API нейронных сетей

Android Neural Networks API (NNAPI) — это API Android C, разработанный для выполнения ресурсоемких вычислительных операций для машинного обучения на устройствах Android. NNAPI разработан для предоставления базового уровня функциональности для высокоуровневых фреймворков машинного обучения, таких как TensorFlow Lite и Caffe2, которые создают и обучают нейронные сети. API доступен на всех устройствах Android под управлением Android 8.1 (API уровня 27) или выше, но был объявлен устаревшим в Android 15.

NNAPI поддерживает вывод, применяя данные с устройств Android к ранее обученным моделям, определенным разработчиком. Примеры вывода включают классификацию изображений, прогнозирование поведения пользователя и выбор соответствующих ответов на поисковый запрос.

Вывод на устройстве имеет множество преимуществ:

• Задержка : Вам не нужно отправлять запрос по сетевому соединению и ждать ответа. Например, это может быть критично для видеоприложений, обрабатывающих последовательные кадры, поступающие с камеры.
• Доступность : приложение работает даже вне зоны действия сети.
• Скорость : Новое оборудование, специально предназначенное для обработки нейронных сетей, обеспечивает значительно более быстрые вычисления, чем обычный процессор общего назначения.
• Конфиденциальность : данные не покидают пределы устройства Android.
• Стоимость : серверная ферма не требуется, если все вычисления выполняются на устройстве Android.

Существуют также компромиссы, которые разработчик должен иметь в виду:

• Использование системы : Оценка нейронных сетей требует большого количества вычислений, что может увеличить потребление заряда батареи. Вам следует рассмотреть возможность мониторинга состояния батареи, если это касается вашего приложения, особенно для длительных вычислений.
• Размер приложения : обратите внимание на размер ваших моделей. Модели могут занимать несколько мегабайт пространства. Если объединение больших моделей в APK может неоправданно повлиять на ваших пользователей, вы можете рассмотреть возможность загрузки моделей после установки приложения, использования меньших моделей или запуска вычислений в облаке. NNAPI не предоставляет функциональность для запуска моделей в облаке.

Ознакомьтесь с примером API нейронных сетей Android , чтобы увидеть пример использования NNAPI.

Понимание среды выполнения API нейронных сетей

NNAPI предназначен для вызова библиотеками машинного обучения, фреймворками и инструментами, которые позволяют разработчикам обучать свои модели вне устройства и развертывать их на устройствах Android. Приложения обычно не используют NNAPI напрямую, а вместо этого используют фреймворки машинного обучения более высокого уровня. Эти фреймворки, в свою очередь, могут использовать NNAPI для выполнения операций вывода с аппаратным ускорением на поддерживаемых устройствах.

В зависимости от требований приложения и аппаратных возможностей устройства Android среда выполнения нейронной сети Android может эффективно распределять вычислительную нагрузку между доступными процессорами устройства, включая выделенное оборудование нейронной сети, графические процессоры (GPU) и цифровые сигнальные процессоры (DSP).

Для устройств Android, у которых отсутствует специализированный драйвер поставщика, среда выполнения NNAPI выполняет запросы на ЦП.

На рисунке 1 показана высокоуровневая архитектура системы NNAPI.

Модель программирования API нейронных сетей

Для выполнения вычислений с использованием NNAPI вам сначала нужно построить направленный граф, который определяет вычисления, которые нужно выполнить. Этот граф вычислений, объединенный с вашими входными данными (например, весами и смещениями, переданными из фреймворка машинного обучения), формирует модель для оценки времени выполнения NNAPI.

