모델 양자화와 배포

이 문서는 KataGo 모델을 양자화하여 리소스 요구사항을 줄이는 방법과 다양한 플랫폼에서의 배포 방안을 소개합니다.

---

양자화 기술 개요

왜 양자화가 필요한가?

정밀도	크기	속도	정밀도 손실
FP32	100%	기준	0%
FP16	50%	+50%	~0%
INT8	25%	+100%	<1%

양자화 유형

훈련 후 양자화 (PTQ)
├── 간단하고 빠름
├── 재학습 불필요
└── 정밀도 손실 가능성

양자화 인식 훈련 (QAT)
├── 더 높은 정밀도
├── 재학습 필요
└── 비교적 복잡

---

FP16 반정밀도

개념

32비트 부동소수점을 16비트로 변환:

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

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

KataGo 설정

# config.cfg
useFP16 = true           # FP16 추론 활성화
useFP16Storage = true    # FP16 중간 결과 저장

성능 영향

GPU 시리즈	FP16 가속
GTX 10xx	없음 (Tensor Core 없음)
RTX 20xx	+30-50%
RTX 30xx	+50-80%
RTX 40xx	+80-100%

---

INT8 양자화

양자화 프로세스

import torch.quantization as quant

# 1. 모델 준비
model.eval()
model.qconfig = quant.get_default_qconfig('fbgemm')

# 2. 양자화 준비
model_prepared = quant.prepare(model)

# 3. 교정 (대표 데이터 사용)
with torch.no_grad():
    for data in calibration_loader:
        model_prepared(data)

# 4. 양자화 모델로 변환
model_quantized = quant.convert(model_prepared)

교정 데이터

def create_calibration_dataset(num_samples=1000):
    """교정 데이터셋 생성"""
    samples = []

    # 실제 대국에서 샘플링
    for game in random_games(num_samples):
        position = random_position(game)
        features = encode_state(position)
        samples.append(features)

    return samples

주의사항

• INT8 양자화는 교정 데이터 필요
• 일부 레이어는 양자화에 적합하지 않을 수 있음
• 정밀도 손실 테스트 필요

---

TensorRT 배포

변환 프로세스

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 모델 파싱
    with open(onnx_path, 'rb') as f:
        parser.parse(f.read())

    # 최적화 옵션 설정
    config = builder.create_builder_config()
    config.max_workspace_size = 1 << 30  # 1GB

    # FP16 활성화
    config.set_flag(trt.BuilderFlag.FP16)

    # 엔진 빌드
    engine = builder.build_engine(network, config)

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

TensorRT 엔진 사용

def inference_with_tensorrt(engine_path, input_data):
    # 엔진 로드
    with open(engine_path, 'rb') as f:
        engine = trt.Runtime(logger).deserialize_cuda_engine(f.read())

    context = engine.create_execution_context()

    # 메모리 할당
    d_input = cuda.mem_alloc(input_data.nbytes)
    d_output = cuda.mem_alloc(output_size)

    # 입력 복사
    cuda.memcpy_htod(d_input, input_data)

    # 추론 실행
    context.execute_v2([int(d_input), int(d_output)])

    # 출력 가져오기
    output = np.empty(output_shape, dtype=np.float32)
    cuda.memcpy_dtoh(output, d_output)

    return output

---

ONNX 내보내기

PyTorch → ONNX

import torch.onnx

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

    # 예제 입력 생성
    dummy_input = torch.randn(1, 22, 19, 19)

    # 내보내기
    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 모델 검증

import onnx
import onnxruntime as ort

# 모델 구조 검증
model = onnx.load("model.onnx")
onnx.checker.check_model(model)

# 추론 테스트
session = ort.InferenceSession("model.onnx")
output = session.run(None, {'input': input_data})

---

각 플랫폼 배포

서버 배포

# 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

데스크톱 애플리케이션 통합

# KataGo를 Python 애플리케이션에 임베드
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)

모바일 기기 배포

iOS (Core ML)

import coremltools as ct

# Core ML로 변환
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

# TFLite로 변환
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)

임베디드 시스템

Raspberry Pi

# Eigen 백엔드 사용 (순수 CPU)
./katago gtp -model kata-b10c128.bin.gz -config rpi.cfg

# rpi.cfg - Raspberry Pi 최적화 설정
numSearchThreads = 4
maxVisits = 100
nnMaxBatchSize = 1

NVIDIA Jetson

# CUDA 백엔드 사용
./katago gtp -model kata-b18c384.bin.gz -config jetson.cfg

---

성능 비교

다양한 배포 방식의 성능

배포 방식	하드웨어	Playouts/초
CUDA FP32	RTX 3080	~3000
CUDA FP16	RTX 3080	~5000
TensorRT FP16	RTX 3080	~6500
OpenCL	M1 Pro	~1500
Core ML	M1 Pro	~1800
TFLite	Pixel 7	~50
Eigen	RPi 4	~15

모델 크기 비교

형식	b18c384 크기
원본 (.bin.gz)	~140 MB
ONNX FP32	~280 MB
ONNX FP16	~140 MB
TensorRT FP16	~100 MB
TFLite FP16	~140 MB

---

배포 체크리스트

• 적합한 양자화 정밀도 선택
• 교정 데이터 준비 (INT8)
• 대상 형식으로 내보내기
• 정밀도 손실이 허용 가능한지 검증
• 대상 플랫폼 성능 테스트
• 메모리 사용량 최적화
• 자동화 배포 프로세스 구축

---

추가 읽기

• GPU 백엔드와 최적화 — 기본 성능 최적화
• 평가 및 벤치마크 테스트 — 배포 후 성능 검증
• 프로젝트에 통합하기 — API 통합 예제