Core Concepts
딥러닝 모델을 다른 프레임워크로 변환하는 과정에서 발생할 수 있는 오류를 체계적으로 파악하고 수정하는 기법을 제안한다.
Abstract
이 논문은 이미지 인식을 위한 딥러닝 모델을 다른 딥러닝 프레임워크로 변환하는 과정에서 발생할 수 있는 오류를 탐지하고 수정하는 기법을 제안한다.
모델 변환 과정에서 발생할 수 있는 오류를 관찰하기 위해 MobileNetV2, ResNet101, InceptionV3 모델을 TensorFlow, TFLite, Keras, PyTorch 프레임워크 간에 변환하여 비교 분석했다. 이 과정에서 모델 크래시와 출력 라벨 불일치 등 다양한 오류가 발견되었다.
이러한 오류를 해결하기 위해 변환 도구 분석, 모델 파라미터 분석, 모델 하이퍼파라미터 분석, 그래프 표현 분석 등 4단계의 오류 위치 파악 기법을 제안했다.
오류 위치 파악 결과를 바탕으로 모델 파라미터 교체, 그래프 변환 등의 수정 전략을 제안했다.
InceptionV3 모델을 TensorFlow에서 TFLite로 변환하는 과정에서 발생한 오류를 사례 연구로 제시했다. 이 과정에서 TFLiteConverter 도구의 가중치 정밀도 오류를 탐지하고 수정하여 변환 오류를 해결했다.
이 연구는 딥러닝 모델 변환 과정의 오류를 체계적으로 파악하고 수정하는 새로운 기법을 제안했다는 점에서 의의가 있다.
Stats
이미지 1의 경우 TensorFlow, ONNX, TFLite 모델 모두 "drum"으로 예측했다.
이미지 2의 경우 TensorFlow 모델은 "wallet"로, ONNX와 TFLite 모델은 "purse"로 예측했다.
이미지 3의 경우 TensorFlow 모델은 "wallaby"로, ONNX와 TFLite 모델은 "It. greyhound"로 예측했다.
Quotes
"딥러닝 모델을 다른 딥러닝 프레임워크로 변환하는 과정은 오류 발생이 쉽고, 이는 대상 모델의 정확도에 영향을 미칠 수 있다."
"우리는 이미지 인식을 위한 사전 학습된 모델의 변환 오류를 탐지하고 수정하기 위한 새로운 접근법을 제안한다."