¡Tenemos buenas noticias! Creaste una genial aplicación de IA web que ejecuta modelos de aprendizaje automático directamente en el dispositivo de un usuario. Se ejecuta por completo en el navegador web del cliente sin depender de la nube. En el dispositivo Diseño que mejora la privacidad del usuario, aumenta el rendimiento y reduce los costos de manera significativa.
Sin embargo, hay un obstáculo. Tu El modelo de TensorFlow.js puede funcionar en con CPU (WebAssembly) y GPU más potentes (mediante WebGL y WebGPU). La pregunta es la siguiente: ¿Cómo puedes automatizar de manera coherente las pruebas del navegador con el hardware seleccionado?
Mantener la coherencia es crucial para comparar el modelo de aprendizaje automático rendimiento con el tiempo a medida que los itera y mejora, antes de la implementación para usuarios reales en sus dispositivos.
Configurar un entorno de pruebas coherente con GPU puede ser más difícil que lo esperado. En esta entrada de blog, compartiremos los problemas que enfrentamos y cómo los resolvimos. para que puedas mejorar el rendimiento de tu aplicación.
Esto no es solo para desarrolladores de IA web. Si trabajas en videojuegos web o gráficos, esta publicación también es valiosa para ti.
Contenido de nuestra caja de herramientas de automatización
Esto es lo que usamos:
- Entorno: Un entorno de Google Colab basado en Linux notebook que esté conectado a una consola GPU T4 o V100. Puedes usar otras plataformas en la nube, como Google Cloud (GCP), si así lo prefieres.
- Navegador: Chrome es compatible con WebGPU, un poderoso sucesor de WebGL, que lleva los avances de las APIs modernas de GPU a la Web.
- Automatización: Puppeteer es una biblioteca de Node.js que permite controlas los navegadores de forma programática con JavaScript. Con Puppeteer podemos automatizar Chrome en modo sin interfaz gráfica, lo que significa que el navegador se ejecuta sin un visible en un servidor. Usamos la función nuevo modo sin interfaz gráfica, no heredado.
Verifica el entorno
La mejor manera de comprobar si la aceleración de hardware está activada en Chrome es
Escribe chrome://gpu en la barra de direcciones. Puedes
Ejecuta el equivalente con Puppeteer de manera programática.
con console.log o guarda el informe completo como PDF para revisarlo manualmente:
/* Incomplete example.js */
import puppeteer from 'puppeteer';
// Configure launch parameters: Expands later
const browser = await puppeteer.launch({
headless: 'new',
args: ['--no-sandbox']
});
const page = await browser.newPage();
await page.goto('chrome://gpu');
// Verify: log the WebGPU status or save the GPU report as PDF
const txt = await page.waitForSelector('text/WebGPU');
const status = await txt.evaluate(g => g.parentElement.textContent);
console.log(status);
await page.pdf({ path: './gpu.pdf' });
await browser.close();
Abre chrome://gpu. Deberías obtener los siguientes resultados:
| Estado de las funciones de gráficos | |
|---|---|
| OpenGL: | Inhabilitada |
| Vulkan: | Inhabilitada |
| WebGL: | Solo software; la aceleración de hardware no está disponible. |
| WebGL2: | Solo software; la aceleración de hardware no está disponible. |
| WebGPU: | Inhabilitada |
|
Se detectaron problemas. |
|
No fue un gran comienzo. Es bastante claro que la detección de hardware estaba fallando. En esencia, WebGL, WebGL2 y WebGPU están inhabilitados o solo son software. Mié no están solos en este problema: hay numerosos debates en línea de personas en una situación similar, incluso en los canales oficiales de asistencia de Chrome (1), (2).
