कस्टम डेलिगेट को लागू करना

TensorFlow Lite डेलिगेट की मदद से, अपने मॉडल (कुछ हिस्सा या पूरा) किसी दूसरे एक्ज़ीक्यूटर पर चलाए जा सकते हैं. यह तरीका, डिवाइस पर मौजूद कई तरह के ऐक्सेलरेटर का इस्तेमाल कर सकता है. जैसे, अनुमान लगाने के लिए जीपीयू या Edge TPU (टेन्सर प्रोसेसिंग यूनिट) का इस्तेमाल किया जाता है. इससे डेवलपर को तेज़ी से अनुमान लगाने के लिए, डिफ़ॉल्ट TFLite से एक आसान और अलग किया गया तरीका मिलता है.

इस डायग्राम में, ऐक्सेस पाने वाले लोगों की खास जानकारी दी गई है. इसके बारे में ज़्यादा जानकारी नीचे दिए गए सेक्शन में दी गई है.

TFLite डेलिगेट

मुझे कस्टम डेलिगेट कब बनाना चाहिए?

TensorFlow Lite में, टारगेट ऐक्सेलरेटर के लिए कई तरह के प्रतिनिधि होते हैं, जैसे कि GPU, DSP, और EdgeTPU.

खुद का प्रतिनिधि बनाना, इन स्थितियों में काम का है:

  • आपको ऐसा नया एमएल अनुमान इंजन इंटिग्रेट करना है जो किसी मौजूदा प्रतिनिधि के साथ काम न करता हो.
  • आपके पास ऐसा कस्टम हार्डवेयर एक्सेलरेटर है जो पहले से मालूम स्थितियों के लिए, रनटाइम को बेहतर बनाता है.
  • आप सीपीयू ऑप्टिमाइज़ेशन (जैसे कि ऑपरेटर फ़्यूज़िंग) डेवलप कर रहे हैं, जो कुछ मॉडल के काम करने की रफ़्तार बढ़ा सकता है.

प्रतिनिधि कैसे काम करते हैं?

नीचे दिए गए एक आसान मॉडल ग्राफ़ और एक प्रतिनिधि “MyDelegate” पर विचार करें, जिसमें Convert2D और माध्य कार्रवाइयों को तेज़ी से लागू किया गया है.

मूल ग्राफ़

“MyDelegate” को लागू करने के बाद, मूल TensorFlow Lite ग्राफ़ को इस तरह से अपडेट किया जाएगा:

प्रतिनिधि के साथ ग्राफ़

ऊपर दिया गया ग्राफ़ तब मिलता है, जब TensorFlow Lite दो नियमों का पालन करके, मूल ग्राफ़ को बांटता है:

  • जिन खास ऑपरेशन को प्रतिनिधि मैनेज कर सकता है उन्हें बांटा जा सकता है. साथ ही, सभी ऑपरेशन के बीच ओरिजनल कंप्यूटिंग वर्कफ़्लो की ज़रूरत को पूरा करते हुए इन्हें बांटा गया है.
  • असाइन किए जाने वाले हर पार्टीशन में सिर्फ़ ऐसे इनपुट और आउटपुट नोड होते हैं जिन्हें डेलिगेट की मदद से मैनेज नहीं किया जाता है.

जिस पार्टी को कोई प्रतिनिधि मैनेज करता है उसे ओरिजनल ग्राफ़ में, एक डेलिगेट नोड (इसे डेलिगेट कर्नेल भी कहा जा सकता है) से बदल दिया जाता है. यह सेगमेंट, शुरू करने के कॉल पर पार्टीशन का आकलन करता है.

मॉडल के आधार पर, आखिरी ग्राफ़ में एक या उससे ज़्यादा नोड हो सकते हैं. इसका मतलब है कि डेलिगेट के साथ कुछ ऑपरेशन काम नहीं करते. आम तौर पर, आपको डेलिगेट के ज़रिए एक से ज़्यादा पार्टीशन मैनेज नहीं करने हैं, क्योंकि हर बार डेलिगेट से मुख्य ग्राफ़ पर स्विच करने पर, डेलिगेट किए गए सबग्राफ़ से मुख्य ग्राफ़ में नतीजे पास करने के लिए एक ओवरहेड होता है. ये नतीजे, मेमोरी कॉपी (उदाहरण के लिए, जीपीयू से सीपीयू में) होते हैं. ऐसा ज़्यादा काम की वजह से हो सकता है कि परफ़ॉर्मेंस में सुधार हो सके. ऐसा खास तौर पर तब होता है, जब ज़्यादा स्टोरेज वाली कॉपी होती हैं.

