을 제공하면 가속 서비스가 내부 TFLite 추론 벤치마크를 실행하여 하드웨어 권장 사항을 알려줍니다.

image

가속 서비스는 Android의 사용자 정의 ML 스택의 일부이며 Google Play 서비스의 TensorFlow Lite로 작동합니다.

프로젝트에 종속성 추가하기

애플리케이션의 build.gradle 파일에 다음 종속성을 추가합니다.

implementation  "com.google.android.gms:play-services-tflite-
acceleration-service:16.0.0-beta01"

가속 서비스 API는 Google Play 서비스에 있는 TensorFlow Lite와 함께 작동합니다. 아직 Play 서비스를 통해 제공되는 TensorFlow Lite 런타임을 사용하고 있지 않다면 종속성을 업데이트해야 합니다.

가속 서비스 API 사용 방법

가속 서비스를 사용하려면 먼저 모델 평가에 사용할 가속 구성을 생성합니다(예: OpenGL을 사용하는 GPU). 그런 다음 모델, 일부 샘플 데이터 및 예상 모델 출력으로 검증 구성을 생성합니다. 마지막으로 validateConfig()를 호출하여 가속 구성과 검증 구성을 모두 전달합니다.

image

가속 구성 생성하기

가속 구성은 실행 시간 동안 대리자로 변환되는 하드웨어 구성의 표현입니다. 가속 서비스는 내부적으로 이러한 구성을 사용하여 테스트 추론을 수행합니다.

현재 가속 서비스를 사용하면 GpuAccelerationConfig를 사용하여 GPU 구성(실행 시간 동안 GPU 대리자로 변환됨)과 CPU 추론(CpuAccelerationConfig 사용)을 평가할 수 있습니다. 저희는 현재 다른 하드웨어에 액세스할 수 있는 더 많은 대리자를 지원하고자 노력하고 있습니다.

GPU 가속 구성

다음과 같이 GPU 가속 구성을 생성합니다.

AccelerationConfig accelerationConfig = new GpuAccelerationConfig.Builder()
  .setEnableQuantizedInference(false)
  .build();

모델이 양자화를 사용하는지 여부는 setEnableQuantizedInference()로 지정해야 합니다.

CPU 가속 구성

다음과 같이 CPU 가속을 생성합니다.

AccelerationConfig accelerationConfig = new CpuAccelerationConfig.Builder()
  .setNumThreads(2)
  .build();

setNumThreads() 메서드를 사용하여 CPU 추론을 평가하는 데 사용할 스레드 수를 정의할 수 있습니다.

검증 구성 생성하기

검증 구성을 사용하여 가속 서비스에서 추론을 평가하는 방법을 정의할 수 있습니다. 정의한 추론 평가 방법은 합격 여부 결정에 사용하게 됩니다.

  • 입력 샘플

  • 예상 출력

  • 정확성 검증 로직

모델의 성능이 좋을 것으로 예상되는 입력 샘플("golden" 샘플이라고도 함)을 제공해야 합니다.

다음과 같이 CustomValidationConfig.Builder를 사용해 ValidationConfig를 생성합니다.

ValidationConfig validationConfig = new CustomValidationConfig.Builder()
   .setBatchSize(5)
   .setGoldenInputs(inputs)
   .setGoldenOutputs(outputBuffer)
   .setAccuracyValidator(new MyCustomAccuracyValidator())
   .build();

setBatchSize()를 사용하여 golden 샘플의 개수를 지정합니다. setGoldenInputs()를 사용하여 golden 샘플의 입력을 전달합니다. setGoldenOutputs()를 사용하여 전달된 입력에 대한 예상 출력을 제공합니다.

최대 추론 시간을 setInferenceTimeoutMillis()(기본값 5000ms)로 정의할 수 있습니다. 정의한 시간보다 추론 시간이 길어지면 구성이 거부됩니다.

선택적으로 다음과 같이 사용자 정의 AccuracyValidator를 생성할 수도 있습니다.

class MyCustomAccuracyValidator implements AccuracyValidator {
   boolean validate(
      BenchmarkResult benchmarkResult,
      ByteBuffer[] goldenOutput) {
        for (int i = 0; i < benchmarkResult.actualOutput().size(); i++) {
            if (!goldenOutputs[i]
               .equals(benchmarkResult.actualOutput().get(i).getValue())) {
               return false;
            }
         }
         return true;

   }
}

자신의 사용 사례에 적합한 유효성 검사 로직을 정의해야 합니다.

