使用OpenVINO和英特尔开发套件助力时序数据分类
本文介绍了时间序列数据分类模型IncpetionTime的基本结构，使用来自UCR时序数据集的Wafer分类任务训练了InceptionTime模型，并通过OpenVINO™将模型部署在英特尔开发套件开发板上，实现了实时时序数据分类任务。希望通过本文的启发，大家能够在项目中使用OpenVINO和英特尔开发套件解决更多的时间序列分析问题。
作者：冯伟
本案例适用于x86以上英特尔平台
1. 简介
时间序列数据分析在工业，能源，医疗，交通，金融，零售等多个领域都有广泛应用。其中时间序列数据分类是分析时序数据的常见任务之一。
本文将通过一个具体的案例，介绍如何训练时序数据分类模型 InceptionTime以及如何通过OpenVINO部署深度学习模型，在英特尔开发套件上实时运行分类任务。
2. 英特尔开发套件
英特尔开发者套件AIxBoard（爱克斯开发板）是专为支持入门级边缘AI应用程序和设备而设计。能够满足人工智能学习、开发、实训等应用场景。
该开发板是类树莓派的x86主机，可支持Linux Ubuntu及完整版Windows操作系统。板载一颗英特尔4核处理器，最高运行频率可达2.9 GHz，且内置核显（iGPU），板载 64GB eMMC存储及LPDDR4x 2933MHz（4GB/6GB/8GB），内置蓝牙和Wi-Fi模组，支持USB 3.0、HDMI视频输出、3.5mm音频接口，1000Mbps以太网口。完全可把它作为一台mini小电脑来看待，且其可集成一块Arduino Leonardo单片机，可外拓各种传感器模块。
此外, 其接口与Jetson Nano载板兼容，GPIO与树莓派兼容，能够最大限度地复用树莓派、Jetson Nano等生态资源，无论是摄像头物体识别，3D打印，还是CNC实时插补控制都能稳定运行。可作为边缘计算引擎用于人工智能产品验证、开发；也可以作为域控核心用于机器人产品开发。
x86架构使支持完整的Windows系统，不需要特殊优化就能直接获得Visual Studio、OpenVINO、OpenCV等最强大的软件支持，最成熟的开发生态，数百万的开源项目，给你的创意提供更多助力。无论您是一个DIY的狂热爱好者、交互设计师还是机器人专家，英特尔开发套件都是你理想的伙伴！
产品链接：蓝蛙智能门店
3. 模型简介
近年来机器学习和深度学习在时序数据分类任务中取得了显著进展，HIVE-COTE和InceptionTime模型都取得了不错的成果。
相比基于Nearest Neighbor和DTW算法的HIVE-COTE模型，基于一维卷积(Conv1D)的InceptionTime在极大降低了计算复杂度的基础上，取得了与HIVE-COTE相当的精度。
如下图所示，Inception模块是InceptionTime模型的基本组成模块，由多个一维卷积(Conv1D)操作堆叠，并于残差连接而成。
完整的InceptionTime模型由多个Inception模块连接而成。
关于InceptionTime的更多细节请参考论文： https://arxiv.org/abs/1909.04939。
4. 数据集
本文采用的数据集来自http://timeseriesclassification.com/TSC.zip，由128个时间序列分类任务组成。其中的Wafer数据集包含1000条训练数据和和6164条测试数据，每条数据均包含标签值和长度152的时间序列数据。时序数据是晶片生成过程中同一个工具通过单个传感器记录的时间序列数据。下图展示了正常(class 1)和异常(class 0)两种标签对应的时序数据示例。
不难看出，这是一个标准的监督学习分类任务。我们希望找到一个模型，每输入长度152的时序数据，模型输出0或1，判断输入时序数据对应的晶片生成过程是否存在异常。
5. 模型训练
本文中我们将使用Wafer数据集训练一个InceptionTime模型。训练得到的模型可以根据晶片生产过程中传感器记录的时序数据，判断某个晶片的生产过程是否存在异常。
InceptionTime的作者开源了基于tensorflow.keras的实现，本文的模型代码基于开源版本https://github.com/hfawaz/InceptionTime。
首先加载python库。
from os import path
import numpy as np
from sklearn import preprocessing
from tensorflow import keras
from tensorflow.keras.layers import (
Activation, Add, BatchNormalization, Concatenate,
Conv1D, Dense, Input, GlobalAveragePooling1D, MaxPool1D
)然后加载Wafer数据集并进行预处理。
def readucr(filename, delimiter='\t'):
data = np.loadtxt(filename, delimiter=delimiter)
y = data[:, 0]
x = data[:, 1:]
return x, y
def load_data(db):
x_train, y_train = readucr(db + '_TRAIN.tsv')
x_test, y_test = readucr(db + '_TEST.tsv')
n_classes = len(np.unique(y_train))
enc = preprocessing.OneHotEncoder()
y = np.concatenate((y_train, y_test), axis=0).reshape(-1,1)
enc.fit(y)
y_tr = enc.transform(y_train.reshape(-1,1)).toarray()
y_te = enc.transform(y_test.reshape(-1,1)).toarray()
x_tr, x_te = map(lambda x: x.reshape(x.shape[0], x.shape[1], 1), [x_train, x_test])
return x_tr, y_tr, x_te, y_te, n_classes
x_tr, y_tr, x_te, y_te, n_classes = load_data('Wafer')使用tensorflow.keras实现IncetionTime，并创建模型。
def inception_module(input_tensor, filters, kernel_size, bottleneck_size,
activation='relu', use_bottleneck=True):
if use_bottleneck and int(input_tensor.shape[-1]) > 1:
input_inception = Conv1D(filters=bottleneck_size, kernel_size=1, padding='same',
activation=activation, use_bias=False)(input_tensor)
else:
input_inception = input_tensor