Habilita la compatibilidad con WebGPU y WebGL
De forma predeterminada, Chrome sin interfaz gráfica inhabilita la GPU. Para habilitarlo en Linux, aplica todas las marcas siguientes cuando inicies Headless. Chrome:
- La marca
--no-sandboxinhabilita la zona de pruebas de seguridad de Chrome, que aísla los de navegación del resto del sistema. Ejecutar Chrome con permisos de administrador sin esta zona de pruebas no es compatible. - La función experimental
--headless=newejecuta Chrome con la versión nueva y mejorada modo sin interfaz gráfica, sin ninguna IU visible. - La marca
--use-angle=vulkanle indica a Chrome que use el Backend de Vulkan para ANGLE, que traduce las llamadas de OpenGL ES 2/3 a las llamadas a la API de Vulkan. - La marca
--enable-features=Vulkanhabilita el backend de gráficos de Vulkan para la composición y la rasterización en Chrome. - La marca
--disable-vulkan-surfaceinhabilita el vulkanVK_KHR_surfaceextensión de instancia. En lugar de usar una cadena de intercambio, Bit Blit se usa para las presentar el resultado de renderización en la pantalla. - La marca
--enable-unsafe-webgpuhabilita la API experimental de WebGPU en Chrome en Linux e inhabilita la lista de entidades bloqueadas de adaptadores.
Ahora, combinamos todos los cambios que hicimos hasta ahora. Aquí está la secuencia de comandos completa.
/* Complete example.js */
import puppeteer from 'puppeteer';
// Configure launch parameters
const browser = await puppeteer.launch({
headless: 'new',
args: [
'--no-sandbox',
'--headless=new',
'--use-angle=vulkan',
'--enable-features=Vulkan',
'--disable-vulkan-surface',
'--enable-unsafe-webgpu',
]
});
const page = await browser.newPage();
await page.goto('chrome://gpu');
// Verify: log the WebGPU status or save the GPU report as PDF
const txt = await page.waitForSelector('text/WebGPU');
const status = await txt.evaluate(g => g.parentElement.textContent);
console.log(status);
await page.pdf({path: './gpu.pdf'});
await browser.close();
Vuelve a ejecutar la secuencia de comandos. No se detectaron problemas de WebGPU y el valor cambia de inhabilitado solo para software.
| Estado de las funciones de gráficos | |
|---|---|
| OpenGL: | Inhabilitada |
| Vulkan: | Inhabilitada |
| WebGL: | Solo software; la aceleración de hardware no está disponible. |
| WebGL2: | Solo software; la aceleración de hardware no está disponible. |
| WebGPU: | Solo software; la aceleración de hardware no está disponible. |
Sin embargo, la aceleración de hardware aún no está disponible, por lo que la GPU NVIDIA T4 no está disponible. detectado.
Instala los controladores de GPU correctos
Investigamos en más detalle el resultado de chrome://gpu, con algunos expertos en GPU
del equipo de Chrome. Detectamos problemas con los controladores predeterminados instalados en el
Colab de Linux
lo que causaba problemas con Vulkan, lo que provocaba que Chrome no pudiera detectar la
GPU NVIDIA T4 en el nivel GL_RENDERER, como se muestra en el siguiente resultado. Esta
causa problemas con Headless Chrome.
| Información del conductor | |
|---|---|
| GL_RENDERER | ANGLE (Google, Vulkan 1.3.0 [SwiftShader Device [Subzero] [0x0000C0DE]), SwiftShader driver-5.0.0) |
Por lo tanto, instalar los controladores correctos que eran compatibles permite solucionar el problema.
| Información del conductor | |
|---|---|
| GL_RENDERER | ANGLE (NVIDIA Corporation, Tesla T4/PCIe/SSE2, OpenGL ES 3.2 NVIDIA 525.105.17) |
Para instalar los controladores correctos, ejecuta los siguientes comandos durante la configuración. El
las dos líneas anteriores te ayudan a registrar los resultados de lo que detectan los controladores de NVIDIA junto
con vulkaninfo.
apt-get install -y vulkan-tools libnvidia-gl-525// Verify the NVIDIA drivers detects along with vulkaninfonvidia-smivulkaninfo --summary
Ahora vuelve a ejecutar la secuencia de comandos y obtendremos el siguiente resultado. 🎉
| Estado de las funciones de gráficos | |
|---|---|
| OpenGL: | Habilitado |
| Vulkan: | Habilitado |
| WebGL: | Acelerada por el hardware, pero con un rendimiento reducido. |
| WebGL2: | Acelerada por el hardware, pero con un rendimiento reducido. |
| WebGPU: | Acelerada por el hardware, pero con un rendimiento reducido. |
Ahora que usamos los controladores y marcas correctos cuando se ejecuta Chrome, tenemos WebGPU. y la compatibilidad con WebGL mediante el nuevo modo sin interfaz gráfica.