पसंद के मुताबिक अपने ईमेल खाते का ऐक्सेस देना

किसी प्रतिनिधि को जोड़ने का सबसे अच्छा तरीका है SimpleDelegate API का इस्तेमाल करना.

नया प्रतिनिधि बनाने के लिए, आपको दो इंटरफ़ेस लागू करने होंगे. साथ ही, इंटरफ़ेस के तरीकों को खुद लागू करना होगा.

1 से SimpleDelegateInterface

यह क्लास, प्रतिनिधि की उन कार्रवाइयों के बारे में बताती है जो काम करती हैं. साथ ही, यह कर्नेल बनाने के लिए फ़ैक्ट्री क्लास के बारे में बताती है, जो डेलिगेट किए गए ग्राफ़ को शामिल करता है. ज़्यादा जानकारी के लिए, इस C++ हेडर फ़ाइल में दिया गया इंटरफ़ेस देखें. कोड में मौजूद टिप्पणियां, हर एपीआई के बारे में पूरी जानकारी देती हैं.

2 से SimpleDelegateKernelInterface

इस क्लास में, डेलिगेट की गई पार्टी के डेटा को शुरू करने / तैयार करने / और उसे चलाने के लॉजिक को शामिल किया जाता है.

इसमें ये चीज़ें शामिल हैं: (परिभाषा देखें)

  • Init(...): इसे किसी एक बार शुरू करने के लिए एक बार कॉल किया जाएगा.
  • Ready(...): इस नोड के हर अलग इंस्टेंस के लिए कॉल किया जाता है - अगर आपके पास एक से ज़्यादा पार्टीशन हैं, तो ऐसा होता है. आम तौर पर, आपको यहां मेमोरी ऐलोकेशन को करना होता है, क्योंकि हर बार टेन्सर का साइज़ बदलने पर इसे कहा जाएगा.
  • शुरू करें(...): इसे अनुमान के लिए कहा जाएगा.

उदाहरण

इस उदाहरण में, आपको एक बहुत ही आसान डेलिगेट बनाना है, जो सिर्फ़ दो तरह के ऑपरेशन (ADD) और (SUB) के साथ काम करने वाले फ़्लोट32 टेंसर के साथ काम कर सके.

// MyDelegate implements the interface of SimpleDelegateInterface.
// This holds the Delegate capabilities.
class MyDelegate : public SimpleDelegateInterface {
 public:
  bool IsNodeSupportedByDelegate(const TfLiteRegistration* registration,
                                 const TfLiteNode* node,
                                 TfLiteContext* context) const override {
    // Only supports Add and Sub ops.
    if (kTfLiteBuiltinAdd != registration->builtin_code &&
        kTfLiteBuiltinSub != registration->builtin_code)
      return false;
    // This delegate only supports float32 types.
    for (int i = 0; i < node->inputs->size; ++i) {
      auto& tensor = context->tensors[node->inputs->data[i]];
      if (tensor.type != kTfLiteFloat32) return false;
    }
    return true;
  }

  TfLiteStatus Initialize(TfLiteContext* context) override { return kTfLiteOk; }

  const char* Name() const override {
    static constexpr char kName[] = "MyDelegate";
    return kName;
  }

  std::unique_ptr<SimpleDelegateKernelInterface> CreateDelegateKernelInterface()
      override {
    return std::make_unique<MyDelegateKernel>();
  }
};

इसके बाद, SimpleDelegateKernelInterface से इनहेरिट करके खुद का डेलिगेट कर्नेल बनाएं

// My delegate kernel.
class MyDelegateKernel : public SimpleDelegateKernelInterface {
 public:
  TfLiteStatus Init(TfLiteContext* context,
                    const TfLiteDelegateParams* params) override {
    // Save index to all nodes which are part of this delegate.
    inputs_.resize(params->nodes_to_replace->size);
    outputs_.resize(params->nodes_to_replace->size);
    builtin_code_.resize(params->nodes_to_replace->size);
    for (int i = 0; i < params->nodes_to_replace->size; ++i) {
      const int node_index = params->nodes_to_replace->data[i];
      // Get this node information.
      TfLiteNode* delegated_node = nullptr;
      TfLiteRegistration* delegated_node_registration = nullptr;
      TF_LITE_ENSURE_EQ(
          context,
          context->GetNodeAndRegistration(context, node_index, &delegated_node,
                                          &delegated_node_registration),
          kTfLiteOk);
      inputs_[i].push_back(delegated_node->inputs->data[0]);
      inputs_[i].push_back(delegated_node->inputs->data[1]);
      outputs_[i].push_back(delegated_node->outputs->data[0]);
      builtin_code_[i] = delegated_node_registration->builtin_code;
    }
    return kTfLiteOk;
  }

