ML Community Day คือวันที่ 9 พฤศจิกายน! ร่วมกับเราสำหรับการปรับปรุงจาก TensorFlow, JAX และอื่น ๆ เรียนรู้เพิ่มเติม

ผู้แทน GPU TensorFlow Lite

TensorFlow Lite รองรับตัวเร่งฮาร์ดแวร์หลายตัว เอกสารนี้อธิบายวิธีใช้แบ็กเอนด์ GPU โดยใช้ API ผู้รับมอบสิทธิ์ TensorFlow Lite บน Android และ iOS

GPU ได้รับการออกแบบให้มีปริมาณงานสูงสำหรับปริมาณงานแบบขนานจำนวนมาก ดังนั้น พวกมันจึงเหมาะอย่างยิ่งสำหรับโครงข่ายประสาทส่วนลึก ซึ่งประกอบด้วยตัวดำเนินการจำนวนมาก โดยแต่ละตัวทำงานบนเทนเซอร์อินพุตบางตัวที่สามารถแบ่งออกเป็นปริมาณงานที่มีขนาดเล็กลงได้ง่ายและดำเนินการควบคู่กัน ซึ่งโดยทั่วไปแล้วจะส่งผลให้เวลาแฝงต่ำลง ในสถานการณ์ที่ดีที่สุด การอนุมานบน GPU อาจทำงานเร็วพอสำหรับแอปพลิเคชันแบบเรียลไทม์ที่ไม่พร้อมใช้งานก่อนหน้านี้

ต่างจากซีพียู GPU คำนวณด้วยตัวเลขทศนิยม 16 บิตหรือ 32 บิต และไม่ต้องการการควอนตัมเพื่อประสิทธิภาพสูงสุด ผู้รับมอบสิทธิ์ยอมรับโมเดลเชิงปริมาณ 8 บิต แต่การคำนวณจะดำเนินการในจำนวนทศนิยม โปรดดูรายละเอียดใน เอกสารประกอบขั้นสูง

ข้อดีอีกประการของการอนุมาน GPU คือประสิทธิภาพการใช้พลังงาน GPU ดำเนินการคำนวณอย่างมีประสิทธิภาพและเหมาะสมที่สุด เพื่อให้ใช้พลังงานน้อยลงและสร้างความร้อนน้อยกว่าเมื่อทำงานเดียวกันบน CPU

บทแนะนำแอปสาธิต

วิธีที่ง่ายที่สุดในการทดลองใช้ผู้แทน GPU คือทำตามบทช่วยสอนด้านล่าง ซึ่งดำเนินการผ่านการสร้างแอปพลิเคชันการสาธิตการจัดหมวดหมู่ของเราด้วยการรองรับ GPU รหัส GPU เป็นเพียงเลขฐานสองสำหรับตอนนี้ มันจะเป็นโอเพ่นซอร์สเร็ว ๆ นี้ เมื่อคุณเข้าใจวิธีทำให้การสาธิตของเราทำงานแล้ว คุณสามารถลองใช้แบบจำลองที่คุณกำหนดเองได้

Android (พร้อม Android Studio)

สำหรับบทแนะนำทีละขั้นตอน โปรดดูวิดีโอ GPU Delegate สำหรับ Android

ขั้นตอนที่ 1. โคลนซอร์สโค้ด TensorFlow แล้วเปิดใน Android Studio

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

ขั้นตอนที่ 2. แก้ไข app/build.gradle เพื่อใช้ GPU AAR . ทุกคืน

เพิ่ม tensorflow-lite-gpu ควบคู่ไปกับแพ็คเกจ tensorflow-lite ที่มี dependencies บล็อกการ dependencies ที่มี dependencies

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

ขั้นตอนที่ 3 สร้างและเรียกใช้

เรียกใช้ → เรียกใช้ 'แอป' เมื่อคุณเรียกใช้แอปพลิเคชัน คุณจะเห็นปุ่มสำหรับเปิดใช้งาน GPU เปลี่ยนจาก quantized เป็น float model จากนั้นคลิก GPU เพื่อรันบน GPU

เรียกใช้การสาธิต android gpu และเปลี่ยนเป็น gpu

iOS (พร้อม XCode)

