Github
论文NNtrainer
NNtrainer是一个用于在设备上训练神经网络模型的软件框架。
概述
NNtrainer是一个开源项目。NNtrainer的目标是开发一个软件框架,用于在具有相对有限资源的嵌入式设备上训练神经网络模型。与从头开始训练整个网络层不同,NNtrainer通过用户数据在设备上微调神经网络模型来实现个性化。
即使NNtrainer在设备上运行,它也提供了培训模型的全部功能,并有效利用有限的设备资源。NNTrainer能够训练各种机器学习算法,如k-最近邻(k-NN)、神经网络、逻辑回归、强化学习算法、循环网络等。我们还提供了各种任务的示例,如少样本学习、ResNet、VGG、产品评级等,并在三星Galaxy智能手机的Android和PC(Ubuntu 18.04/20.04)上进行了测试。
AI新前沿:设备上AI训练和个性化 , ICSE-SEIP, 2024
NNTrainer:轻量级的设备端训练框架 , arXiv, 2022
开源的设备端AI软件平台 , Samsung开发者大会2023 (韩语)
NNTrainer:在设备上个性化神经网络! , Samsung开发者大会2021
NNTrainer:"设备上学习" , Samsung AI论坛2021
官方发布
| Tizen | Ubuntu | Android/NDK构建 | |
|---|---|---|---|
| 6.0M2及更高版本 | 18.04 | 9/P | |
| arm |  | 可用 | 就绪 |
| arm64 |  | 可用 |  |
| x64 |  |  | 就绪 |
| x86 |  | 不可用 | 不可用 |
| 发布 | Tizen Repo | PPA | |
| API | C (官方) | C/C++ | C/C++ |
- 就绪: CI系统确保可构建性和单元测试。用户可轻松构建和执行。但我们没有自动发布和部署系统。
- 可用: 二进制软件包会自动和定期发布,并随CI测试一起部署。
- 每日发布
- SDK支持: Tizen Studio (6.0 M2+)
入门指南
安装
NNTrainer安装说明。
教程
创建自己模型的介绍。
运行示例
准备NNTrainer执行的说明。
NNTrainer示例
各种网络的NNTrainer示例。
组件
支持的层
这个组件定义了神经网络模型中的层。每个层都有自己的属性。
| 关键词 | 层类名 | 描述 |
|---|---|---|
| conv1d | Conv1DLayer | 1维卷积层 |
| conv2d | Conv2DLayer | 2维卷积层 |
| pooling2d | Pooling2DLayer | 2维池化层。支持平均/最大/全局平均/全局最大池化 |
| flatten | FlattenLayer | 扁平化层 |
| fully_connected | FullyConnectedLayer | 全连接层 |
| input | InputLayer | 输入层。并非总是必需。 |
| batch_normalization | BatchNormalizationLayer | 批量归一化层 |
| layer_normalization | LayerNormalizationLayer | 层归一化层 |
| activation | ActivationLayer | 由层属性设置 |
| addition | AdditionLayer | 添加输入层 |
| attention | AttentionLayer | 注意力层 |
| centroid_knn | CentroidKNN | 质心k-最近邻层 |
| concat | ConcatLayer | 连接输入层 |
| multiout | MultiOutLayer | 多输出层 |
| backbone_nnstreamer | NNStreamerLayer | 封装NNStreamer层 |
| backbone_tflite | TfLiteLayer | 封装tflite作为一个层 |
| permute | PermuteLayer | 排列层,用于转置 |
| preprocess_flip | PreprocessFlipLayer | 预处理随机翻转层 |
| preprocess_l2norm | PreprocessL2NormLayer | 预处理简单l2范数层以进行归一化 |
| preprocess_translate | PreprocessTranslateLayer | 预处理平移层 |
| reshape | ReshapeLayer | 重塑张量维度层 |
| split | SplitLayer | 分割层 |
| dropout | DropOutLayer | 丢弃层 |
| embedding | EmbeddingLayer | 嵌入层 |
| positional_encoding | PositionalEncodingLayer | 位置编码层 |
| rnn | RNNLayer | 循环层 |
| rnncell | RNNCellLayer | 循环单元层 |
| gru | GRULayer | 门控循环单元层 |
| grucell | GRUCellLayer | 门控循环单元单元层 |
| lstm | LSTMLayer | 长短期记忆层 |
| lstmcell | LSTMCellLayer | 长短期记忆单元层 |
| zoneoutlstmcell | ZoneoutLSTMCellLayer | Zoneout长短期记忆单元层 |
| time_dist | TimeDistLayer | 时间分布层 |
| multi_head_attention | MultiHeadAttentionLayer | 多头注意力层 |
支持的优化器
NNTrainer提供
| 关键词 | 优化器名称 | 描述 |