NNAPI использует четыре основные абстракции:

• Модель : граф вычислений математических операций и константных значений, полученных в процессе обучения. Эти операции характерны для нейронных сетей. Они включают в себя двумерную (2D) свертку , логистическую ( сигмоидную ) активацию, выпрямленную линейную (ReLU) активацию и многое другое. Создание модели — это синхронная операция. После успешного создания ее можно повторно использовать в потоках и компиляциях. В NNAPI модель представлена ​​как экземпляр ANeuralNetworksModel .
• Компиляция : представляет конфигурацию для компиляции модели NNAPI в код более низкого уровня. Создание компиляции — синхронная операция. После успешного создания ее можно повторно использовать в потоках и выполнениях. В NNAPI каждая компиляция представлена ​​как экземпляр ANeuralNetworksCompilation .
• Память : представляет общую память, файлы, отображенные в память, и аналогичные буферы памяти. Использование буфера памяти позволяет среде выполнения NNAPI передавать данные драйверам более эффективно. Приложение обычно создает один общий буфер памяти, который содержит каждый тензор, необходимый для определения модели. Вы также можете использовать буферы памяти для хранения входов и выходов для экземпляра выполнения. В NNAPI каждый буфер памяти представлен как экземпляр ANeuralNetworksMemory .

• Выполнение : Интерфейс для применения модели NNAPI к набору входных данных и сбора результатов. Выполнение может выполняться синхронно или асинхронно.

  Для асинхронного выполнения несколько потоков могут ожидать одного и того же выполнения. Когда это выполнение завершается, все потоки освобождаются.

  В NNAPI каждое выполнение представлено как экземпляр ANeuralNetworksExecution .

На рисунке 2 показан базовый процесс программирования.

В оставшейся части этого раздела описываются шаги по настройке модели NNAPI для выполнения вычислений, компиляции модели и выполнения скомпилированной модели.

Предоставить доступ к учебным данным

Ваши данные по обученным весам и смещениям, скорее всего, хранятся в файле. Чтобы предоставить среде выполнения NNAPI эффективный доступ к этим данным, создайте экземпляр ANeuralNetworksMemory , вызвав функцию ANeuralNetworksMemory_createFromFd() и передав дескриптор открытого файла данных. Вы также указываете флаги защиты памяти и смещение, где начинается область общей памяти в файле.

// Create a memory buffer from the file that contains the trained data
ANeuralNetworksMemory* mem1 = NULL;
int fd = open("training_data", O_RDONLY);
ANeuralNetworksMemory_createFromFd(file_size, PROT_READ, fd, 0, &mem1);

Хотя в этом примере мы используем только один экземпляр ANeuralNetworksMemory для всех наших весов, можно использовать более одного экземпляра ANeuralNetworksMemory для нескольких файлов.

Использовать собственные аппаратные буферы

Вы можете использовать собственные аппаратные буферы для входов, выходов и постоянных значений операндов модели. В некоторых случаях ускоритель NNAPI может получить доступ к объектам AHardwareBuffer без необходимости копирования данных драйвером. AHardwareBuffer имеет много различных конфигураций, и не каждый ускоритель NNAPI может поддерживать все эти конфигурации. Из-за этого ограничения обратитесь к ограничениям, перечисленным в справочной документации ANeuralNetworksMemory_createFromAHardwareBuffer , и проведите предварительное тестирование на целевых устройствах, чтобы убедиться, что компиляции и выполнения, использующие AHardwareBuffer , ведут себя ожидаемым образом, используя назначение устройства для указания ускорителя.

Чтобы разрешить среде выполнения NNAPI доступ к объекту AHardwareBuffer , создайте экземпляр ANeuralNetworksMemory , вызвав функцию ANeuralNetworksMemory_createFromAHardwareBuffer и передав объект AHardwareBuffer , как показано в следующем примере кода:

// Configure and create AHardwareBuffer object
AHardwareBuffer_Desc desc = ...
AHardwareBuffer* ahwb = nullptr;
AHardwareBuffer_allocate(&desc, &ahwb);

// Create ANeuralNetworksMemory from AHardwareBuffer
ANeuralNetworksMemory* mem2 = NULL;
ANeuralNetworksMemory_createFromAHardwareBuffer(ahwb, &mem2);

Когда NNAPI больше не требуется доступ к объекту AHardwareBuffer , освободите соответствующий экземпляр ANeuralNetworksMemory :

ANeuralNetworksMemory_free(mem2);

Модель

Модель — это фундаментальная единица вычисления в NNAPI. Каждая модель определяется одним или несколькими операндами и операциями.

Операнды

Операнды — это объекты данных, используемые при определении графа. Они включают входы и выходы модели, промежуточные узлы, содержащие данные, которые перетекают из одной операции в другую, и константы, которые передаются в эти операции.