Detrás de escena: La investigación de nuestro equipo
Después de muchas investigaciones, no encontramos métodos que funcionaran para el medio ambiente que necesarios para ejecutarse en Google Colab, aunque había algunos publicaciones esperanzadoras que funcionaba en otros entornos, lo que era prometedor. En definitiva, no estábamos replicar su éxito en el entorno de Colab NVIDIA T4, ya que 2 problemas clave:
- Algunas combinaciones de marcas permiten la detección de la GPU, pero no te permiten usan la GPU.
- Algunos ejemplos de soluciones de trabajo de terceros usan la interfaz sin interfaz gráfica de Chrome que en algún momento dejará de estar disponible y se usará nueva versión. Necesitábamos una solución que funcionaba con el nuevo Chrome sin interfaz gráfica para estar mejor preparado para el futuro.
Confirmamos el poco uso de la GPU ejecutando un Ejemplo de página web de TensorFlow.js para reconocimiento de imágenes, donde entrenamos un modelo para reconocer muestras de ropa (algo así como en todo el mundo" del aprendizaje automático).
En una máquina normal, se deben ejecutar 50 ciclos de entrenamiento (conocidos como ciclos de entrenamiento) en menos de 1 segundo cada una. Llamando a Headless Chrome en su estado predeterminado, podríamos registrar el resultado de la consola de JavaScript a la línea de comandos del servidor de Node.js para ver cómo la velocidad de estos ciclos de entrenamiento.
Como era de esperar, cada ciclo de entrenamiento tardó mucho más de lo esperado (varias etapas segundos), lo que sugiere que Chrome volvió a la antigua ejecución de CPU JS simple. en lugar de usar la GPU:
Después de corregir los controladores y utilizar la combinación correcta de marcas para Headless En Chrome, volver a ejecutar el ejemplo de entrenamiento de TensorFlow.js da como resultado una ciclos de entrenamiento.
Resumen
La IA web creció exponencialmente desde su creación en 2017. Con tecnologías de navegador como WebGPU, WebGL y WebAssembly, un modelo de aprendizaje automático las operaciones matemáticas se pueden acelerar aún más en el lado del cliente.
En 2023, TensorFlow.js y MediaPipe Web superaron las 1,000 millones de descargas de modelos y bibliotecas: un hito histórico y una señal de cómo la Web los desarrolladores y los ingenieros están cambiando para adoptar la IA en su próxima generación aplicaciones web para crear soluciones realmente increíbles.
El éxito en el uso conlleva una gran responsabilidad. En este nivel de uso En los sistemas de producción, surge la necesidad de probar la IA del cliente basada en el navegador en un entorno de navegador real, a la vez que es escalable, automatizable y en una configuración de hardware estandarizada conocida.
Al aprovechar el poder combinado de los nuevos Headless Chrome y Puppeteer, pueden probar con confianza esas cargas de trabajo en un entorno estandarizado y replicable en el entorno de nube, lo que garantiza resultados coherentes y confiables.
Conclusión
Hay una guía paso a paso disponible en para que puedas probar la configuración completa por tu cuenta.
Si esto te resultó útil, menciónalo en LinkedIn, X (anteriormente Twitter) o cualquier red social que usas con el hashtag #WebAI. Sería genial escuchar comentarios para que sepamos que debemos escribir más contenido como este en el futuro.
Agrega una estrella en el repositorio de GitHub para recibir actualizaciones en el futuro.
Agradecimientos
Muchas gracias a todos los miembros del equipo de Chrome que ayudaron a depurar el conductor y WebGPU que tuvimos en esta solución, con un agradecimiento especial a Jecelyn Yeen y Alexandra White por ayudar a {i>wordsmith<i} esta entrada de blog. Gracias a Yuly Novikov, Andrey Kosyakov y Alex Rudenko, que tuvo un rol instrumental en la creación de la solución final y funcional.