검증 데이터가 이미 모델에 임베드되어 있는 경우 EmbeddedValidationConfig를 사용할 수 있습니다.

검증 출력 생성하기

Golden 출력은 선택 사항이며, golden 입력을 제공하기만 하면 가속 서비스에서 내부적으로 golden 출력을 생성할 수 있습니다. 또한 setGoldenConfig()를 호출하여 이러한 golden 출력을 생성하는 데 사용하는 가속 구성을 정의할 수도 있습니다.

ValidationConfig validationConfig = new CustomValidationConfig.Builder()
   .setBatchSize(5)
   .setGoldenInputs(inputs)
   .setGoldenConfig(customCpuAccelerationConfig)
   [...]
   .build();

가속 구성 검증하기

가속 구성과 검증 구성을 생성한 뒤 모델을 사용하여 이를 평가할 수 있습니다.

Play 서비스 런타임이 올바르게 초기화되었는지, 그리고 기기에서 GPU 대리자를 실행하여 사용할 수 있는지 확인해야 합니다.

TfLiteGpu.isGpuDelegateAvailable(context)
   .onSuccessTask(gpuAvailable -> TfLite.initialize(context,
      TfLiteInitializationOptions.builder()
        .setEnableGpuDelegateSupport(gpuAvailable)
        .build()
      )
   );

AccelerationService.create()를 호출하여 AccelerationService를 인스턴스화합니다.

그런 다음 validateConfig()를 호출하여 모델에 대한 가속 구성을 검증할 수 있습니다.

InterpreterApi interpreter;
InterpreterOptions interpreterOptions = InterpreterApi.Options();
AccelerationService.create(context)
   .validateConfig(model, accelerationConfig, validationConfig)
   .addOnSuccessListener(validatedConfig -> {
      if (validatedConfig.isValid() && validatedConfig.benchmarkResult().hasPassedAccuracyTest()) {
         interpreterOptions.setAccelerationConfig(validatedConfig);
         interpreter = InterpreterApi.create(model, interpreterOptions);
});

또한, validateConfigs()를 호출하고 Iterable<AccelerationConfig> 객체를 매개변수로 전달하여 여러 구성을 검증할 수도 있습니다.

validateConfig()는 비동기식 작업을 활성화하는 Google Play 서비스에서 Task<ValidatedAccelerationConfigResult>를 반환합니다.
검증 호출에서 결과를 얻으려면 addOnSuccessListener() 콜백을 추가하세요.

인터프리터에서 검증된 구성 사용하기

콜백에서 반환된 ValidatedAccelerationConfigResult가 유효한지 확인한 후 interpreterOptions.setAccelerationConfig()를 호출하여 검증된 구성을 인터프리터에 대한 가속 구성으로 설정할 수 있습니다.

구성 캐싱

모델에 대한 최적의 가속 구성은 기기에서 변경될 가능성이 거의 없습니다. 따라서 만족스러운 가속 구성을 받으면 다른 검증을 실행하는 대신 받은 가속 구성을 기기에 저장하고 애플리케이션이 이를 검색하여 다음 세션 동안 InterpreterOptions를 생성하는 데 사용하도록 해야 합니다. ValidatedAccelerationConfigResult의 serialize() 및 deserialize() 메서드를 사용하면 저장 및 검색 프로세스가 더 쉬워집니다.

샘플 애플리케이션

가속 서비스가 제대로 통합되었는지 검토하려면 샘플 앱을 살펴보세요.

제한 사항

가속 서비스에는 현재 다음과 같은 제한 사항이 있습니다.

  • 현재는 CPU 및 GPU 가속 구성만 지원됩니다.

  • Google Play 서비스에서 TensorFlow Lite만 지원하며 번들 버전의 TensorFlow Lite를 사용 중인 경우 사용할 수 없습니다.

  • ValidatedAccelerationConfigResult 객체를 사용하여 BaseOptions를 직접 초기화할 수 없으므로 TensorFlow Lite 작업 라이브러리를 지원하지 않습니다.

  • 가속 서비스 SDK는 API 레벨 22 이상만 지원합니다.