สำหรับบทแนะนำทีละขั้นตอน โปรดดูวิดีโอ GPU Delegate สำหรับ iOS

ขั้นตอนที่ 1 รับซอร์สโค้ดสาธิตและตรวจดูให้แน่ใจว่าคอมไพล์แล้ว

ทำตาม บทช่วยสอน แอปสาธิต iOS ของเรา สิ่งนี้จะนำคุณไปสู่จุดที่การสาธิตกล้อง iOS ที่ไม่ได้แก้ไขนั้นทำงานบนโทรศัพท์ของคุณ

ขั้นตอนที่ 2 แก้ไข Podfile เพื่อใช้ TensorFlow Lite GPU CocoaPod

จากรุ่น 2.3.0 โดยค่าเริ่มต้น ผู้รับมอบสิทธิ์ GPU จะถูกแยกออกจากพ็อดเพื่อลดขนาดไบนารี คุณสามารถรวมได้โดยระบุข้อกำหนดย่อย สำหรับพ็อด TensorFlowLiteSwift :

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

หรือ

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

คุณสามารถทำเช่นเดียวกันกับ TensorFlowLiteObjC หรือ TensorFlowLitC หากคุณต้องการใช้ Objective-C (จากรุ่น 2.4.0) หรือ C API

ก่อนปล่อย 2.3.0

จนถึง TensorFlow Lite 2.0.0

เราได้สร้าง CocoaPod ไบนารีที่มีผู้แทน GPU หากต้องการเปลี่ยนโปรเจ็กต์ไปใช้ ให้แก้ไขไฟล์ "tensorflow/tensorflow/lite/examples/ios/camera/Podfile" เพื่อใช้พ็อด "TensorFlowLiteGpuExperimental" แทน "TensorFlowLite"


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

จนถึง TensorFlow Lite 2.2.0

จาก TensorFlow Lite 2.1.0 ถึง 2.2.0 ผู้แทน GPU จะรวมอยู่ในพ็อด `TensorFlowLiteC` คุณสามารถเลือกระหว่าง "TensorFlowLiteC" และ "TensorFlowLiteSwift" ขึ้นอยู่กับภาษา

ขั้นตอนที่ 3 เปิดใช้งานผู้แทน GPU

ในการเปิดใช้งานโค้ดที่จะใช้ตัวแทน GPU คุณจะต้องเปลี่ยน TFLITE_USE_GPU_DELEGATE จาก 0 เป็น 1 ใน CameraExampleViewController.h

#define TFLITE_USE_GPU_DELEGATE 1

ขั้นตอนที่ 4 สร้างและเรียกใช้แอปสาธิต

หลังจากทำตามขั้นตอนก่อนหน้านี้ คุณควรจะสามารถเรียกใช้แอปได้

ขั้นตอนที่ 5. โหมดปล่อย

ขณะที่อยู่ในขั้นตอนที่ 4 คุณทำงานในโหมดดีบัก เพื่อให้ได้ประสิทธิภาพที่ดีขึ้น คุณควรเปลี่ยนเป็นรุ่นวางจำหน่ายด้วยการตั้งค่าโลหะที่เหมาะสมที่สุด โดยเฉพาะอย่างยิ่ง หากต้องการแก้ไขการตั้งค่าเหล่านี้ ให้ไปที่ Product > Scheme > Edit Scheme... เลือก Run บนแท็บ Info เปลี่ยน Build Configuration จาก Debug เป็น Release ยกเลิกการเลือก Debug executable

ตั้งปล่อย

จากนั้นคลิกแท็บ Options และเปลี่ยน GPU Frame Capture เป็น Disabled และ Metal API Validation เป็น Disabled

การตั้งค่าตัวเลือกโลหะ

สุดท้าย ตรวจสอบให้แน่ใจว่าได้เลือกรุ่นที่วางจำหน่ายเท่านั้นบนสถาปัตยกรรม 64 บิต ภายใต้ Project navigator -> tflite_camera_example -> PROJECT -> tflite_camera_example -> Build Settings set Build Active Architecture Only > Release เป็น Yes