В модели NNAPI можно добавлять два типа операндов: скаляры и тензоры .

Скаляр представляет собой одно значение. NNAPI поддерживает скалярные значения в форматах boolean, 16-битных чисел с плавающей точкой, 32-битных чисел с плавающей точкой, 32-битных целых чисел и беззнаковых 32-битных целых чисел.

Большинство операций в NNAPI включают тензоры. Тензоры — это n-мерные массивы. NNAPI поддерживает тензоры с 16-битными числами с плавающей точкой, 32-битными числами с плавающей точкой, 8-битными квантованными , 16-битными квантованными, 32-битными целыми и 8-битными булевыми значениями.

Например, рисунок 3 представляет модель с двумя операциями: сложением и последующим умножением. Модель берет входной тензор и производит один выходной тензор.

Модель выше имеет семь операндов. Эти операнды идентифицируются неявно индексом порядка, в котором они добавляются в модель. Первый добавленный операнд имеет индекс 0, второй — индекс 1 и т. д. Операнды 1, 2, 3 и 5 являются константными операндами.

Порядок добавления операндов не имеет значения. Например, выходной операнд модели может быть добавлен первым. Важно использовать правильное значение индекса при ссылке на операнд.

Операнды имеют типы. Они указываются при добавлении в модель.

Операнд не может использоваться как вход и выход модели.

Каждый операнд должен быть либо входом модели, либо константой, либо выходным операндом ровно одной операции.

Дополнительную информацию об использовании операндов см. в разделе Подробнее об операндах .

Операции

Операция определяет вычисления, которые необходимо выполнить. Каждая операция состоит из следующих элементов:

• тип операции (например, сложение, умножение, свертка),
• список индексов операндов, которые операция использует для ввода, и
• список индексов операндов, которые операция использует для вывода.

Порядок в этих списках имеет значение; ожидаемые входные и выходные данные для каждого типа операции см. в справочнике API NNAPI .

Перед добавлением операции необходимо добавить в модель операнды, которые операция потребляет или производит.

Порядок добавления операций не имеет значения. NNAPI полагается на зависимости, установленные графом вычислений операндов и операций, чтобы определить порядок выполнения операций.

Операции, поддерживаемые NNAPI, перечислены в таблице ниже:

Известная проблема в API уровня 28: при передаче тензоров ANEURALNETWORKS_TENSOR_QUANT8_ASYMM в операцию ANEURALNETWORKS_PAD , которая доступна в Android 9 (API уровня 28) и выше, вывод из NNAPI может не совпадать с выводом из фреймворков машинного обучения более высокого уровня, таких как TensorFlow Lite . Вместо этого следует передавать только ANEURALNETWORKS_TENSOR_FLOAT32 . Проблема решена в Android 10 (API уровня 29) и выше.

Построение моделей

В следующем примере мы создаем двухоперационную модель, показанную на рисунке 3 .

Чтобы построить модель, выполните следующие действия:

1. Вызовите функцию ANeuralNetworksModel_create() , чтобы определить пустую модель.

   ANeuralNetworksModel* model = NULL;
   ANeuralNetworksModel_create(&model);

2. Добавьте операнды в вашу модель, вызвав ANeuralNetworks_addOperand() . Их типы данных определяются с помощью структуры данных ANeuralNetworksOperandType .

   // In our example, all our tensors are matrices of dimension [3][4]
   ANeuralNetworksOperandType tensor3x4Type;
   tensor3x4Type.type = ANEURALNETWORKS_TENSOR_FLOAT32;
   tensor3x4Type.scale = 0.f;    // These fields are used for quantized tensors
   tensor3x4Type.zeroPoint = 0;  // These fields are used for quantized tensors
   tensor3x4Type.dimensionCount = 2;
   uint32_t dims[2] = {3, 4};
   tensor3x4Type.dimensions = dims;
   
   
   // We also specify operands that are activation function specifiers
   ANeuralNetworksOperandType activationType;
   activationType.type = ANEURALNETWORKS_INT32;
   activationType.scale = 0.f;
   activationType.zeroPoint = 0;
   activationType.dimensionCount = 0;
   activationType.dimensions = NULL;
   
