LiteRT Core 機器學習委派

LiteRT Core 機器學習委派功能可讓系統在核心機器學習架構，進而在 iOS 裝置上加快模型推論速度

支援的 iOS 版本和裝置：

iOS 12 以上版本。在舊版 iOS 中，Core ML 委派將會自動採用 CPU 備用選項
根據預設，系統只會在搭載 A12 SoC 的裝置上啟用 Core ML 委派功能及較新版本 (iPhone Xs 及更新版本) 使用 Neural Engine 加快推論速度。如要同時在舊版裝置上使用 Core ML 委派，請參閱最佳做法

支援的模型

Core ML 委任目前支援浮點 (FP32 和 FP16) 模型。

在自己的模型中試用 Core ML 委派功能

LiteRT 夜間版本已包含 Core ML 代表 CocoaPods，如要使用 Core ML 委派功能，請將 LiteRT Pod 變更為 Podfile 中的子規格 CoreML。

target 'YourProjectName'
  pod 'TensorFlowLiteSwift/CoreML', '~> 2.4.0'  # Or TensorFlowLiteObjC/CoreML

或

# Particularily useful when you also want to include 'Metal' subspec.
target 'YourProjectName'
  pod 'TensorFlowLiteSwift', '~> 2.4.0', :subspecs => ['CoreML']

Swift

    let coreMLDelegate = CoreMLDelegate()
    var interpreter: Interpreter

    // Core ML delegate will only be created for devices with Neural Engine
    if coreMLDelegate != nil {
      interpreter = try Interpreter(modelPath: modelPath,
                                    delegates: [coreMLDelegate!])
    } else {
      interpreter = try Interpreter(modelPath: modelPath)
    }

Objective-C

    // Import module when using CocoaPods with module support
    @import TFLTensorFlowLite;

    // Or import following headers manually
    # import "tensorflow/lite/objc/apis/TFLCoreMLDelegate.h"
    # import "tensorflow/lite/objc/apis/TFLTensorFlowLite.h"

    // Initialize Core ML delegate
    TFLCoreMLDelegate* coreMLDelegate = [[TFLCoreMLDelegate alloc] init];

    // Initialize interpreter with model path and Core ML delegate
    TFLInterpreterOptions* options = [[TFLInterpreterOptions alloc] init];
    NSError* error = nil;
    TFLInterpreter* interpreter = [[TFLInterpreter alloc]
                                    initWithModelPath:modelPath
                                              options:options
                                            delegates:@[ coreMLDelegate ]
                                                error:e&rror];
    if (error != nil) { /* Error handling... */ }

    if (![interpreter allocateTensorsWithError:e&rror]) { /* Error handling... */ }
    if (error != nil) { /* Error handling... */ }

    // Run inference ...

C (直到 2.3.0 為止)

    #include "tensorflow/lite/delegates/coreml/coreml_delegate.h"

    // Initialize interpreter with model
    TfLiteModel* model = TfLiteModelCreateFromFile(model_path);

    // Initialize interpreter with Core ML delegate
    TfLiteInterpreterOptions* options = TfLiteInterpreterOptionsCreate();
    TfLiteDelegate* delegate = TfLiteCoreMlDelegateCreate(NULL);  // default config
    TfLiteInterpreterOptionsAddDelegate(options, delegate);
    TfLiteInterpreterOptionsDelete(options);

    TfLiteInterpreter* interpreter = TfLiteInterpreterCreate(model, options);

    TfLiteInterpreterAllocateTensors(interpreter);

    // Run inference ...

    /* ... */

    // Dispose resources when it is no longer used.
    // Add following code to the section where you dispose of the delegate
    // (e.g. `dealloc` of class).

    TfLiteInterpreterDelete(interpreter);
    TfLiteCoreMlDelegateDelete(delegate);
    TfLiteModelDelete(model);

最佳做法

在沒有 Neural Engine 的裝置上使用 Core ML 委派功能

根據預設，只有在裝置具備 Neural 的情況下，系統才會建立 Core ML 委派，如果委派代表未建立，則會傳回 null。如果您想在其他環境 (例如模擬工具) 上執行 Core ML 委派，然後傳遞 .all 設為 Swift 委派代表在 C++ (和 Objective-C) 上，傳遞 TfLiteCoreMlDelegateAllDevices。以下範例說明如何執行此操作：

Swift

    var options = CoreMLDelegate.Options()
    options.enabledDevices = .all
    let coreMLDelegate = CoreMLDelegate(options: options)!
    let interpreter = try Interpreter(modelPath: modelPath,
                                      delegates: [coreMLDelegate])

