Używanie jednostek przetwarzania grafiki (GPU) do uruchamiania modeli uczenia maszynowego (ML) może radykalnie poprawić wydajność i komfort korzystania z aplikacji obsługujących technologię ML. Na urządzeniach z systemem Android możesz włączyć wykonywanie modeli przyspieszane przez procesor graficzny, korzystając z delegata i jednego z następujących interfejsów API:
- Interpreter API - przewodnik
- API biblioteki zadań - przewodnik
- Natywne API (C/C++) – ten przewodnik
W tym przewodniku omówiono zaawansowane zastosowania delegata procesora GPU dla interfejsów API języka C i języka C++ oraz korzystanie z modeli skwantowanych. Aby uzyskać więcej informacji na temat korzystania z delegata procesora GPU dla TensorFlow Lite, w tym najlepszych praktyk i zaawansowanych technik, zobacz stronę delegatów procesora GPU .
Włącz akcelerację GPU
Użyj delegata GPU TensorFlow Lite dla Androida w C lub C++, tworząc delegata za pomocą TfLiteGpuDelegateV2Create()
i niszcząc go za pomocą TfLiteGpuDelegateV2Delete()
, jak pokazano w poniższym przykładowym kodzie:
// 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);
Przejrzyj kod obiektowy TfLiteGpuDelegateOptionsV2
, aby zbudować instancję delegata z opcjami niestandardowymi. Możesz zainicjować opcje domyślne za pomocą TfLiteGpuDelegateOptionsV2Default()
, a następnie zmodyfikować je w razie potrzeby.
Delegat procesora GPU TensorFlow Lite dla systemu Android w języku C lub C++ korzysta z systemu kompilacji Bazel . Możesz zbudować delegata za pomocą następującego polecenia:
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
Podczas wywoływania Interpreter::ModifyGraphWithDelegate()
lub Interpreter::Invoke()
obiekt wywołujący musi mieć EGLContext
w bieżącym wątku, a Interpreter::Invoke()
musi zostać wywołany z tego samego EGLContext
. Jeśli EGLContext
nie istnieje, delegat tworzy go wewnętrznie, ale wówczas należy upewnić się, że Interpreter::Invoke()
jest zawsze wywoływana z tego samego wątku, w którym została wywołana Interpreter::ModifyGraphWithDelegate()
.
Dzięki TensorFlow Lite w Usługach Google Play:
Jeśli używasz TensorFlow Lite w interfejsie API C Usług Google Play, musisz użyć interfejsu API Java/Kotlin, aby sprawdzić, czy delegat GPU jest dostępny dla Twojego urządzenia przed zainicjowaniem środowiska wykonawczego TensorFlow Lite.
Dodaj zależności stopni delegowania GPU do swojej aplikacji:
implementation 'com.google.android.gms:play-services-tflite-gpu:16.2.0'
Następnie sprawdź dostępność procesora graficznego i zainicjuj TfLiteNative, jeśli sprawdzenie zakończy się pomyślnie:
Jawa
TasktfLiteHandleTask = TfLiteGpu.isGpuDelegateAvailable(this) .onSuccessTask(gpuAvailable -> { TfLiteInitializationOptions options = TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(gpuAvailable).build(); return TfLiteNative.initialize(this, options); } );
Kotlina
val tfLiteHandleTask = TfLiteGpu.isGpuDelegateAvailable(this) .onSuccessTask { gpuAvailable -> val options = TfLiteInitializationOptions.Builder() .setEnableGpuDelegateSupport(gpuAvailable) .build() TfLiteNative.initialize(this, options) }
Musisz także zaktualizować konfigurację CMake, aby uwzględnić flagę kompilatora TFLITE_USE_OPAQUE_DELEGATE
:
add_compile_definitions(TFLITE_USE_OPAQUE_DELEGATE)
Biblioteka FlatBuffers służy do konfigurowania wtyczek delegujących, dlatego należy ją dodać do zależności swojego natywnego kodu. Możesz użyć oficjalnej konfiguracji projektu CMake
w następujący sposób:
target_include_directories(tflite-jni PUBLIC
third_party/headers # flatbuffers
...)
Możesz także po prostu dołączyć nagłówki do swojej aplikacji.
Na koniec, aby użyć wnioskowania GPU w kodzie C, utwórz delegata GPU za pomocą 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);
Modele kwantowane
Biblioteki delegatów GPU dla systemu Android domyślnie obsługują modele skwantowane. Aby używać modeli skwantowanych z delegatem procesora GPU, nie trzeba wprowadzać żadnych zmian w kodzie. W poniższej sekcji wyjaśniono, jak wyłączyć obsługę kwantyzacji do celów testowych lub eksperymentalnych.
Wyłącz obsługę modelu skwantowanego
Poniższy kod pokazuje, jak wyłączyć obsługę modeli skwantowanych.
C++
TfLiteGpuDelegateOptionsV2 options = TfLiteGpuDelegateOptionsV2Default(); options.experimental_flags = TFLITE_GPU_EXPERIMENTAL_FLAGS_NONE; auto* delegate = TfLiteGpuDelegateV2Create(options); if (interpreter->ModifyGraphWithDelegate(delegate) != kTfLiteOk) return false;
Aby uzyskać więcej informacji na temat uruchamiania modeli skwantowanych z akceleracją procesora GPU, zobacz Omówienie delegowania procesora GPU .