メインコンテンツまでスキップ

モデル量子化とデプロイメント

本記事では、KataGoモデルの量子化によるリソース削減方法と、各種プラットフォームへのデプロイソリューションを紹介します。

量子化技術の概要​

なぜ量子化が必要か？​

精度サイズ速度精度損失
FP32100%基準0%
FP1650%+50%~0%
INT825%+100%<1%

量子化の種類​

訓練後量子化（PTQ）
├── 簡単で高速
├── 再訓練不要
└── 精度損失の可能性あり

量子化認識訓練（QAT）
├── より高い精度
├── 再訓練が必要
└── より複雑

FP16半精度​

概念​

32ビット浮動小数点を16ビットに変換：

# FP32 → FP16変換
model_fp16 = model.half()

# 推論
with torch.cuda.amp.autocast():
    output = model_fp16(input.half())

KataGo設定​

# config.cfg
useFP16 = true           # FP16推論を有効化
useFP16Storage = true    # FP16で中間結果を保存

パフォーマンスへの影響​

GPUシリーズFP16アクセラレーション
GTX 10xxなし（Tensor Coreなし）
RTX 20xx+30-50%
RTX 30xx+50-80%
RTX 40xx+80-100%

INT8量子化​

量子化フロー​

import torch.quantization as quant

# 1. モデルを準備
model.eval()
model.qconfig = quant.get_default_qconfig('fbgemm')

# 2. 量子化を準備
model_prepared = quant.prepare(model)

# 3. キャリブレーション（代表的なデータを使用）
with torch.no_grad():
    for data in calibration_loader:
        model_prepared(data)

# 4. 量子化モデルに変換
model_quantized = quant.convert(model_prepared)

キャリブレーションデータ​

def create_calibration_dataset(num_samples=1000):
    """キャリブレーションデータセットを作成"""
    samples = []

    # 実際の対局からサンプリング
    for game in random_games(num_samples):
        position = random_position(game)
        features = encode_state(position)
        samples.append(features)

    return samples

注意事項​

  • INT8量子化にはキャリブレーションデータが必要
  • 一部のレイヤーは量子化に適さない場合がある
  • 精度損失のテストが必要

TensorRTデプロイメント​

変換フロー​

import tensorrt as trt

def convert_to_tensorrt(onnx_path, engine_path):
    logger = trt.Logger(trt.Logger.WARNING)
    builder = trt.Builder(logger)
    network = builder.create_network(
        1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH)
    )
    parser = trt.OnnxParser(network, logger)

    # ONNXモデルを解析
    with open(onnx_path, 'rb') as f:
        parser.parse(f.read())

    # 最適化オプションを設定
    config = builder.create_builder_config()
    config.max_workspace_size = 1 << 30  # 1GB

    # FP16を有効化
    config.set_flag(trt.BuilderFlag.FP16)

    # エンジンを構築
    engine = builder.build_engine(network, config)

    # 保存
    with open(engine_path, 'wb') as f:
        f.write(engine.serialize())

TensorRTエンジンの使用​

def inference_with_tensorrt(engine_path, input_data):
    # エンジンをロード
    with open(engine_path, 'rb') as f:
        engine = trt.Runtime(logger).deserialize_cuda_engine(f.read())

    context = engine.create_execution_context()

    # メモリを割り当て
    d_input = cuda.mem_alloc(input_data.nbytes)
    d_output = cuda.mem_alloc(output_size)

    # 入力をコピー
    cuda.memcpy_htod(d_input, input_data)

    # 推論を実行
    context.execute_v2([int(d_input), int(d_output)])

    # 出力を取得
    output = np.empty(output_shape, dtype=np.float32)
    cuda.memcpy_dtoh(output, d_output)

    return output

ONNXエクスポート​

PyTorch → ONNX​

import torch.onnx

def export_to_onnx(model, output_path):
    model.eval()