  TfLiteStatus Prepare(TfLiteContext* context, TfLiteNode* node) override {
    return kTfLiteOk;
  }

  TfLiteStatus Eval(TfLiteContext* context, TfLiteNode* node) override {
    // Evaluate the delegated graph.
    // Here we loop over all the delegated nodes.
    // We know that all the nodes are either ADD or SUB operations and the
    // number of nodes equals ''inputs_.size()'' and inputs[i] is a list of
    // tensor indices for inputs to node ''i'', while outputs_[i] is the list of
    // outputs for node
    // ''i''. Note, that it is intentional we have simple implementation as this
    // is for demonstration.

    for (int i = 0; i < inputs_.size(); ++i) {
      // Get the node input tensors.
      // Add/Sub operation accepts 2 inputs.
      auto& input_tensor_1 = context->tensors[inputs_[i][0]];
      auto& input_tensor_2 = context->tensors[inputs_[i][1]];
      auto& output_tensor = context->tensors[outputs_[i][0]];
      TF_LITE_ENSURE_EQ(
          context,
          ComputeResult(context, builtin_code_[i], &input_tensor_1,
                        &input_tensor_2, &output_tensor),
          kTfLiteOk);
    }
    return kTfLiteOk;
  }

 private:
  // Computes the result of addition of 'input_tensor_1' and 'input_tensor_2'
  // and store the result in 'output_tensor'.
  TfLiteStatus ComputeResult(TfLiteContext* context, int builtin_code,
                             const TfLiteTensor* input_tensor_1,
                             const TfLiteTensor* input_tensor_2,
                             TfLiteTensor* output_tensor) {
    if (NumElements(input_tensor_1) != NumElements(input_tensor_2) ||
        NumElements(input_tensor_1) != NumElements(output_tensor)) {
      return kTfLiteDelegateError;
    }
    // This code assumes no activation, and no broadcasting needed (both inputs
    // have the same size).
    auto* input_1 = GetTensorData<float>(input_tensor_1);
    auto* input_2 = GetTensorData<float>(input_tensor_2);
    auto* output = GetTensorData<float>(output_tensor);
    for (int i = 0; i < NumElements(input_tensor_1); ++i) {
      if (builtin_code == kTfLiteBuiltinAdd)
        output[i] = input_1[i] + input_2[i];
      else
        output[i] = input_1[i] - input_2[i];
    }
    return kTfLiteOk;
  }

  // Holds the indices of the input/output tensors.
  // inputs_[i] is list of all input tensors to node at index 'i'.
  // outputs_[i] is list of all output tensors to node at index 'i'.
  std::vector<std::vector<int>> inputs_, outputs_;
  // Holds the builtin code of the ops.
  // builtin_code_[i] is the type of node at index 'i'
  std::vector<int> builtin_code_;
};

नए प्रतिनिधि का आकलन करना और उसका आकलन करना

TFLite में ऐसे टूल का सेट है जिन्हें तुरंत TFLite मॉडल से टेस्ट किया जा सकता है.

  • मॉडल बेंचमार्क टूल: यह टूल TFLite मॉडल लेता है और रैंडम इनपुट जनरेट करता है. इसके बाद, यह मॉडल को एक तय संख्या तक बार-बार चलाता है. यह आखिर में इंतज़ार के समय के एग्रीगेट किए गए आंकड़ों को प्रिंट करता है.
  • अनुमान डिफ़ टूल: किसी दिए गए मॉडल के लिए, टूल रैंडम गाउसियन डेटा जनरेट करता है और इसे दो अलग-अलग TFLite इंटरप्रेटर के ज़रिए भेजता है. इनमें से एक सिंगल थ्रेड वाला सीपीयू कर्नेल चल रहा होता है और दूसरा उपयोगकर्ता के तय किए गए स्पेसिफ़िकेशन का इस्तेमाल करता है. यह हर एलिमेंट के आधार पर हर इंटरप्रेटर के आउटपुट टेंसर के बीच के सटीक अंतर को मापता है. यह टूल, सही जानकारी से जुड़ी समस्याओं को डीबग करने में भी मदद कर सकता है.
  • इमेज क्लासिफ़िकेशन और ऑब्जेक्ट की पहचान करने के लिए, टास्क के हिसाब से आकलन करने वाले टूल भी होते हैं. ये टूल यहां दिए गए हैं