   
   // Now we add the seven operands, in the same order defined in the diagram
   ANeuralNetworksModel_addOperand(model, &tensor3x4Type);  // operand 0
   ANeuralNetworksModel_addOperand(model, &tensor3x4Type);  // operand 1
   ANeuralNetworksModel_addOperand(model, &activationType); // operand 2
   ANeuralNetworksModel_addOperand(model, &tensor3x4Type);  // operand 3
   ANeuralNetworksModel_addOperand(model, &tensor3x4Type);  // operand 4
   ANeuralNetworksModel_addOperand(model, &activationType); // operand 5
   ANeuralNetworksModel_addOperand(model, &tensor3x4Type);  // operand 6

3. Для операндов с постоянными значениями, например весов и смещений, которые ваше приложение получает в процессе обучения, используйте функции ANeuralNetworksModel_setOperandValue() и ANeuralNetworksModel_setOperandValueFromMemory() .

   В следующем примере мы устанавливаем постоянные значения из файла обучающих данных, соответствующего буферу памяти, который мы создали в разделе Предоставление доступа к обучающим данным .

   // In our example, operands 1 and 3 are constant tensors whose values were
   // established during the training process
   const int sizeOfTensor = 3 * 4 * 4;    // The formula for size calculation is dim0 * dim1 * elementSize
   ANeuralNetworksModel_setOperandValueFromMemory(model, 1, mem1, 0, sizeOfTensor);
   ANeuralNetworksModel_setOperandValueFromMemory(model, 3, mem1, sizeOfTensor, sizeOfTensor);
   
   
   // We set the values of the activation operands, in our example operands 2 and 5
   int32_t noneValue = ANEURALNETWORKS_FUSED_NONE;
   ANeuralNetworksModel_setOperandValue(model, 2, &noneValue, sizeof(noneValue));
   ANeuralNetworksModel_setOperandValue(model, 5, &noneValue, sizeof(noneValue));

4. Для каждой операции в направленном графе, которую вы хотите вычислить, добавьте операцию в свою модель, вызвав функцию ANeuralNetworksModel_addOperation() .

   В качестве параметров этого вызова ваше приложение должно предоставить:

   • тип операции
   • количество входных значений
   • массив индексов для входных операндов
   • количество выходных значений
   • массив индексов для выходных операндов

   Обратите внимание, что операнд нельзя использовать как для ввода, так и для вывода одной и той же операции.

   // We have two operations in our example
   // The first consumes operands 1, 0, 2, and produces operand 4
   uint32_t addInputIndexes[3] = {1, 0, 2};
   uint32_t addOutputIndexes[1] = {4};
   ANeuralNetworksModel_addOperation(model, ANEURALNETWORKS_ADD, 3, addInputIndexes, 1, addOutputIndexes);
   
   
   // The second consumes operands 3, 4, 5, and produces operand 6
   uint32_t multInputIndexes[3] = {3, 4, 5};
   uint32_t multOutputIndexes[1] = {6};
   ANeuralNetworksModel_addOperation(model, ANEURALNETWORKS_MUL, 3, multInputIndexes, 1, multOutputIndexes);

5. Определите, какие операнды модель должна обрабатывать как входы и выходы, вызвав функцию ANeuralNetworksModel_identifyInputsAndOutputs() .

   // Our model has one input (0) and one output (6)
   uint32_t modelInputIndexes[1] = {0};
   uint32_t modelOutputIndexes[1] = {6};
   ANeuralNetworksModel_identifyInputsAndOutputs(model, 1, modelInputIndexes, 1 modelOutputIndexes);

6. При желании укажите, разрешено ли вычислять ANEURALNETWORKS_TENSOR_FLOAT32 с диапазоном или точностью, не ниже, чем у 16-битного формата с плавающей точкой IEEE 754, вызвав ANeuralNetworksModel_relaxComputationFloat32toFloat16() .

7. Вызовите ANeuralNetworksModel_finish() для завершения определения вашей модели. Если ошибок нет, эта функция возвращает код результата ANEURALNETWORKS_NO_ERROR .