    # サンプル入力を作成
    dummy_input = torch.randn(1, 22, 19, 19)

    # エクスポート
    torch.onnx.export(
        model,
        dummy_input,
        output_path,
        input_names=['input'],
        output_names=['policy', 'value', 'ownership'],
        dynamic_axes={
            'input': {0: 'batch_size'},
            'policy': {0: 'batch_size'},
            'value': {0: 'batch_size'},
            'ownership': {0: 'batch_size'}
        },
        opset_version=13
    )

ONNXモデルの検証​

import onnx
import onnxruntime as ort

# モデル構造を検証
model = onnx.load("model.onnx")
onnx.checker.check_model(model)

# 推論をテスト
session = ort.InferenceSession("model.onnx")
output = session.run(None, {'input': input_data})

各プラットフォームへのデプロイ​

サーバーデプロイ​

# docker-compose.yml
version: '3'
services:
  katago:
    image: katago/katago:latest
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    volumes:
      - ./models:/models
      - ./config:/config
    command: >
      katago analysis
      -model /models/kata-b18c384.bin.gz
      -config /config/analysis.cfg

デスクトップアプリ統合​

# KataGoをPythonアプリに埋め込む
import subprocess
import json

class KataGoProcess:
    def __init__(self, katago_path, model_path):
        self.process = subprocess.Popen(
            [katago_path, 'analysis', '-model', model_path],
            stdin=subprocess.PIPE,
            stdout=subprocess.PIPE,
            text=True
        )

    def analyze(self, moves):
        query = {
            'id': 'query1',
            'moves': moves,
            'rules': 'chinese',
            'komi': 7.5,
            'boardXSize': 19,
            'boardYSize': 19
        }
        self.process.stdin.write(json.dumps(query) + '\n')
        self.process.stdin.flush()

        response = self.process.stdout.readline()
        return json.loads(response)

モバイルデプロイ​

iOS（Core ML）​

import coremltools as ct

# Core MLに変換
mlmodel = ct.convert(
    model,
    inputs=[ct.TensorType(shape=(1, 22, 19, 19))],
    minimum_deployment_target=ct.target.iOS15
)

mlmodel.save("KataGo.mlmodel")

Android（TensorFlow Lite）​

import tensorflow as tf

# TFLiteに変換
converter = tf.lite.TFLiteConverter.from_saved_model(model_path)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.target_spec.supported_types = [tf.float16]

tflite_model = converter.convert()

with open('katago.tflite', 'wb') as f:
    f.write(tflite_model)

組み込みシステム​

Raspberry Pi​

# Eigenバックエンドを使用（CPU専用）
./katago gtp -model kata-b10c128.bin.gz -config rpi.cfg
# rpi.cfg - Raspberry Pi最適化設定
numSearchThreads = 4
maxVisits = 100
nnMaxBatchSize = 1

NVIDIA Jetson​

# CUDAバックエンドを使用
./katago gtp -model kata-b18c384.bin.gz -config jetson.cfg

パフォーマンス比較​

各デプロイ方式のパフォーマンス​

デプロイ方式ハードウェアPlayouts/秒
CUDA FP32RTX 3080~3000
CUDA FP16RTX 3080~5000
TensorRT FP16RTX 3080~6500
OpenCLM1 Pro~1500
Core MLM1 Pro~1800
TFLitePixel 7~50
EigenRPi 4~15

モデルサイズ比較​

フォーマットb18c384サイズ
オリジナル (.bin.gz)~140 MB
ONNX FP32~280 MB
ONNX FP16~140 MB
TensorRT FP16~100 MB
TFLite FP16~140 MB

デプロイチェックリスト​

  • 適切な量子化精度を選択
  • キャリブレーションデータを準備（INT8）
  • ターゲットフォーマットにエクスポート
  • 精度損失が許容範囲内か検証
  • ターゲットプラットフォームでパフォーマンスをテスト
  • メモリ使用量を最適化
  • 自動化されたデプロイフローを構築

関連記事​