การตั้งค่าตัวเลือกการเปิดตัว release

ลองใช้ผู้แทน GPU ในรุ่นของคุณเอง

Android

มีสองวิธีในการเรียกใช้การเร่งโมเดล ขึ้นอยู่กับว่าคุณกำลังใช้ Android Studio ML Model Binding หรือ TensorFlow Lite Interpreter

ล่าม TensorFlow Lite

ดูการสาธิตเพื่อดูวิธีเพิ่มผู้รับมอบสิทธิ์ ในแอปพลิเคชันของคุณ ให้เพิ่ม AAR ตามด้านบน นำเข้าโมดูล org.tensorflow.lite.gpu.GpuDelegate และใช้ฟังก์ชัน addDelegate เพื่อลงทะเบียนผู้รับมอบสิทธิ์ GPU ไปยังล่าม

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

Swift

    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 ...
    }
      

วัตถุประสงค์-C

    // 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 ...

    ```
      

ค (จนถึง 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);
      

รุ่นที่รองรับและ Ops

ด้วยการเปิดตัวผู้แทน GPU เราได้รวมโมเดลจำนวนหนึ่งที่สามารถเรียกใช้บนแบ็กเอนด์ได้:

หากต้องการดูรายการปฏิบัติการที่รองรับทั้งหมด โปรดดู เอกสารขั้นสูง

รุ่นที่ไม่รองรับและ ops

หากตัวแทน GPU ไม่รองรับ ops บางตัว เฟรมเวิร์กจะเรียกใช้กราฟเพียงส่วนหนึ่งของ GPU และส่วนที่เหลือบน CPU เนื่องจากการซิงโครไนซ์ CPU/GPU มีค่าใช้จ่ายสูง โหมดการทำงานแบบแยกส่วนเช่นนี้มักจะส่งผลให้ประสิทธิภาพการทำงานช้าลงกว่าเมื่อเครือข่ายทั้งหมดทำงานบน CPU เพียงอย่างเดียว ในกรณีนี้ ผู้ใช้จะได้รับคำเตือนเช่น:

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

เราไม่ได้ให้การเรียกกลับสำหรับความล้มเหลวนี้ เนื่องจากนี่ไม่ใช่ความล้มเหลวรันไทม์ที่แท้จริง แต่เป็นสิ่งที่นักพัฒนาสามารถสังเกตได้ในขณะที่พยายามทำให้เครือข่ายทำงานบนผู้รับมอบสิทธิ์

เคล็ดลับสำหรับการเพิ่มประสิทธิภาพ

การดำเนินการบางอย่างที่ไม่สำคัญบน CPU อาจมีต้นทุนสูงสำหรับ GPU คลาสหนึ่งของการดำเนินการดังกล่าวคือการดำเนินการปรับรูปร่างรูปแบบต่างๆ รวมถึง BATCH_TO_SPACE , SPACE_TO_BATCH , SPACE_TO_DEPTH และอื่นๆ หาก ops เหล่านั้นถูกแทรกลงในเครือข่ายเพียงเพื่อการคิดเชิงตรรกะของสถาปนิกเครือข่าย ก็ควรลบออกเพื่อประสิทธิภาพ

บน GPU ข้อมูลเทนเซอร์จะถูกแบ่งเป็น 4 ช่องสัญญาณ ดังนั้น การคำนวณบนเทนเซอร์ของรูปร่าง [B,H,W,5] จะทำงานเหมือนกันกับเทนเซอร์ของรูปร่าง [B,H,W,8] แต่แย่กว่า [B,H,W,4] .

ในแง่นั้น หากฮาร์ดแวร์ของกล้องรองรับเฟรมภาพใน RGBA การป้อนอินพุต 4 แชนเนลนั้นเร็วขึ้นอย่างมาก เนื่องจากสามารถหลีกเลี่ยงการคัดลอกหน่วยความจำ (จาก RGB 3 แชนเนลเป็น RGBX 4 แชนเนล)

เพื่อประสิทธิภาพที่ดีที่สุด อย่าลังเลที่จะฝึกลักษณนามของคุณใหม่ด้วยสถาปัตยกรรมเครือข่ายที่ปรับให้เหมาะกับอุปกรณ์พกพา นั่นเป็นส่วนสำคัญของการปรับให้เหมาะสมสำหรับการอนุมานบนอุปกรณ์