   ANeuralNetworksModel_finish(model);

Создав модель, вы можете компилировать ее любое количество раз и выполнять каждую компиляцию любое количество раз.

Поток управления

Чтобы включить поток управления в модель NNAPI, выполните следующие действия:

1. Постройте соответствующие подграфы выполнения (подграфы then и else для оператора IF , подграфы condition и body для цикла WHILE ) как отдельные модели ANeuralNetworksModel* :

   ANeuralNetworksModel* thenModel = makeThenModel();
   ANeuralNetworksModel* elseModel = makeElseModel();

2. Создайте операнды, которые ссылаются на эти модели внутри модели, содержащей поток управления:

   ANeuralNetworksOperandType modelType = {
       .type = ANEURALNETWORKS_MODEL,
   };
   ANeuralNetworksModel_addOperand(model, &modelType);  // kThenOperandIndex
   ANeuralNetworksModel_addOperand(model, &modelType);  // kElseOperandIndex
   ANeuralNetworksModel_setOperandValueFromModel(model, kThenOperandIndex, &thenModel);
   ANeuralNetworksModel_setOperandValueFromModel(model, kElseOperandIndex, &elseModel);

3. Добавьте операцию потока управления:

   uint32_t inputs[] = {kConditionOperandIndex,
                        kThenOperandIndex,
                        kElseOperandIndex,
                        kInput1, kInput2, kInput3};
   uint32_t outputs[] = {kOutput1, kOutput2};
   ANeuralNetworksModel_addOperation(model, ANEURALNETWORKS_IF,
                                     std::size(inputs), inputs,
                                     std::size(output), outputs);

Компиляция

Этап компиляции определяет, на каких процессорах будет выполняться ваша модель, и просит соответствующие драйверы подготовиться к ее выполнению. Это может включать генерацию машинного кода, специфичного для процессоров, на которых будет выполняться ваша модель.

Чтобы скомпилировать модель, выполните следующие действия:

1. Вызовите функцию ANeuralNetworksCompilation_create() , чтобы создать новый экземпляр компиляции.

   // Compile the model
   ANeuralNetworksCompilation* compilation;
   ANeuralNetworksCompilation_create(model, &compilation);

   При желании вы можете использовать назначение устройств , чтобы явно выбрать, на каких устройствах выполняться.

2. Вы можете опционально влиять на то, как среда выполнения балансирует между потреблением заряда батареи и скоростью выполнения. Вы можете сделать это, вызвав ANeuralNetworksCompilation_setPreference() .

   // Ask to optimize for low power consumption
   ANeuralNetworksCompilation_setPreference(compilation, ANEURALNETWORKS_PREFER_LOW_POWER);

   Параметры, которые вы можете указать, включают:

   • ANEURALNETWORKS_PREFER_LOW_POWER : Предпочитать выполнение способом, который минимизирует разрядку батареи. Это желательно для компиляций, которые выполняются часто.
   • ANEURALNETWORKS_PREFER_FAST_SINGLE_ANSWER : Предпочитать возвращать один ответ как можно быстрее, даже если это приводит к большему потреблению энергии. Это значение по умолчанию.
   • ANEURALNETWORKS_PREFER_SUSTAINED_SPEED : Предпочтение отдается максимальной пропускной способности последовательных кадров, например, при обработке последовательных кадров, поступающих с камеры.

3. При желании можно настроить кэширование компиляции, вызвав ANeuralNetworksCompilation_setCaching .

   // Set up compilation caching
   ANeuralNetworksCompilation_setCaching(compilation, cacheDir, token);

   Используйте getCodeCacheDir() для cacheDir . Указанный token должен быть уникальным для каждой модели в приложении.

4. Завершите определение компиляции, вызвав ANeuralNetworksCompilation_finish() . Если ошибок нет, эта функция возвращает код результата ANEURALNETWORKS_NO_ERROR .