kernel_size_s = [kernel_size // (2 ** i) for i in range(3)] # [40, 20, 10]
conv_list = []
for i in range(len(kernel_size_s)):
conv = Conv1D(filters=filters, kernel_size=kernel_size_s[i],
strides=1, padding='same', activation=activation,
use_bias=False)(input_inception)
conv_list.append(conv)
max_pool = MaxPool1D(pool_size=3, strides=1, padding='same')(input_tensor)
conv_6 = Conv1D(filters=filters, kernel_size=1, padding='same',
activation=activation, use_bias=False)(max_pool)
conv_list.append(conv_6)
x = Concatenate(axis=2)(conv_list)
x = BatchNormalization()(x)
x = Activation(activation='relu')(x)
return x
def shortcut_layer(input_tensor, output_tensor):
y = Conv1D(filters=int(output_tensor.shape[-1]), kernel_size=1,
padding='same', use_bias=False)(input_tensor)
y = BatchNormalization()(y)
x = Add()([y, output_tensor])
x = Activation(activation='relu')(x)
return x
def build_model(input_shape, n_classes, depth=6,
filters=32, kernel_size=40, bottleneck_size=32,
use_residual=True):
input_layer = Input(input_shape)
x = input_layer
input_res = input_layer
for d in range(depth):
x = inception_module(x, filters, kernel_size, bottleneck_size)
if use_residual and d % 3 == 2:
x = shortcut_layer(input_res, x)
input_res = x
gap_layer = GlobalAveragePooling1D()(x)
output_layer = Dense(n_classes, activation="softmax")(gap_layer)
model = keras.Model(input_layer, output_layer)
return model
model = build_model(x_tr.shape[1:], n_classes)
model.compile(
optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy']
)训练模型。
ckpt_path = path.sep.join(['.', 'models', 'inception_wafer.h5'])
callbacks = [
keras.callbacks.ReduceLROnPlateau(
monitor='val_loss', factor=0.5, patience=20, min_lr=0.0001
),
keras.callbacks.EarlyStopping(monitor='val_loss', patience=20, verbose=1),
keras.callbacks.ModelCheckpoint(
filepath=ckpt_path, monitor='val_loss', save_best_only=True
)
]
batch_size = 32
epochs = 500
history = model.fit(x_tr, y_tr, batch_size, epochs, verbose='auto', shuffle=True, validation_split=0.2, callbacks=callbacks)简单显示一下训练过程。
metric = 'accuracy'
plt.figure(figsize=(10, 5))
plt.plot(history.history[metric])
plt.plot(history.history['val_'+metric])
plt.title("model " + metric)
plt.ylabel(metric, fontsize='large')
plt.xlabel('epoch', fontsize='large')
plt.legend(["train", "val"], loc="best")
plt.show()
plt.close()
使用测试数据验证模型的推理精度。
classifier = keras.models.load_model(ckpt_path)
test_loss, test_acc = classifier.evaluate(x_te, y_te)
print("Test accuracy: ", test_acc)
print("Test loss: ", test_loss)193/193 [==============================] - 2s 11ms/step - loss: 0.0142 - accuracy: 0.9958
Test accuracy: 0.9957819581031799
Test loss: 0.014155667275190353我们的模型在Wafer测试数据上取得了99.58%的精度。
6. 模型转换
为了使用OpenVINO Runtime进行推理计算，我们需要将tensorflow模型转换为OpenVINO IR格式。
from pathlib import Path
from openvino.tools import mo
from tensorflow import keras
model = keras.models.load_model('models/inception_wafer.h5')
model_path = Path('models/inception.0_float')
model.save(model_path)
model_dir = Path("ov")
model_dir.mkdir(exist_ok=True)
ir_path = Path("ov/inception.xml")
input_shape = [1, 152, 1]
if not ir_path.exists():
print("Exporting TensorFlow model to IR...")
