Korzystanie z procesorów graficznych (GPU) do uruchamiania modeli systemów uczących się może znacznie poprawić wydajność i wygodę użytkowników Aplikacje obsługujące systemy uczące się. Na urządzeniach z Androidem możesz włączyć degate i jeden z tych interfejsów API:
- Interpreter API – ten przewodnik
- Natywny (C/C++) API – przewodnik
Na tej stronie dowiesz się, jak włączyć akcelerację GPU w modelach LiteRT w aplikacje na Androida używające interfejsu Interpreter API, Więcej informacji o korzystaniu z GPU o przekazywanie dostępu do platformy LiteRT, w tym sprawdzonych metod i zaawansowanych technik, zobacz stronę Przedstawiciele GPU.
Używaj GPU w połączeniu LiteRT z Usługami Google Play
Tłumacz literatury LiteRT API udostępnia zestaw interfejsów API ogólnego przeznaczenia do tworzenia aplikacji do uczenia maszynowego. Ta sekcja zawiera opis sposobu korzystania z przedstawiciela akceleratora GPU z tymi interfejsami API za pomocą LiteRT z Usługami Google Play.
Zalecamy korzystanie z platformy LiteRT z Usługami Google Play. jak korzystać z LiteRT na Androidzie. Jeśli aplikacja jest kierowana na urządzenia bez Google Play, zapoznaj się z artykułem Interfejs GPU z interfejsem Interpreter API LiteRT.
Dodaj zależności projektu (z katalogiem wersji .toml)
- Zaktualizuj plik
libs.versions.toml
projektu
[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" }
...
- Dodaj zależności projektu w źródle
build.gradle.kts
aplikacji
dependencies {
...
implementation(libraries.tflite.gpu)
implementation(libraries.tflite.gpu.api)
...
}
Dodaj zależności projektu
Aby włączyć dostęp do przedstawicieli GPU, dodaj
com.google.android.gms:play-services-tflite-gpu
na koncie build.gradle
Twojej aplikacji
plik:
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'
}
Włącz akcelerację GPU
Następnie zainicjuj LiteRT z Usługami Google Play z obsługą 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()); });
Na koniec możesz zainicjować tłumacza, który przekazuje polecenie GpuDelegateFactory
do 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);
Przedstawiciela GPU można też używać z powiązaniem modelu ML w Android Studio. Dla: więcej informacji znajdziesz w artykule Generowanie interfejsów modelu za pomocą metadanych.
Używaj GPU z samodzielną wersją LiteRT
Jeśli Twoja aplikacja jest kierowana na urządzenia bez aplikacji Google Play, można powiązać z aplikacją delegację GPU i używać go w komponencie wersji oddzielnej LiteRT.
Dodaj zależności projektu
Aby włączyć dostęp do przedstawicieli GPU, dodaj
com.google.ai.edge.litert:litert-gpu-delegate-plugin
na
Plik build.gradle
:
dependencies {
...
implementation 'org.tensorflow:tensorflow-lite'
implementation 'com.google.ai.edge.litert:litert-gpu-delegate-plugin'
}
Włącz akcelerację GPU
Następnie uruchom LiteRT z użyciem GPU, używając TfLiteDelegate
. W Javie możesz określić
GpuDelegate
do 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);
Modele kwantowe
Biblioteki delegowanych GPU w Androidzie obsługują domyślnie modele kwantowe. Ty nie nie muszą wprowadzać żadnych zmian w kodzie, aby używać kwantyzowanych modeli z delegacją GPU. poniżej dowiesz się, jak wyłączyć kwantyzowaną obsługę testów lub do celów eksperymentalnych.
Wyłącz obsługę modeli kwantowych
Ten kod pokazuje, jak wyłączyć obsługę modeli kwantyzowanych.
Java
GpuDelegate delegate = new GpuDelegate(new GpuDelegate.Options().setQuantizedModelsAllowed(false)); Interpreter.Options options = (new Interpreter.Options()).addDelegate(delegate);
Więcej informacji o uruchamianiu modeli kwantowych z akceleracją GPU znajdziesz w artykule Omówienie przekazywania dostępu do GPU.