Menggunakan unit pemrosesan grafis (GPU) untuk menjalankan model machine learning (ML) dapat meningkatkan kinerja dan pengalaman pengguna secara signifikan aplikasi berkemampuan ML. Pada perangkat Android, Anda dapat mengaktifkan delegasikan dan salah satu API berikut:
- Interpreter API - panduan ini
- API Native (C/C++) - panduan
Halaman ini menjelaskan cara mengaktifkan akselerasi GPU untuk model LiteRT di Aplikasi Android yang menggunakan Interpreter API. Untuk informasi selengkapnya tentang penggunaan GPU delegasi untuk LiteRT, termasuk praktik terbaik dan teknik lanjutan, lihat halaman Delegasi GPU.
Menggunakan GPU dengan LiteRT dengan layanan Google Play
Penerjemah LiteRT API menyediakan serangkaian API tujuan umum untuk membangun aplikasi machine learning. Bagian ini menjelaskan cara menggunakan delegasi akselerator GPU dengan API ini dengan LiteRT dengan layanan Google Play.
LiteRT dengan layanan Google Play direkomendasikan untuk menggunakan LiteRT di Android. Jika aplikasi Anda menargetkan perangkat tidak menjalankan Google Play, lihat GPU dengan Interpreter API dan LiteRT.
Menambahkan dependensi project (dengan katalog versi .toml)
- Mengupdate file
libs.versions.toml
project Anda
[libraries]
...
tflite-gpu = { module = "com.google.ai.edge.litert:litert-gpu", version = "2.X.Y" }
tflite-gpu-api = { module = "com.google.ai.edge.litert:litert-gpu-api", version = "2.X.Y" }
...
- Menambahkan dependensi project di
build.gradle.kts
aplikasi
dependencies {
...
implementation(libraries.tflite.gpu)
implementation(libraries.tflite.gpu.api)
...
}
Menambahkan dependensi project
Untuk mengaktifkan akses ke delegasi GPU, tambahkan
com.google.android.gms:play-services-tflite-gpu
ke build.gradle
aplikasi Anda
file:
dependencies {
...
implementation 'com.google.android.gms:play-services-tflite-java:16.0.1'
implementation 'com.google.android.gms:play-services-tflite-gpu:16.1.0'
}
Aktifkan akselerasi GPU
Kemudian, inisialisasi LiteRT dengan layanan Google Play menggunakan dukungan GPU:
Kotlin
val useGpuTask = TfLiteGpu.isGpuDelegateAvailable(context) val interpreterTask = useGpuTask.continueWith { useGpuTask -> TfLite.initialize(context, TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(useGpuTask.result) .build()) }
Java
Task<boolean> useGpuTask = TfLiteGpu.isGpuDelegateAvailable(context); Task<Options> interpreterOptionsTask = useGpuTask.continueWith({ task -> TfLite.initialize(context, TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(true) .build()); });
Anda akhirnya dapat melakukan inisialisasi pada penafsir yang meneruskan GpuDelegateFactory
sampai InterpreterApi.Options
:
Kotlin
val options = InterpreterApi.Options() .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) .addDelegateFactory(GpuDelegateFactory()) val interpreter = InterpreterApi(model, options) // Run inference writeToInput(input) interpreter.run(input, output) readFromOutput(output)
Java
Options options = InterpreterApi.Options() .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) .addDelegateFactory(new GpuDelegateFactory()); Interpreter interpreter = new InterpreterApi(model, options); // Run inference writeToInput(input); interpreter.run(input, output); readFromOutput(output);
Delegasi GPU juga dapat digunakan dengan binding model ML di Android Studio. Sebagai informasi selengkapnya, lihat Membuat antarmuka model menggunakan metadata.
Menggunakan GPU dengan LiteRT mandiri
Jika aplikasi Anda menargetkan perangkat yang tidak menjalankan Google Play, dapat memaketkan delegasi GPU ke aplikasi Anda dan menggunakannya dengan versi mandiri dari LiteRT.
Menambahkan dependensi project
Untuk mengaktifkan akses ke delegasi GPU, tambahkan
com.google.ai.edge.litert:litert-gpu-delegate-plugin
ke aplikasi Anda
File build.gradle
:
dependencies {
...
implementation 'org.tensorflow:tensorflow-lite'
implementation 'com.google.ai.edge.litert:litert-gpu-delegate-plugin'
}
Aktifkan akselerasi GPU
Kemudian, jalankan LiteRT di GPU dengan TfLiteDelegate
. Di Java, Anda bisa menentukan
GpuDelegate
sampai Interpreter.Options
.
Kotlin
import org.tensorflow.lite.Interpreter import org.tensorflow.lite.gpu.CompatibilityList import org.tensorflow.lite.gpu.GpuDelegate val compatList = CompatibilityList() val options = Interpreter.Options().apply{ if(compatList.isDelegateSupportedOnThisDevice){ // if the device has a supported GPU, add the GPU delegate val delegateOptions = compatList.bestOptionsForThisDevice this.addDelegate(GpuDelegate(delegateOptions)) } else { // if the GPU is not supported, run on 4 threads this.setNumThreads(4) } } val interpreter = Interpreter(model, options) // Run inference writeToInput(input) interpreter.run(input, output) readFromOutput(output)
Java
import org.tensorflow.lite.Interpreter; import org.tensorflow.lite.gpu.CompatibilityList; import org.tensorflow.lite.gpu.GpuDelegate; // Initialize interpreter with GPU delegate Interpreter.Options options = new Interpreter.Options(); CompatibilityList compatList = CompatibilityList(); if(compatList.isDelegateSupportedOnThisDevice()){ // if the device has a supported GPU, add the GPU delegate GpuDelegate.Options delegateOptions = compatList.getBestOptionsForThisDevice(); GpuDelegate gpuDelegate = new GpuDelegate(delegateOptions); options.addDelegate(gpuDelegate); } else { // if the GPU is not supported, run on 4 threads options.setNumThreads(4); } Interpreter interpreter = new Interpreter(model, options); // Run inference writeToInput(input); interpreter.run(input, output); readFromOutput(output);
Model terkuantisasi
Library delegasi GPU Android mendukung model terkuantisasi secara default. Anda tidak perlu harus membuat perubahan kode untuk menggunakan model terkuantisasi dengan delegasi GPU. Tujuan bagian berikut menjelaskan cara menonaktifkan dukungan terkuantisasi untuk pengujian atau tujuan eksperimental.
Menonaktifkan dukungan model terkuantisasi
Kode berikut menunjukkan cara menonaktifkan dukungan untuk model terkuantisasi.
Java
GpuDelegate delegate = new GpuDelegate(new GpuDelegate.Options().setQuantizedModelsAllowed(false)); Interpreter.Options options = (new Interpreter.Options()).addDelegate(delegate);
Untuk mengetahui informasi selengkapnya tentang menjalankan model terkuantisasi dengan akselerasi GPU, lihat Ringkasan delegasi GPU.