¡Reserva! Google I / O regresa del 18 al 20 de mayo Regístrese ahora
Se usó la API de Cloud Translation para traducir esta página.
Switch to English

Delegado de GPU de TensorFlow Lite

TensorFlow Lite admite varios aceleradores de hardware. Este documento describe cómo usar el backend de la GPU con las API delegadas de TensorFlow Lite en Android e iOS.

Las GPU están diseñadas para tener un alto rendimiento para cargas de trabajo masivamente paralelizables. Por lo tanto, son adecuados para redes neuronales profundas, que consisten en una gran cantidad de operadores, cada uno de los cuales trabaja en algún tensor de entrada que se puede dividir fácilmente en cargas de trabajo más pequeñas y llevar a cabo en paralelo, lo que generalmente resulta en una latencia más baja. En el mejor de los casos, la inferencia en la GPU ahora puede ejecutarse lo suficientemente rápido para aplicaciones en tiempo real que antes no estaban disponibles.

A diferencia de las CPU, las GPU calculan con números de punto flotante de 16 o 32 bits y no requieren cuantificación para un rendimiento óptimo. El delegado acepta modelos cuantificados de 8 bits, pero el cálculo se realizará en números de coma flotante. Consulte la documentación avanzada para obtener más detalles.

Otro beneficio de la inferencia de GPU es su eficiencia energética. Las GPU realizan los cálculos de una manera muy eficiente y optimizada, de modo que consumen menos energía y generan menos calor que cuando se ejecuta la misma tarea en las CPU.

Tutoriales de la aplicación de demostración

La forma más fácil de probar el delegado de GPU es seguir los tutoriales a continuación, que describen la construcción de nuestras aplicaciones de demostración de clasificación con soporte de GPU. El código de la GPU es solo binario por ahora; pronto será de código abierto. Una vez que comprenda cómo hacer que nuestras demostraciones funcionen, puede probar esto en sus propios modelos personalizados.

Android (con Android Studio)

Para ver un tutorial paso a paso, vea el video GPU Delegate para Android .

Paso 1. Clona el código fuente de TensorFlow y ábrelo en Android Studio

git clone https://github.com/tensorflow/tensorflow

Paso 2. Edite app/build.gradle para usar el AAR de GPU nocturno

Agregue el tensorflow-lite-gpu junto con el paquete tensorflow-lite existente en el bloque de dependencies existente.

dependencies {
    ...
    implementation 'org.tensorflow:tensorflow-lite:2.3.0'
    implementation 'org.tensorflow:tensorflow-lite-gpu:2.3.0'
}

Paso 3. Construya y ejecute

Ejecutar → Ejecutar 'aplicación'. Cuando ejecute la aplicación, verá un botón para habilitar la GPU. Cambie de modelo cuantizado a flotante y luego haga clic en GPU para ejecutar en la GPU.

ejecutar la demostración de gpu de android y cambiar a gpu

iOS (con XCode)

Para ver un tutorial paso a paso, vea el video GPU Delegate for iOS .

Paso 1. Obtenga el código fuente de la demostración y asegúrese de que se compile.

Siga nuestro tutorial de la aplicación de demostración de iOS. Esto lo llevará a un punto en el que la demostración de la cámara iOS sin modificar está funcionando en su teléfono.

Paso 2. Modifica el Podfile para usar TensorFlow Lite GPU CocoaPod

A partir de la versión 2.3.0, el delegado de GPU predeterminado se excluye del pod para reducir el tamaño binario. Puede incluirlos especificando subespec. Para el pod de TensorFlowLiteSwift :

pod 'TensorFlowLiteSwift/Metal', '~> 0.0.1-nightly',

O

pod 'TensorFlowLiteSwift', '~> 0.0.1-nightly', :subspecs => ['Metal']

Puede hacer lo mismo para TensorFlowLiteObjC o TensorFlowLitC si desea usar Objective-C (desde la versión 2.4.0) o la API C.

Antes de la versión 2.3.0

Hasta TensorFlow Lite 2.0.0

Hemos construido un CocoaPod binario que incluye el delegado de GPU. Para cambiar el proyecto y usarlo, modifique el archivo `tensorflow / tensorflow / lite / examples / ios / camera / Podfile` para usar el pod` TensorFlowLiteGpuExperimental` en lugar de `TensorFlowLite`.


    target 'YourProjectName'
      # pod 'TensorFlowLite', '1.12.0'
      pod 'TensorFlowLiteGpuExperimental'
    

Hasta TensorFlow Lite 2.2.0

Desde TensorFlow Lite 2.1.0 a 2.2.0, el delegado de GPU se incluye en el pod `TensorFlowLiteC`. Puede elegir entre `TensorFlowLiteC` y` TensorFlowLiteSwift` según el idioma.

Paso 3. Habilite el delegado de GPU

Para habilitar el código que usará el delegado de GPU, deberá cambiar TFLITE_USE_GPU_DELEGATE de 0 a 1 en CameraExampleViewController.h .

#define TFLITE_USE_GPU_DELEGATE 1

Paso 4. Cree y ejecute la aplicación de demostración

Después de seguir el paso anterior, debería poder ejecutar la aplicación.

