NNtrainer

<a href="https://scan.coverity.com/projects/nnstreamer-nntrainer"> <img alt="Coverity Scan构建状态" src="https://scan.coverity.com/projects/22512/badge.svg"/> </a>

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 <br /> NNTrainer:轻量级的设备端训练框架 , arXiv, 2022 <br /> 开源的设备端AI软件平台 , Samsung开发者大会2023 (韩语) <br /> NNTrainer:在设备上个性化神经网络! , Samsung开发者大会2021 <br /> 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

• Jijoong Moon
• MyungJoo Ham
• Geunsik Lim

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}
}