   ANeuralNetworksCompilation_finish(compilation);

Обнаружение и назначение устройств

На устройствах Android под управлением Android 10 (уровень API 29) и выше NNAPI предоставляет функции, которые позволяют библиотекам и приложениям фреймворка машинного обучения получать информацию о доступных устройствах и указывать устройства, которые будут использоваться для выполнения. Предоставление информации о доступных устройствах позволяет приложениям получать точную версию драйверов, найденных на устройстве, чтобы избежать известных несовместимостей. Предоставляя приложениям возможность указывать, какие устройства должны выполнять различные разделы модели, приложения можно оптимизировать для устройства Android, на котором они развернуты.

Обнаружение устройства

Используйте ANeuralNetworks_getDeviceCount , чтобы получить количество доступных устройств. Для каждого устройства используйте ANeuralNetworks_getDevice , чтобы установить экземпляр ANeuralNetworksDevice для ссылки на это устройство.

Получив ссылку на устройство, вы можете узнать дополнительную информацию об этом устройстве, используя следующие функции:

• ANeuralNetworksDevice_getFeatureLevel
• ANeuralNetworksDevice_getName
• ANeuralNetworksDevice_getType
• ANeuralNetworksDevice_getVersion

Назначение устройства

Используйте ANeuralNetworksModel_getSupportedOperationsForDevices , чтобы узнать, какие операции модели можно запустить на определенных устройствах.

Чтобы контролировать, какие ускорители использовать для выполнения, вызовите ANeuralNetworksCompilation_createForDevices вместо ANeuralNetworksCompilation_create . Используйте полученный объект ANeuralNetworksCompilation , как обычно. Функция возвращает ошибку, если предоставленная модель содержит операции, которые не поддерживаются выбранными устройствами.

Если указано несколько устройств, среда выполнения отвечает за распределение работы между устройствами.

Подобно другим устройствам, реализация ЦП NNAPI представлена ANeuralNetworksDevice с именем nnapi-reference и типом ANEURALNETWORKS_DEVICE_TYPE_CPU . При вызове ANeuralNetworksCompilation_createForDevices реализация ЦП не используется для обработки случаев сбоев при компиляции и выполнении модели.

Приложение отвечает за разделение модели на подмодели, которые могут работать на указанных устройствах. Приложения, которым не нужно выполнять ручное разделение, должны продолжать вызывать более простую функцию ANeuralNetworksCompilation_create , чтобы использовать все доступные устройства (включая ЦП) для ускорения модели. Если модель не может быть полностью поддержана устройствами, указанными вами с помощью ANeuralNetworksCompilation_createForDevices , возвращается ANEURALNETWORKS_BAD_DATA .

Модель разбиения

Если для модели доступно несколько устройств, среда выполнения NNAPI распределяет работу по этим устройствам. Например, если для ANeuralNetworksCompilation_createForDevices было предоставлено более одного устройства, все указанные устройства будут учитываться при распределении работы. Обратите внимание, что если устройство CPU отсутствует в списке, выполнение CPU будет отключено. При использовании ANeuralNetworksCompilation_create будут учитываться все доступные устройства, включая CPU.

Распределение выполняется путем выбора из списка доступных устройств для каждой из операций в модели устройства, поддерживающего операцию, и объявления лучшей производительности, т. е. самого быстрого времени выполнения или самого низкого энергопотребления, в зависимости от предпочтений выполнения, указанных клиентом. Этот алгоритм разбиения не учитывает возможные неэффективности, вызванные вводом-выводом между различными процессорами, поэтому при указании нескольких процессоров (явно при использовании ANeuralNetworksCompilation_createForDevices или неявно при использовании ANeuralNetworksCompilation_create ) важно профилировать результирующее приложение.

Чтобы понять, как NNAPI разделил вашу модель, проверьте наличие сообщения в журналах Android (на уровне INFO с тегом ExecutionPlan ):

ModelBuilder::findBestDeviceForEachOperation(op-name): device-index

op-name — описательное имя операции в графе, а device-index — индекс устройства-кандидата в списке устройств. Этот список — входные данные, предоставленные ANeuralNetworksCompilation_createForDevices или, если используется ANeuralNetworksCompilation_createForDevices , список устройств, возвращаемых при итерации по всем устройствам с использованием ANeuralNetworks_getDeviceCount и ANeuralNetworks_getDevice .

