Windows ML のパフォーマンスとメモリ

  • [アーティクル]

この記事では、Windows Machine Learning の使用時にアプリケーションのパフォーマンスを管理する方法について説明します。

スレッドと同時実行

ランタイムから公開される各オブジェクトはアジャイルであり、これはどのスレッドからもアクセスできることを意味します。 アジャイルについての詳細は、「C++/WinRT でのアジャイル オブジェクト」を参照してください。

使用する重要なオブジェクトの 1 つは、LearningModelSession です。 このオブジェクトは、どのスレッドから呼び出しても安全です。

  • GPU セッションの場合: オブジェクトはロックされ、同時呼び出しと同期されます。 同時実行が必要な場合、それを実現するには複数のセッションを作成する必要があります。

  • CPU セッションの場合: オブジェクトはロックされず、単一セッションでの同時呼び出しが許可されます。 自分の状態、バッファー、バインド オブジェクトを管理する必要があります。

自分のシナリオの目標をしっかりと検討する必要があります。 最新の GPU アーキテクチャは、CPU とは異なる動作をします。 たとえば、低レイテンシが目標の場合、同時実行ではなくパイプラインを使用して CPU と GPU エンジンでの動作のスケジュールを管理するとよいかもしれません。 詳細については、マルチエンジン同期に関するこの記事をご覧ください。 スループットが目標の場合 (できるだけ多くの画像を同時に処理するなど)、CPU を飽和状態にさせるために複数スレッドと同時実行を使いたいと思うことでしょう。

スレッドと同時実行については、実験を行い、タイミングを測定するとよいでしょう。 目標やシナリオによって、パフォーマンスは大きく変化します。

メモリ使用率

LearningModel と LearningModelSession の各インスタンスには、メモリ内にモデルのコピーがあります。 小規模なモデルを操作している場合は心配ないかもしれませんが、非常に大規模なモデルを操作している場合はこれが重要になります。

メモリを解放するには、モデルまたはセッションで Dispose を呼び出します。 それらを単純に削除しないでください。一部の言語ではレイジー ガベージ コレクションが実行されるためです。

LearningModel は、新しいセッションを作成できるように、メモリ内にコピーを保持します。 LearningModel を破棄した場合、既存のすべてのセッションは引き続き機能します。 ただし、その LearningModel インスタンスを使用して新しいセッションを作成できなくなります。 大規模なモデルでは、モデルとセッションを作成し、後でそのモデルを破棄できます。 Evaluate のすべての呼び出しに対して 1 つのセッションを使用すると、メモリ内に大規模なモデルのコピーを 1 つ保持することになります。

Float16 のサポート

パフォーマンスの向上と、モデルのフットプリントの削減のために、ONNXMLTools を使用して、モデルを float16 に変換できます。

変換されると、すべての重みと入力が float16 になります。 float16 の入力と出力を操作する方法を次に示します。

  • ImageFeatureValue

    • 推奨される使用法です。
    • 色を float16 に変換し、テンソル化します。
    • bgr8 および 8 ビットの画像形式をサポートしており、データ損失なしで float16 に安全に変換できます。

  • TensorFloat

    • 高度な方法。
    • float32 を float16 に型変換します。
    • 画像の場合、bgr8 はサイズが小さくて収まるので、これは安全に型変換できます。
    • 画像以外の場合、Bind は失敗し、代わりに TensorFloat16Bit に渡す必要があります。

  • TensorFloat16Bit

    • 高度な方法。
    • float16 に変換し、入力を float32 として渡す必要があります。これが float16 に型変換されます。

Note

ほとんどの場合、オペレーターは 32 ビット演算を依然として実行しています。 オーバーフローのリスクは少なく、結果は float16 に切り捨てられます。 ただし、ハードウェアで float16 のサポートが公表されている場合、それがランタイムで利用されます。

入力データの前処理

WinML では、入力データの処理をより簡単かつ効率的に行うために、内部でいくつかの前処理手順が実行されます。 たとえば、指定された入力画像はさまざまな色の形式や形状である可能性があり、モデルで想定されるものとは異なることがあります。 WinML では画像に対して変換を実行して一致させるため、開発者の負担が軽減されます。

また、WinML は、(CPU、GPU などの) ハードウェア スタック全体を利用して、特定のデバイスとシナリオに最も効率的な変換を提供します。

ただし、場合によっては、特定の要件があるために、入力データを手動でテンソル化しなければならないことがあります。 たとえば、画像に VideoFrame を使用したくない場合や、ピクセル値を 0 から 255 の範囲から、0 から 1 の範囲に正規化する場合などです。 このような場合は、データに対して独自のカスタム テンソル化を実行できます。 この例については、カスタム テンソル化のサンプルを参照してください。

Note

Windows ML に関するヘルプについては、次のリソースを参照してください。

  • Windows ML に関する技術的な質問をしたり、質問に回答したりするには、Stack Overflow の windows-machine-learning タグを使用してください。
  • バグを報告するには、GitHub で問題を提出してください。