इसके अलावा, TFLite में kernel और op यूनिट टेस्ट का एक बड़ा सेट है. नए प्रतिनिधि को ज़्यादा कवरेज के साथ टेस्ट करने और यह पक्का करने के लिए फिर से इस्तेमाल किया जा सकता है कि नियमित TFLite निष्पादन पाथ काम न करे.

नए प्रतिनिधि के लिए TFLite टेस्ट और टूल का फिर से इस्तेमाल करने के लिए, इन दोनों में से किसी एक विकल्प का इस्तेमाल किया जा सकता है:

सबसे अच्छा तरीका चुनना

दोनों तरीकों में कुछ बदलाव करने की ज़रूरत है, जैसा कि नीचे बताया गया है. हालांकि, पहला तरीका प्रतिनिधि को स्टैटिक तरीके से लिंक करता है. इसके लिए, उसे टेस्टिंग, मानदंड, और आकलन करने वाले टूल को फिर से बनाने की ज़रूरत होती है. वहीं दूसरी ओर, ऐक्सेस वाले व्यक्ति को शेयर की गई लाइब्रेरी के तौर पर बनाया जाता है. साथ ही, आपको शेयर की गई लाइब्रेरी में मौजूद बनाने/मिटाने के तरीकों को दिखाना होगा.

इस वजह से, संगठन से बाहर के लोगों को अपने ईमेल खाते का ऐक्सेस देने की प्रोसेस, TFLite की पहले से बनी Tensorflow Lite टूलिंग बाइनरी के साथ काम करेगी. हालांकि, इस बारे में साफ़ तौर पर जानकारी नहीं दी जाती और ऑटोमेटेड इंटिग्रेशन टेस्ट में सेट अप करना ज़्यादा मुश्किल हो सकता है. साफ़ तौर पर जानकारी पाने के लिए, ऐक्सेस देने वाले रजिस्ट्रार के तरीके का इस्तेमाल करें.

पहला विकल्प: जिस व्यक्ति या कंपनी को अपने ईमेल खाते का ऐक्सेस दिया गया है उसके मालिकाना हक का इस्तेमाल करें

प्रतिनिधि के तौर पर काम करने वाले रजिस्ट्रार के पास प्रतिनिधि कंपनियों की सूची होती है. इनमें से हर प्रतिनिधि, कमांड-लाइन फ़्लैग के आधार पर TFLite डेलिगेट बनाने का एक आसान तरीका देता है. इसलिए, यह टूलिंग में भी आसान है. ऊपर बताए गए सभी Tensorflow Lite टूल का नया प्रतिनिधि जोड़ने के लिए, सबसे पहले आपको प्रतिनिधि बनाने की नई सेवा देने वाली कंपनी बनानी होगी. इसके बाद, BUILD के नियमों में सिर्फ़ कुछ बदलाव करने होंगे. इस इंटिग्रेशन की प्रोसेस का पूरा उदाहरण नीचे दिया गया है. इसका कोड यहां देखा जा सकता है.

मान लें कि आपके पास एक ऐसा प्रतिनिधि है जो SimpleDelegate API को लागू करता है और इस 'डमी' प्रतिनिधि को बनाने/मिटाने के लिए बाहरी "C" API, जैसा कि नीचे दिखाया गया है:

// Returns default options for DummyDelegate.
DummyDelegateOptions TfLiteDummyDelegateOptionsDefault();

// Creates a new delegate instance that need to be destroyed with
// `TfLiteDummyDelegateDelete` when delegate is no longer used by TFLite.
// When `options` is set to `nullptr`, the above default values are used:
TfLiteDelegate* TfLiteDummyDelegateCreate(const DummyDelegateOptions* options);

// Destroys a delegate created with `TfLiteDummyDelegateCreate` call.
void TfLiteDummyDelegateDelete(TfLiteDelegate* delegate);

बेंचमार्क टूल और अनुमान टूल के साथ “DummyDelegate” को इंटिग्रेट करने के लिए, DelegateProvider को नीचे दिया गया है:

class DummyDelegateProvider : public DelegateProvider {
 public:
  DummyDelegateProvider() {
    default_params_.AddParam("use_dummy_delegate",
                             ToolParam::Create<bool>(false));
  }

  std::vector<Flag> CreateFlags(ToolParams* params) const final;

  void LogParams(const ToolParams& params) const final;

