使用 C/C++ API 的 GPU 加速委派

使用圖形處理器 (GPU) 執行機器學習 (ML) 模型大幅改善產品效能和使用者體驗支援機器學習的應用程式在 Android 裝置上，您可以啟用 GPU 加速功能使用委派和下列 API：

解譯器 API - 指南
原生 (C/C++) API - 本指南

本指南說明 C API、C++ API 及量化模型的使用方式如要進一步瞭解如何使用 GPU 委派功能 LiteRT (包括最佳做法和進階技術) 的相關說明，請參閱 GPU 委派代表。

啟用 GPU 加速功能

如要在 C 或 C++ 中使用 Android 的 LiteRT GPU 委派功能，請建立使用 TfLiteGpuDelegateV2Create() 委派並刪除 TfLiteGpuDelegateV2Delete()，如以下範例程式碼所示：

// 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);

查看 TfLiteGpuDelegateOptionsV2 物件程式碼，建構委派執行個體並提供自訂選項您可以透過以下項目初始化預設選項： TfLiteGpuDelegateOptionsV2Default()，然後視需要進行修改。

C 或 C++ 中 Android 適用的 LiteRT GPU 委派項目會使用 Bazel 建構系統。您可以使用以下指令：

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

呼叫 Interpreter::ModifyGraphWithDelegate() 或 Interpreter::Invoke()，呼叫端必須在目前的EGLContext 執行緒和 Interpreter::Invoke() 必須從相同的 EGLContext 呼叫。如果 EGLContext 不存在，委派項目會在內部建立一個，但您必須確保 Interpreter::Invoke() 一律會從呼叫 Interpreter::ModifyGraphWithDelegate() 的執行緒。

使用 Google Play 服務的 LiteRT：

如果您是在 Google Play 服務 C API 中使用 LiteRT，您需要使用 Java/Kotlin API 檢查是否可用 GPU 委派才能初始化 LiteRT 執行階段。

將 GPU 委派 Gradle 依附元件新增至應用程式：

implementation 'com.google.android.gms:play-services-tflite-gpu:16.2.0'

接著，請檢查 GPU 可用性，並初始化 TfLiteNative (如果檢查的話) 成功：

Java

Task<Void> tfLiteHandleTask =
TfLiteGpu.isGpuDelegateAvailable(this)
   .onSuccessTask(gpuAvailable -> {
      TfLiteInitializationOptions options =
        TfLiteInitializationOptions.builder()
          .setEnableGpuDelegateSupport(gpuAvailable).build();
        return TfLiteNative.initialize(this, options);
      }
    );

Kotlin

val tfLiteHandleTask = TfLiteGpu.isGpuDelegateAvailable(this)
    .onSuccessTask { gpuAvailable ->
        val options = TfLiteInitializationOptions.Builder()
            .setEnableGpuDelegateSupport(gpuAvailable)
            .build()
        TfLiteNative.initialize(this, options)
    }

您也需要更新 CMake 設定，在其中包含 TFLITE_USE_OPAQUE_DELEGATE 編譯器標記：

add_compile_definitions(TFLITE_USE_OPAQUE_DELEGATE)

FlatBuffers 程式庫是用於設定委派外掛程式，因此您需要將外掛程式新增至原生程式碼的依附元件。您可以按照下列方式使用官方 CMake 專案設定：

target_include_directories(tflite-jni PUBLIC
        third_party/headers # flatbuffers
     ...)

您也可以只將標頭封裝至應用程式。

最後，如要在 C 程式碼中使用 GPU 推論功能，請使用 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);

量化模型

Android GPU 委派程式庫預設支援量化模型。你不需要變更任何程式碼，才能搭配 GPU 委派使用量化模型。下一節將說明如何停用量化支援功能，以用於測試、實驗用途

停用量化模型支援功能

以下程式碼顯示如何停用量化模型的支援功能。

C++

TfLiteGpuDelegateOptionsV2 options = TfLiteGpuDelegateOptionsV2Default();
options.experimental_flags = TFLITE_GPU_EXPERIMENTAL_FLAGS_NONE;

auto* delegate = TfLiteGpuDelegateV2Create(options);
if (interpreter->ModifyGraphWithDelegate(delegate) != kTfLiteOk) return false;

如要進一步瞭解如何使用 GPU 加速功能執行量化模型，請參閱 GPU 委派總覽。