|---|---|---|
| sgd | 随机梯度下降 | - |
| adam | 自适应矩估计 | - |
| 关键词 | 学习率 | 描述 |
|---|---|---|
| exponential | 指数学习率衰减 | - |
| constant | 常数学习率 | - |
| step | 阶梯学习率 | - |
支持的损失函数
NNTrainer提供
| 关键词 | 类名 | 描述 |
|---|---|---|
| cross_sigmoid | CrossEntropySigmoidLossLayer | 交叉熵sigmoid损失层 |
| cross_softmax | CrossEntropySoftmaxLossLayer | 交叉熵softmax损失层 |
| constant_derivative | ConstantDerivativeLossLayer | 常数导数损失层 |
| mse | MSELossLayer | 均方误差损失层 |
| kld | KLDLossLayer | 柯尔布克-莱布勒散度损失层 |
支持的激活函数
NNTrainer提供
| 关键词 | 损失名称 | 描述 |
|---|---|---|
| tanh | tanh函数 | 设置为层属性 |
| sigmoid | sigmoid函数 | 设置为层属性 |
| softmax | softmax函数 | 设置为层属性 |
| relu | relu函数 | 设置为层属性 |
| leaky_relu | leaky_relu函数 | 设置为层属性 |
| swish | swish函数 | 设置为层属性 |
| gelu | gelu函数 | 设置为层属性 |
| quick_gelu | quick gelu函数 | 设置为层属性 |
| elu | elu函数 | 设置为层属性 |
| selu | selu函数 | 设置为层属性 |
| softplus | softplus函数 | 设置为层属性 |
| mish | mish函数 | 设置为层属性 |
张量
张量负责层的计算。它执行多种运算,如加法、除法、乘法、点积、数据平均等。为了加速计算速度,PC(特别是NVIDIA GPU)上实现了CBLAS(C基本线性代数: CPU)和CUBLAS(CUDA:基本线性代数)用于某些操作。后续这些计算将进一步优化。 目前,我们支持延迟计算模式,以降低在计算过程中复制张量的复杂性。
| 关键词 | 描述 |
|---|---|
| 4D张量 | B, C, H, W |
| 加/减/乘/除 | - |
| 求和、平均、最大值 | - |
| 点乘、转置 | - |
| 归一化、标准化 | - |
| 保存、读取 | - |
其他
NNTrainer提供
| 关键词 | 损失名称 | 描述 |
|---|---|---|
| weight_initializer | 权重初始化 | Xavier(正态/均匀), LeCun(正态/均匀), HE(正态/均匀) |
| weight_regularizer | 权重衰减 (仅L2范数) | 需要设置weight_regularizer_param和类型 |
API
目前,我们为Tizen提供C API。还为其他平台提供了C++ API。Java和C#API将尽快提供。
维护人员
审查人员
- Sangjung Woo
- Wook Song
- Jaeyun Jung
- Hyoungjoo Ahn
- Parichay Kapoor
- Dongju Chae
- Gichan Jang
- Yongjoo Ahn
- Jihoon Lee
- Hyeonseok Lee
- Mete Ozay
- Hyunil Park
- Jiho Chu
- Yelin Jeong
- Donghak Park
- Hyungjun Seo
- Seungbaek Hong
- Sungsik Kong
- Donghyeon Jeong
- Eunju Yang
开源许可证
NNtrainer是一个根据Apache许可证版本2.0发布的开源项目。
贡献
欢迎贡献!详情请参见我们的贡献指南。
引用
如果您发现这个NNTrainer项目对您的研究有用或相关,请考虑引用我们的论文:
@inproceedings{10.1145/3639477.3639716,
author = {Moon, Jijoong and Lee, Hyeonseok and Chu, Jiho and Park, Donghak and Hong, Seungbaek and Seo, Hyungjun and Jeong, Donghyeon and Kong, Sungsik and Ham, Myungjoo},
title = {A New Frontier of AI: On-Device AI Training and Personalization},
year = {2024},
isbn = {9798400705014},
publisher = {Association for Computing Machinery},
url = {https://doi.org/10.1145/3639477.3639716},
doi = {10.1145/3639477.3639716},
booktitle = {Proceedings of the 46th International Conference on Software Engineering: Software Engineering in Practice},
pages = {323–333},
numpages = {11},
keywords = {on-device AI, neural network, personalization, training, software framework},
series = {ICSE-SEIP '24}
}