Сообщение (на уровне INFO с тегом ExecutionPlan ):

ModelBuilder::partitionTheWork: only one best device: device-name

Это сообщение указывает на то, что весь график был ускорен на устройстве device-name .

Исполнение

На этапе выполнения модель применяется к набору входных данных и выходные данные вычислений сохраняются в одном или нескольких пользовательских буферах или областях памяти, выделенных вашим приложением.

Чтобы выполнить скомпилированную модель, выполните следующие действия:

1. Вызовите функцию ANeuralNetworksExecution_create() , чтобы создать новый экземпляр выполнения.

   // Run the compiled model against a set of inputs
   ANeuralNetworksExecution* run1 = NULL;
   ANeuralNetworksExecution_create(compilation, &run1);

2. Укажите, где ваше приложение считывает входные значения для вычисления. Ваше приложение может считывать входные значения либо из пользовательского буфера, либо из выделенного пространства памяти, вызывая ANeuralNetworksExecution_setInput() или ANeuralNetworksExecution_setInputFromMemory() соответственно.

   // Set the single input to our sample model. Since it is small, we won't use a memory buffer
   float32 myInput[3][4] = { ...the data... };
   ANeuralNetworksExecution_setInput(run1, 0, NULL, myInput, sizeof(myInput));

3. Укажите, куда ваше приложение записывает выходные значения. Ваше приложение может записывать выходные значения либо в пользовательский буфер, либо в выделенное пространство памяти, вызывая ANeuralNetworksExecution_setOutput() или ANeuralNetworksExecution_setOutputFromMemory() соответственно.

   // Set the output
   float32 myOutput[3][4];
   ANeuralNetworksExecution_setOutput(run1, 0, NULL, myOutput, sizeof(myOutput));

4. Запланируйте начало выполнения, вызвав функцию ANeuralNetworksExecution_startCompute() . Если ошибок нет, эта функция возвращает код результата ANEURALNETWORKS_NO_ERROR .

   // Starts the work. The work proceeds asynchronously
   ANeuralNetworksEvent* run1_end = NULL;
   ANeuralNetworksExecution_startCompute(run1, &run1_end);

5. Вызовите функцию ANeuralNetworksEvent_wait() для ожидания завершения выполнения. Если выполнение прошло успешно, эта функция возвращает код результата ANEURALNETWORKS_NO_ERROR . Ожидание может выполняться в другом потоке, нежели тот, который начал выполнение.

   // For our example, we have no other work to do and will just wait for the completion
   ANeuralNetworksEvent_wait(run1_end);
   ANeuralNetworksEvent_free(run1_end);
   ANeuralNetworksExecution_free(run1);

6. При желании вы можете применить другой набор входных данных к скомпилированной модели, используя тот же экземпляр компиляции для создания нового экземпляра ANeuralNetworksExecution .

   // Apply the compiled model to a different set of inputs
   ANeuralNetworksExecution* run2;
   ANeuralNetworksExecution_create(compilation, &run2);
   ANeuralNetworksExecution_setInput(run2, ...);
   ANeuralNetworksExecution_setOutput(run2, ...);
   ANeuralNetworksEvent* run2_end = NULL;
   ANeuralNetworksExecution_startCompute(run2, &run2_end);
   ANeuralNetworksEvent_wait(run2_end);
   ANeuralNetworksEvent_free(run2_end);
   ANeuralNetworksExecution_free(run2);

Синхронное исполнение

Асинхронное выполнение тратит время на порождение и синхронизацию потоков. Более того, задержка может быть очень изменчивой, с самыми большими задержками, достигающими 500 микросекунд между временем уведомления или пробуждения потока и временем его окончательной привязки к ядру ЦП.

Чтобы уменьшить задержку, вы можете вместо этого направить приложение на выполнение синхронного вызова вывода в среду выполнения. Этот вызов вернется только после завершения вывода, а не после его начала. Вместо вызова ANeuralNetworksExecution_startCompute для асинхронного вызова вывода в среду выполнения приложение вызывает ANeuralNetworksExecution_compute для выполнения синхронного вызова в среду выполнения. Вызов ANeuralNetworksExecution_compute не принимает ANeuralNetworksEvent и не сопряжен с вызовом ANeuralNetworksEvent_wait .