  TfLiteDelegatePtr CreateTfLiteDelegate(const ToolParams& params) const final;

  std::string GetName() const final { return "DummyDelegate"; }
};
REGISTER_DELEGATE_PROVIDER(DummyDelegateProvider);

std::vector<Flag> DummyDelegateProvider::CreateFlags(ToolParams* params) const {
  std::vector<Flag> flags = {CreateFlag<bool>("use_dummy_delegate", params,
                                              "use the dummy delegate.")};
  return flags;
}

void DummyDelegateProvider::LogParams(const ToolParams& params) const {
  TFLITE_LOG(INFO) << "Use dummy test delegate : ["
                   << params.Get<bool>("use_dummy_delegate") << "]";
}

TfLiteDelegatePtr DummyDelegateProvider::CreateTfLiteDelegate(
    const ToolParams& params) const {
  if (params.Get<bool>("use_dummy_delegate")) {
    auto default_options = TfLiteDummyDelegateOptionsDefault();
    return TfLiteDummyDelegateCreateUnique(&default_options);
  }
  return TfLiteDelegatePtr(nullptr, [](TfLiteDelegate*) {});
}

BUILD नियम की परिभाषाएं अहम हैं, क्योंकि आपको यह पक्का करना होगा कि लाइब्रेरी हमेशा लिंक हो और ऑप्टिमाइज़र उसे न छोड़े.

#### The following are for using the dummy test delegate in TFLite tooling ####
cc_library(
    name = "dummy_delegate_provider",
    srcs = ["dummy_delegate_provider.cc"],
    copts = tflite_copts(),
    deps = [
        ":dummy_delegate",
        "//tensorflow/lite/tools/delegates:delegate_provider_hdr",
    ],
    alwayslink = 1, # This is required so the optimizer doesn't optimize the library away.
)

अब बेंचमार्क टूल और अनुमान टूल और आकलन करने वाले दूसरे टूल का वर्शन बनाने के लिए, अपनी BUILD फ़ाइल में इन दो रैपर नियमों को जोड़ें. ये ऐसे दूसरे टूल हैं जो आपके प्रतिनिधि की मदद से चलाए जा सकते हैं.

cc_binary(
    name = "benchmark_model_plus_dummy_delegate",
    copts = tflite_copts(),
    linkopts = task_linkopts(),
    deps = [
        ":dummy_delegate_provider",
        "//tensorflow/lite/tools/benchmark:benchmark_model_main",
    ],
)

cc_binary(
    name = "inference_diff_plus_dummy_delegate",
    copts = tflite_copts(),
    linkopts = task_linkopts(),
    deps = [
        ":dummy_delegate_provider",
        "//tensorflow/lite/tools/evaluation/tasks:task_executor_main",
        "//tensorflow/lite/tools/evaluation/tasks/inference_diff:run_eval_lib",
    ],
)

cc_binary(
    name = "imagenet_classification_eval_plus_dummy_delegate",
    copts = tflite_copts(),
    linkopts = task_linkopts(),
    deps = [
        ":dummy_delegate_provider",
        "//tensorflow/lite/tools/evaluation/tasks:task_executor_main",
        "//tensorflow/lite/tools/evaluation/tasks/imagenet_image_classification:run_eval_lib",
    ],
)

cc_binary(
    name = "coco_object_detection_eval_plus_dummy_delegate",
    copts = tflite_copts(),
    linkopts = task_linkopts(),
    deps = [
        ":dummy_delegate_provider",
        "//tensorflow/lite/tools/evaluation/tasks:task_executor_main",
        "//tensorflow/lite/tools/evaluation/tasks/coco_object_detection:run_eval_lib",
    ],
)

यहां बताए गए तरीके से, ऐक्सेस देने वाली इस कंपनी को TFLite kernel टेस्ट में भी प्लग इन किया जा सकता है.

दूसरा विकल्प: संगठन से बाहर के प्रतिनिधि का इस्तेमाल करना

इस विकल्प में, सबसे पहले आप external_delegate_adaptor.cc की जानकारी के हिसाब से, एक बाहरी डेलिगेट अडैप्टर बनाएं. ध्यान दें, पहले विकल्प की तुलना में, इस तरीके को थोड़ा कम प्राथमिकता दी जाती है. जैसा कि ऊपर बताया गया है.