경고 사항{:#caveats}

특히 운영에서 이 SDK를 사용할 계획이 있는 경우 다음 경고 사항을 주의 깊게 검토해 주세요.

  • 베타 버전을 종료하고 가속 서비스 API의 안정 버전을 출시하기 전에 현재 베타 버전과 약간의 차이가 있을 수 있는 새 SDK를 퍼블리싱할 예정입니다. 가속 서비스를 계속 사용하려면 이 새 SDK로 마이그레이션하고 제 때에 앱으로 업데이트를 푸시해야 합니다. 그렇게 하지 않을 경우 일정 시간이 지나면 베타 SDK가 더 이상 Google Play 서비스와 호환되지 않을 수 있으며 문제가 발생할 수 있습니다.

  • 가속 서비스 API 내의 특정 기능이나 API 전체가 정식 버전으로 제공된다는 보장은 없습니다. 해당 기능이나 API는 무기한 베타 버전으로 유지되거나, 종료되거나, 다른 기능과 결합되어 특정 개발자 대상의 패키지로 제공될 수 있습니다. 가속 서비스 API의 일부 기능 또는 전체 API 자체는 언젠가 정식 버전으로 제공될 수 있지만, 이에 대한 일정은 정해져 있지 않습니다.

사용 약관 및 개인 정보 취급 방침{:#terms_privacy}

서비스 약관

가속 서비스 API의 사용 시 Google API 서비스 약관의 적용을 받습니다.
 또한 가속 서비스 API는 현재 베타 버전이므로 이를 사용함으로써 위의 경고 사항 섹션에 설명된 잠재적 문제를 인정하고 가속 서비스가 항상 지정된 대로 작동하지 않을 수 있음을 인정하게 됩니다.

개인 정보 취급 방침

가속 서비스 API를 사용하면 입력 데이터(예: 이미지, 동영상, 텍스트)의 처리는 전부 온디바이스로 이루어지며, 가속 서비스는 해당 데이터를 Google 서버로 전송하지 않습니다. 결과적으로 기기를 떠나서는 안 되는 입력 데이터를 처리할 때 이 API를 사용할 수 있습니다.
 가속 서비스 API는 버그 수정, 업데이트된 모델 및 하드웨어 가속기 호환성 정보 등을 수신하기 위해 때때로 Google 서버에 연결할 수 있습니다. 또한 가속 서비스 API는 앱의 API 성능 및 활용에 대한 메트릭을 Google에 전송합니다. Google은 개인 정보 취급 방침에 자세히 설명된 대로 이 메트릭 데이터를 사용하여 성능을 측정하고, API를 디버그, 유지 및 개선하며, 오용 또는 남용을 감지합니다.
 여러분은 관련 법률에서 요구하는 바에 따라 Google의 가속 서비스 메트릭 데이터 처리에 대해 앱 사용자에게 알릴 책임이 있습니다.
 당사가 수집하는 데이터에는 다음이 포함됩니다.

  • 기기 정보(예: 제조업체, 모델, OS 버전 및 빌드) 및 사용 가능한 ML 하드웨어 가속기(GPU 및 DSP). 진단 및 사용 분석에 사용됩니다.

  • 앱 정보(패키지 이름/번들 ID, 앱 버전). 진단 및 사용 분석에 사용됩니다.

  • API 구성(예: 이미지 형식, 해상도 등). 진단 및 사용 분석에 사용됩니다.

  • 이벤트 유형(예: 초기화, 모델 다운로드, 업데이트, 실행, 탐지 등). 진단 및 사용 분석에 사용됩니다.

  • 오류 코드. 진단에 사용됩니다.

  • 성능 메트릭. 진단에 사용됩니다.

  • 사용자 또는 물리적 기기를 고유하게 식별하지 않는 설치별 식별자. 원격 구성 및 사용 분석의 운영에 사용됩니다.

  • 네트워크 요청 발신자 IP 주소. 원격 구성 진단에 사용됩니다. 수집된 IP 주소는 임시 보관됩니다.

지원 및 피드백

TensorFlow Issue Tracker를 통해 피드백을 제공하고 지원받을 수 있습니다. Google Play 서비스에서 이슈 템플릿을 사용하여 문제 및 지원 요청을 보고해주세요.