O uso de unidades de processamento gráfico (GPUs) para executar seus modelos de aprendizado de máquina (ML) pode melhorar drasticamente o desempenho e a experiência do usuário de seus aplicativos habilitados para ML. Em dispositivos Android, você pode ativar a execução acelerada por GPU dos seus modelos usando um delegado e uma das seguintes APIs:
Este guia aborda usos avançados do delegado de GPU para API C, API C++ e uso de modelos quantizados. Para obter mais informações sobre como usar o delegado de GPU para TensorFlow Lite, incluindo práticas recomendadas e técnicas avançadas, consulte a página de delegados de GPU .
Habilitar aceleração de GPU
Use o delegado de GPU do TensorFlow Lite para Android em C ou C++ criando o delegado com TfLiteGpuDelegateV2Create()
e destruindo-o com TfLiteGpuDelegateV2Delete()
, conforme mostrado no código de exemplo a seguir:
// 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);
Revise o código do objeto TfLiteGpuDelegateOptionsV2
para criar uma instância delegada com opções personalizadas. Você pode inicializar as opções padrão com TfLiteGpuDelegateOptionsV2Default()
e depois modificá-las conforme necessário.
O delegado de GPU do TensorFlow Lite para Android em C ou C++ usa o sistema de compilação Bazel . Você pode construir o delegado usando o seguinte comando:
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
Ao chamar Interpreter::ModifyGraphWithDelegate()
ou Interpreter::Invoke()
, o chamador deve ter um EGLContext
no thread atual e Interpreter::Invoke()
deve ser chamado do mesmo EGLContext
. Se um EGLContext
não existir, o delegado criará um internamente, mas você deverá garantir que Interpreter::Invoke()
seja sempre chamado a partir do mesmo thread em que Interpreter::ModifyGraphWithDelegate()
foi chamado.
Com o TensorFlow Lite no Google Play Services:
Se você estiver usando o TensorFlow Lite na API C do Google Play Services, precisará usar a API Java/Kotlin para verificar se um delegado de GPU está disponível para seu dispositivo antes de inicializar o tempo de execução do TensorFlow Lite.
Adicione as dependências gradle do delegado da GPU ao seu aplicativo:
implementation 'com.google.android.gms:play-services-tflite-gpu:16.2.0'
Em seguida, verifique a disponibilidade da GPU e inicialize o TfLiteNative se a verificação for bem-sucedida:
Java
TasktfLiteHandleTask = 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) }
Você também precisa atualizar sua configuração do CMake para incluir o sinalizador do compilador TFLITE_USE_OPAQUE_DELEGATE
:
add_compile_definitions(TFLITE_USE_OPAQUE_DELEGATE)
A biblioteca FlatBuffers é usada para configurar plugins delegados, então você precisa adicioná-la às dependências do seu código nativo. Você pode usar a configuração oficial do projeto CMake
da seguinte forma:
target_include_directories(tflite-jni PUBLIC
third_party/headers # flatbuffers
...)
Você também pode simplesmente agrupar os cabeçalhos em seu aplicativo.
Finalmente, para usar a inferência de GPU em seu código C, crie o delegado de GPU usando 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);
Modelos quantizados
As bibliotecas delegadas de GPU do Android oferecem suporte a modelos quantizados por padrão. Você não precisa fazer nenhuma alteração no código para usar modelos quantizados com o delegado da GPU. A seção a seguir explica como desabilitar o suporte quantizado para fins de teste ou experimentais.
Desativar suporte a modelo quantizado
O código a seguir mostra como desabilitar o suporte para modelos quantizados.
C++
TfLiteGpuDelegateOptionsV2 options = TfLiteGpuDelegateOptionsV2Default(); options.experimental_flags = TFLITE_GPU_EXPERIMENTAL_FLAGS_NONE; auto* delegate = TfLiteGpuDelegateV2Create(options); if (interpreter->ModifyGraphWithDelegate(delegate) != kTfLiteOk) return false;
Para obter mais informações sobre a execução de modelos quantizados com aceleração de GPU, consulte Visão geral do delegado de GPU .