ov_model = mo.convert_model(saved_model_dir=model_path, input_shape=input_shape, compress_to_fp16=True)
serialize(ov_model, ir_path)
else:
print(f"IR model {ir_path} already exists.")转换完成后，生成的IR格式模型被存储为模型定义文件inception.xml和二进制文件inception.bin。
7. 模型部署
接下来我们在爱克斯开发板上部署刚刚训练的IncetpionTime模型。
首先将inception.bin, inception.xml, 和Wafer_TEST.tsv几个文件复制到英特尔开发套件上。
加载python库。
from pathlib import Path
import numpy as np
from openvino.runtime import Core, serialize本例中我们使用的OpenVINO™版本是2023.0.1。
import openvino.runtime
print(openvino.runtime.__version__)2023.0.1-11005-fa1c41994f3-releases/2023/0使用OpenVINO运行Inception模型。
ir_path = Path("inception.xml")
core = Core()
model = core.read_model(ir_path)
import ipywidgets as widgets
device = widgets.Dropdown(
options=core.available_devices + ["AUTO"],
value='AUTO',
description='Device:',
disabled=False
)
def readucr(filename, delimiter='\t'):
data = np.loadtxt(filename, delimiter=delimiter)
y = data[:, 0]
x = data[:, 1:]
y[y==-1] = 0
return np.expand_dims(x, axis=2), y
X, y = readucr('Wafer_TEST.tsv')
compiled_model = core.compile_model(model, device_name=device.value)
input_key = compiled_model.input(0)
output_key = compiled_model.output(0)
network_input_shape = input_key.shape
counter = 0
for idx, i in enumerate(X):
i = np.expand_dims(i, axis=0)
r = compiled_model(i)[output_key]
counter += 1 if r.argmax() == y[idx] else 0
print('{:.6f}'.format(counter/len(y)))0.995782使用OpenVINO推理的精度跟tensorflow模型推理精度一致，同样达到了99.58%。我们在模型转换时将原模型数据格式压缩为FP16，这一操作并没有导致精度下降。
性能测试
使用OpenVINO™自带的benchmark工具可以轻松地在英特尔开发套件上进行性能测试。
benchmark_app -m inception.xml -hint latency -d CPU[ INFO ] First inference took 8.59 ms
[Step 11/11] Dumping statistics report
[ INFO ] Execution Devices:['CPU']
[ INFO ] Count: 8683 iterations
[ INFO ] Duration: 60012.27 ms
[ INFO ] Latency:
[ INFO ] Median: 6.44 ms
[ INFO ] Average: 6.81 ms
[ INFO ] Min: 6.34 ms
[ INFO ] Max: 37.13 ms
[ INFO ] Throughput: 144.69 FPSbenchmark_app -m inception.xml -hint latency -d GPU[ INFO ] First inference took 10.58 ms
[Step 11/11] Dumping statistics report
[ INFO ] Execution Devices:['GPU.0']
[ INFO ] Count: 7151 iterations
[ INFO ] Duration: 60026.34 ms
[ INFO ] Latency:
[ INFO ] Median: 7.50 ms
[ INFO ] Average: 8.23 ms
[ INFO ] Min: 7.04 ms
[ INFO ] Max: 21.78 ms
[ INFO ] Throughput: 119.13 FPS从上面结果可以看出，使用英特尔开发套件的CPU运行InceptionTime模型推理，平均时长为6.81ms。使用集成GPU推理，平均时长为8.23ms。
8. 总结
本文介绍了时间序列数据分类模型IncpetionTime的基本结构，使用来自UCR时序数据集的Wafer分类任务训练了InceptionTime模型，并通过OpenVINO™将模型部署在英特尔开发套件开发板上，实现了实时时序数据分类任务。希望通过本文的启发，大家能够在项目中使用OpenVINO和英特尔开发套件解决更多的时间序列分析问题。
关于英特尔开发套件
英特尔开发者套件AIxBoard（爱克斯开发板）是专为支持入门级边缘 AI 应用程序和设备而设计，能够满足人工智能学习、开发、实训等应用场景。该开发板是类树莓派的 x86 主机，可支持 Linux Ubuntu 及完整版 Windows 操作系统，板载一颗英特尔 4 核处理器，最高运行频率可达 2.9 GHz，且内置核显（iGPU），板载 64GB eMMC 存储及 LPDDR4x 2933MHz（4GB/6GB/8GB），内置蓝牙和 Wi-Fi 模组，支持 USB 3.0、HDMI 视频输出、3.5mm 音频接口，1000Mbps 以太网口，完全可把它作为一台 mini 小电脑来看待，且其可集成一块 Arduino Leonardo 单片机，可外拓各种传感器模块。此外，其接口与 Jetson Nano 载板兼容，GPIO 与树莓派兼容，能够最大限度地复用树莓派、Jetson Nano 等生态资源，无论是摄像头物体识别，3D 打印，还是 CNC 实时插补控制都能稳定运行，不仅可作为边缘计算引擎用于人工智能产品验证、开发，也可作为域控核心用于机器人产品开发。
产品链接：首页_蓝蛙智能
关于作者
冯伟，英特尔软件架构师，16 年软件研发经验，涵盖浏览器、计算机视觉、虚拟机等多个领域。2015 年加入英特尔，近年来专注于边缘计算、深度学习模型落地，以及时序数据分析等方向。
为开发者提供丰富的英特尔开发套件资源、创新技术、解决方案与行业活动。欢迎关注！
更多推荐
0
0- 0
已为社区贡献73条内容
所有评论(0)