Paso 5. Modo de liberación

Mientras que en el Paso 4 se ejecutó en modo de depuración, para obtener un mejor rendimiento, debe cambiar a una versión de lanzamiento con la configuración de Metal óptima adecuada. En particular, para editar esta configuración, vaya a Product > Scheme > Edit Scheme... Seleccione Run . En la pestaña Info , cambie la Build Configuration , de Debug a Release , desmarque Debug executable .

configurando la liberación

Luego haga clic en la pestaña Options y cambie GPU Frame Capture a Disabled y Metal API Validation a Disabled .

configurar opciones de metal

Por último, asegúrese de seleccionar compilaciones de solo versión en arquitectura de 64 bits. En Project navigator -> tflite_camera_example -> PROJECT -> tflite_camera_example -> Build Settings configure Build Active Architecture Only > Release en Yes.

configurar opciones de lanzamiento

Probar el delegado de GPU en su propio modelo

Androide

Hay dos formas de invocar la aceleración del modelo en función de si está utilizando el enlace de modelos de Android Studio ML o el intérprete de TensorFlow Lite.

Intérprete de TensorFlow Lite

Mire la demostración para ver cómo agregar el delegado. En su aplicación, agregue el AAR como se org.tensorflow.lite.gpu.GpuDelegate anteriormente, importe el módulo org.tensorflow.lite.gpu.GpuDelegate y use la función addDelegate para registrar el delegado de la GPU en el intérprete:

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);
      

iOS

Rápido

    import TensorFlowLite

    // Load model ...

    // Initialize TensorFlow Lite interpreter with the GPU delegate.
    let delegate = MetalDelegate()
    if let interpreter = try Interpreter(modelPath: modelPath,
                                         delegates: [delegate]) {
      // Run inference ...
    }
      

C objetivo

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

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

    // Initialize GPU delegate
    TFLMetalDelegate* metalDelegate = [[TFLMetalDelegate alloc] init];

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

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

    // Run inference ...

    ```
      

C (hasta 2.3.0)

    #include "tensorflow/lite/c/c_api.h"
    #include "tensorflow/lite/delegates/gpu/metal_delegate.h"

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

    // Initialize interpreter with GPU delegate
    TfLiteInterpreterOptions* options = TfLiteInterpreterOptionsCreate();
    TfLiteDelegate* delegate = TFLGPUDelegateCreate(nil);  // default config
    TfLiteInterpreterOptionsAddDelegate(options, metal_delegate);
    TfLiteInterpreter* interpreter = TfLiteInterpreterCreate(model, options);
    TfLiteInterpreterOptionsDelete(options);

    TfLiteInterpreterAllocateTensors(interpreter);

    NSMutableData *input_data = [NSMutableData dataWithLength:input_size * sizeof(float)];
    NSMutableData *output_data = [NSMutableData dataWithLength:output_size * sizeof(float)];
    TfLiteTensor* input = TfLiteInterpreterGetInputTensor(interpreter, 0);
    const TfLiteTensor* output = TfLiteInterpreterGetOutputTensor(interpreter, 0);

    // Run inference
    TfLiteTensorCopyFromBuffer(input, inputData.bytes, inputData.length);
    TfLiteInterpreterInvoke(interpreter);
    TfLiteTensorCopyToBuffer(output, outputData.mutableBytes, outputData.length);

    // Clean up
    TfLiteInterpreterDelete(interpreter);
    TFLGpuDelegateDelete(metal_delegate);
    TfLiteModelDelete(model);
      

Modelos y operaciones compatibles

Con el lanzamiento del delegado de GPU, incluimos un puñado de modelos que se pueden ejecutar en el backend:

Para ver una lista completa de las operaciones admitidas, consulte la documentación avanzada .

Modelos y operaciones no compatibles

Si el delegado de la GPU no admite algunas de las operaciones, el marco solo ejecutará una parte del gráfico en la GPU y la parte restante en la CPU. Debido al alto costo de la sincronización CPU / GPU, un modo de ejecución dividido como este a menudo dará como resultado un rendimiento más lento que cuando toda la red se ejecuta solo en la CPU. En este caso, el usuario recibirá una advertencia como:

WARNING: op code #42 cannot be handled by this delegate.

No proporcionamos una devolución de llamada por esta falla, ya que no se trata de una falla real en tiempo de ejecución, sino algo que el desarrollador puede observar mientras intenta que la red se ejecute en el delegado.

Consejos para la optimización

Algunas operaciones que son triviales en la CPU pueden tener un alto costo para la GPU. Una clase de dicha operación son varias formas de operaciones de remodelación, incluidas BATCH_TO_SPACE , SPACE_TO_BATCH , SPACE_TO_DEPTH , etc. Si esas operaciones se insertan en la red solo para el pensamiento lógico del arquitecto de red, vale la pena eliminarlas para mejorar el rendimiento.

En la GPU, los datos del tensor se dividen en 4 canales. Por lo tanto, un cálculo en un tensor de forma [B,H,W,5] funcionará aproximadamente igual en un tensor de forma [B,H,W,8] pero significativamente peor que [B,H,W,4] .

En ese sentido, si el hardware de la cámara admite cuadros de imagen en RGBA, la alimentación de esa entrada de 4 canales es significativamente más rápida, ya que se puede evitar una copia de memoria (desde RGB de 3 canales a RGBX de 4 canales).

Para obtener el mejor rendimiento, no dude en volver a capacitar su clasificador con una arquitectura de red optimizada para dispositivos móviles. Esa es una parte importante de la optimización para la inferencia en el dispositivo.