TfLiteDelegate* CreateDummyDelegateFromOptions(char** options_keys,
                                               char** options_values,
                                               size_t num_options) {
  DummyDelegateOptions options = TfLiteDummyDelegateOptionsDefault();

  // Parse key-values options to DummyDelegateOptions.
  // You can achieve this by mimicking them as command-line flags.
  std::unique_ptr<const char*> argv =
      std::unique_ptr<const char*>(new const char*[num_options + 1]);
  constexpr char kDummyDelegateParsing[] = "dummy_delegate_parsing";
  argv.get()[0] = kDummyDelegateParsing;

  std::vector<std::string> option_args;
  option_args.reserve(num_options);
  for (int i = 0; i < num_options; ++i) {
    option_args.emplace_back("--");
    option_args.rbegin()->append(options_keys[i]);
    option_args.rbegin()->push_back('=');
    option_args.rbegin()->append(options_values[i]);
    argv.get()[i + 1] = option_args.rbegin()->c_str();
  }

  // Define command-line flags.
  // ...
  std::vector<tflite::Flag> flag_list = {
      tflite::Flag::CreateFlag(...),
      ...,
      tflite::Flag::CreateFlag(...),
  };

  int argc = num_options + 1;
  if (!tflite::Flags::Parse(&argc, argv.get(), flag_list)) {
    return nullptr;
  }

  return TfLiteDummyDelegateCreate(&options);
}

#ifdef __cplusplus
extern "C" {
#endif  // __cplusplus

// Defines two symbols that need to be exported to use the TFLite external
// delegate. See tensorflow/lite/delegates/external for details.
TFL_CAPI_EXPORT TfLiteDelegate* tflite_plugin_create_delegate(
    char** options_keys, char** options_values, size_t num_options,
    void (*report_error)(const char*)) {
  return tflite::tools::CreateDummyDelegateFromOptions(
      options_keys, options_values, num_options);
}

TFL_CAPI_EXPORT void tflite_plugin_destroy_delegate(TfLiteDelegate* delegate) {
  TfLiteDummyDelegateDelete(delegate);
}

#ifdef __cplusplus
}
#endif  // __cplusplus

अब नीचे दिखाए गए तरीके की मदद से, डाइनैमिक लाइब्रेरी बनाने के लिए इससे जुड़ा BUILD टारगेट बनाएं:

cc_binary(
    name = "dummy_external_delegate.so",
    srcs = [
        "external_delegate_adaptor.cc",
    ],
    linkshared = 1,
    linkstatic = 1,
    deps = [
        ":dummy_delegate",
        "//tensorflow/lite/c:common",
        "//tensorflow/lite/tools:command_line_flags",
        "//tensorflow/lite/tools:logging",
    ],
)

इस बाहरी डेलिगेट .so फ़ाइल के बन जाने के बाद, नए डेलिगेट के साथ चलाने के लिए बाइनरी बनाई जा सकती हैं या पहले से मौजूद किसी फ़ाइल का इस्तेमाल किया जा सकता है. बशर्ते, वह बाइनरी external_delegate_provider लाइब्रेरी से लिंक हो जो कमांड लाइन फ़्लैग के साथ काम करती हो. इस बारे में यहां बताया गया है. ध्यान दें: सेवा देने वाली इस बाहरी कंपनी को पहले से ही मौजूदा टेस्टिंग और टूलिंग बाइनरी से लिंक किया गया है.

बाहरी प्रतिनिधि के इस तरीके का इस्तेमाल करके, डमी डेलीगेट को बेंचमार्क करने का तरीका जानने के लिए, ब्यौरे देखें.यहां क्लिक करें. जांच और आकलन करने वाले जिन टूल का ज़िक्र किया गया है उनके लिए मिलते-जुलते निर्देशों का इस्तेमाल किया जा सकता है.

ध्यान दें कि बाहरी प्रतिनिधि का मतलब, Tensorflow Lite Python बाइंडिंग में, डीलिगेट को C++ लागू करना है, जैसा कि यहां दिखाया गया है. इसलिए, यहां बनाई गई डाइनैमिक एक्सटर्नल डेलिगेट अडैप्टर लाइब्रेरी को सीधे Tensorflow Lite Python API के साथ इस्तेमाल किया जा सकता है.

रिसॉर्स

ओएस आर्क BINARY_NAME
Linux x86_64
समूह
aarch64
Android समूह
aarch64