Objective-C

    TFLCoreMLDelegateOptions* coreMLOptions = [[TFLCoreMLDelegateOptions alloc] init];
    coreMLOptions.enabledDevices = TFLCoreMLDelegateEnabledDevicesAll;
    TFLCoreMLDelegate* coreMLDelegate = [[TFLCoreMLDelegate alloc]
                                          initWithOptions:coreMLOptions];

    // Initialize interpreter with delegate

C

    TfLiteCoreMlDelegateOptions options;
    options.enabled_devices = TfLiteCoreMlDelegateAllDevices;
    TfLiteDelegate* delegate = TfLiteCoreMlDelegateCreate(&options);
    // Initialize interpreter with delegate

使用 Metal(GPU) 委派做為備用方案。

如未建立 Core ML 委派，您還是可以使用金屬委派：可取得效能優勢以下範例說明如何執行此操作：

Swift

    var delegate = CoreMLDelegate()
    if delegate == nil {
      delegate = MetalDelegate()  // Add Metal delegate options if necessary.
    }

    let interpreter = try Interpreter(modelPath: modelPath,
                                      delegates: [delegate!])

Objective-C

    TFLDelegate* delegate = [[TFLCoreMLDelegate alloc] init];
    if (!delegate) {
      // Add Metal delegate options if necessary
      delegate = [[TFLMetalDelegate alloc] init];
    }
    // Initialize interpreter with delegate

C

    TfLiteCoreMlDelegateOptions options = {};
    delegate = TfLiteCoreMlDelegateCreate(&options);
    if (delegate == NULL) {
      // Add Metal delegate options if necessary
      delegate = TFLGpuDelegateCreate(NULL);
    }
    // Initialize interpreter with delegate

委派建立邏輯會讀取裝置的機器 ID (例如 iPhone11、1)，取決於神經引擎的可用性詳情請參閱程式碼，掌握更多詳細資訊。或者，您也可以導入自己的拒絕清單偵測應用程式、使用 DeviceKit.

使用舊版 Core ML

雖然 iOS 13 支援 Core ML 3，但與 Core ML 2 模型規格的轉換相同目標轉換版本為預設為最新版本，但您可以變更這項設定 coreMLVersion (在 Swift，C API 中的 coreml_version) 委派給下列使用者：如果沒有啟用物件版本管理功能根據預設，新版本一律會覆寫舊版本

支援的作業

Core ML 代表支援下列作業。

新增
- 只有特定形狀可以播送。在 Core ML Tensor 配置中下列張量形狀可以播送[B, C, H, W]，[B, C, 1, 1]，[B, 1, H, W]，[B, 1, 1, 1]。
平均集區 2D
康卡
- 請沿著管道軸進行串連，
轉換 2D
- 權重和偏誤應維持不變。
深度轉換 2D
- 權重和偏誤應維持不變。
完全連結 (又稱 Dense 或 InnerProduct)
- 權重和偏誤 (如有) 應是常數。
- 僅支援單一批次類型。輸入維度應為 1，但以下除外：最後一個維度
硬質
物流 (又稱 Sigmoid)
MaxPool2D
MirrorPad
- 僅支援使用 REFLECT 模式的 4D 輸入。邊框間距應為常數，而且只適用於 H 和 W 尺寸。
穆爾
- 只有特定形狀可以播送。在 Core ML Tensor 配置中下列張量形狀可以播送[B, C, H, W]，[B, C, 1, 1]，[B, 1, H, W]，[B, 1, 1, 1]。
Pad and PadV2
- 系統僅支援 4D 輸入。邊框間距必須是常數，且 H 和 W 尺寸都一樣
Relu
ReluN1To1
Relu6
重新塑形
- 只有在目標核心機器學習版本為 2 時，系統才會支援。此外，針對 Core ML 3
ResizeBilinear
SoftMax
坦赫
TransposeConv
- 權重必須固定。

意見回饋

如有問題，請建立 GitHub 並附上所有重現問題的必要詳細資料。

常見問題

如果圖表含有不支援的功能，CoreML 是否會委派支援使用到 CPU 糟糕？
- 是
CoreML 委派功能可在 iOS 模擬器上使用嗎？
- 可以。程式庫包含 x86 和 x86_64 目標，可在模擬工具，但無法透過 CPU 提升效能。
LiteRT 和 CoreML 委派功能是否支援 MacOS？
- LiteRT 僅針對 iOS 裝置進行測試，不支援 MacOS。
系統是否支援自訂 LiteRT 運算？
- 否，CoreML 委派不支援自訂作業，且會改回使用也就是 CPU