Использование графических процессоров (GPU) для запуска моделей машинного обучения (ML) может значительно повысить производительность и удобство работы с приложениями с поддержкой ML. На устройствах Android вы можете включить выполнение ваших моделей с ускорением на графическом процессоре, используя делегат и один из следующих API:
- API-интерпретатор — руководство
- Нативный (C/C++) API — это руководство
В этом руководстве рассматриваются расширенные возможности использования делегата графического процессора для C API, C++ API и использования квантованных моделей. Дополнительные сведения об использовании делегата графического процессора для LiteRT, включая рекомендации и передовые методы, см. на странице делегатов графического процессора .
Включить ускорение графического процессора
Используйте делегат LiteRT GPU для Android на C или C++, создав делегат с помощью TfLiteGpuDelegateV2Create()
и уничтожив его с помощью TfLiteGpuDelegateV2Delete()
, как показано в следующем примере кода:
// Set up interpreter.
auto model = FlatBufferModel::BuildFromFile(model_path);
if (!model) return false;
ops::builtin::BuiltinOpResolver op_resolver;
std::unique_ptr<Interpreter> interpreter;
InterpreterBuilder(*model, op_resolver)(&interpreter);
// NEW: Prepare GPU delegate.
auto* delegate = TfLiteGpuDelegateV2Create(/*default options=*/nullptr);
if (interpreter->ModifyGraphWithDelegate(delegate) != kTfLiteOk) return false;
// Run inference.
WriteToInputTensor(interpreter->typed_input_tensor<float>(0));
if (interpreter->Invoke() != kTfLiteOk) return false;
ReadFromOutputTensor(interpreter->typed_output_tensor<float>(0));
// NEW: Clean up.
TfLiteGpuDelegateV2Delete(delegate);
Просмотрите объектный код TfLiteGpuDelegateOptionsV2
, чтобы создать экземпляр делегата с настраиваемыми параметрами. Вы можете инициализировать параметры по умолчанию с помощью TfLiteGpuDelegateOptionsV2Default()
, а затем изменить их по мере необходимости.
Делегат графического процессора LiteRT для Android на C или C++ использует систему сборки Bazel . Вы можете создать делегата, используя следующую команду:
bazel build -c opt --config android_arm64 tensorflow/lite/delegates/gpu:delegate # for static library
bazel build -c opt --config android_arm64 tensorflow/lite/delegates/gpu:libtensorflowlite_gpu_delegate.so # for dynamic library
При вызове Interpreter::ModifyGraphWithDelegate()
или Interpreter::Invoke()
вызывающая сторона должна иметь EGLContext
в текущем потоке, а Interpreter::Invoke()
должен вызываться из того же EGLContext
. Если EGLContext
не существует, делегат создает его внутри, но тогда вы должны гарантировать, что Interpreter::Invoke()
всегда вызывается из того же потока, в котором был вызван Interpreter::ModifyGraphWithDelegate()
.
С LiteRT в Сервисах Google Play:
Если вы используете LiteRT в API C сервисов Google Play, вам потребуется использовать API Java/Kotlin, чтобы проверить, доступен ли делегат графического процессора для вашего устройства, прежде чем инициализировать среду выполнения LiteRT.
Добавьте зависимости градиента делегата графического процессора в ваше приложение:
implementation 'com.google.android.gms:play-services-tflite-gpu:16.2.0'
Затем проверьте доступность графического процессора и инициализируйте TfLiteNative, если проверка прошла успешно:
Ява
Task<Void> tfLiteHandleTask = TfLiteGpu.isGpuDelegateAvailable(this) .onSuccessTask(gpuAvailable -> { TfLiteInitializationOptions options = TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(gpuAvailable).build(); return TfLiteNative.initialize(this, options); } );
Котлин
val tfLiteHandleTask = TfLiteGpu.isGpuDelegateAvailable(this) .onSuccessTask { gpuAvailable -> val options = TfLiteInitializationOptions.Builder() .setEnableGpuDelegateSupport(gpuAvailable) .build() TfLiteNative.initialize(this, options) }
Вам также необходимо обновить конфигурацию CMake, включив в нее флаг компилятора TFLITE_USE_OPAQUE_DELEGATE
:
add_compile_definitions(TFLITE_USE_OPAQUE_DELEGATE)
Библиотека FlatBuffers используется для настройки плагинов делегатов, поэтому вам необходимо добавить ее в зависимости вашего собственного кода. Вы можете использовать официальную конфигурацию проекта CMake
следующим образом:
target_include_directories(tflite-jni PUBLIC
third_party/headers # flatbuffers
...)
Вы также можете просто связать заголовки с вашим приложением.
Наконец, чтобы использовать вывод графического процессора в коде C, создайте делегат графического процессора с помощью TFLiteSettings
:
#include "flatbuffers/flatbuffers.h"
#include "tensorflow/lite/acceleration/configuration/configuration_generated.h"
flatbuffers::FlatBufferBuilder fbb;
tflite::TFLiteSettingsBuilder builder(fbb);
const tflite::TFLiteSettings* tflite_settings =
flatbuffers::GetTemporaryPointer(fbb, builder.Finish());
const TfLiteOpaqueDelegatePlugin* pluginCApi = TfLiteGpuDelegatePluginCApi();
TfLiteOpaqueDelegate* gpu_delegate = pluginCApi->create(tflite_settings);
Квантованные модели
Библиотеки делегатов Android GPU по умолчанию поддерживают квантованные модели. Вам не нужно вносить какие-либо изменения в код, чтобы использовать квантованные модели с делегатом графического процессора. В следующем разделе объясняется, как отключить поддержку квантования для целей тестирования или экспериментов.
Отключить поддержку квантованной модели
Следующий код показывает, как отключить поддержку квантованных моделей.
С++
TfLiteGpuDelegateOptionsV2 options = TfLiteGpuDelegateOptionsV2Default(); options.experimental_flags = TFLITE_GPU_EXPERIMENTAL_FLAGS_NONE; auto* delegate = TfLiteGpuDelegateV2Create(options); if (interpreter->ModifyGraphWithDelegate(delegate) != kTfLiteOk) return false;
Дополнительные сведения о запуске квантованных моделей с ускорением графического процессора см. в разделе Обзор делегатов графического процессора .