Серийные казни

На устройствах Android под управлением Android 10 (уровень API 29) и выше NNAPI поддерживает пакетные выполнения через объект ANeuralNetworksBurst . Пакетные выполнения представляют собой последовательность выполнений одной и той же компиляции, которые происходят в быстрой последовательности, например, работа с кадрами захвата камеры или последовательными аудиосэмплами. Использование объектов ANeuralNetworksBurst может привести к более быстрому выполнению, поскольку они указывают ускорителям, что ресурсы могут повторно использоваться между выполнениями и что ускорители должны оставаться в высокопроизводительном состоянии в течение всего пакета.

ANeuralNetworksBurst вносит лишь небольшое изменение в обычный путь выполнения. Вы создаете объект burst с помощью ANeuralNetworksBurst_create , как показано в следующем фрагменте кода:

// Create burst object to be reused across a sequence of executions
ANeuralNetworksBurst* burst = NULL;
ANeuralNetworksBurst_create(compilation, &burst);

Выполнения Burst синхронны. Однако вместо использования ANeuralNetworksExecution_compute для выполнения каждого вывода вы спариваете различные объекты ANeuralNetworksExecution с тем же ANeuralNetworksBurst в вызовах функции ANeuralNetworksExecution_burstCompute .

// Create and configure first execution object
// ...

// Execute using the burst object
ANeuralNetworksExecution_burstCompute(execution1, burst);

// Use results of first execution and free the execution object
// ...

// Create and configure second execution object
// ...

// Execute using the same burst object
ANeuralNetworksExecution_burstCompute(execution2, burst);

// Use results of second execution and free the execution object
// ...

Освободите объект ANeuralNetworksBurst с помощью ANeuralNetworksBurst_free , когда он больше не нужен.

// Cleanup
ANeuralNetworksBurst_free(burst);

Асинхронные очереди команд и огражденное выполнение

В Android 11 и выше NNAPI поддерживает дополнительный способ планирования асинхронного выполнения с помощью метода ANeuralNetworksExecution_startComputeWithDependencies() . При использовании этого метода выполнение ожидает, пока все зависимые события не будут просигнализированы, прежде чем начать оценку. После завершения выполнения и готовности выходов к использованию возвращается событие.

В зависимости от того, какие устройства обрабатывают выполнение, событие может быть подкреплено sync fence . Вы должны вызвать ANeuralNetworksEvent_wait() , чтобы дождаться события и восстановить ресурсы, которые использовались выполнением. Вы можете импортировать sync fences в объект события с помощью ANeuralNetworksEvent_createFromSyncFenceFd() , и вы можете экспортировать sync fences из объекта события с помощью ANeuralNetworksEvent_getSyncFenceFd() .

Динамически изменяемые размеры выходных данных

Для поддержки моделей, в которых размер выходных данных зависит от входных данных, то есть размер которых невозможно определить во время выполнения модели, используйте ANeuralNetworksExecution_getOutputOperandRank и ANeuralNetworksExecution_getOutputOperandDimensions .

Следующий пример кода показывает, как это сделать:

// Get the rank of the output
uint32_t myOutputRank = 0;
ANeuralNetworksExecution_getOutputOperandRank(run1, 0, &myOutputRank);

// Get the dimensions of the output
std::vector<uint32_t> myOutputDimensions(myOutputRank);
ANeuralNetworksExecution_getOutputOperandDimensions(run1, 0, myOutputDimensions.data());

Очистка

На этапе очистки происходит освобождение внутренних ресурсов, используемых для вычислений.

// Cleanup
ANeuralNetworksCompilation_free(compilation);
ANeuralNetworksModel_free(model);
ANeuralNetworksMemory_free(mem1);

Управление ошибками и откат ЦП

Если во время разбиения на разделы возникает ошибка, если драйверу не удается скомпилировать (часть) модели или если драйверу не удается выполнить скомпилированную (часть) модели, NNAPI может вернуться к собственной реализации ЦП одной или нескольких операций.

Если клиент NNAPI содержит оптимизированные версии операции (например, TFLite), может быть целесообразно отключить откат ЦП и обрабатывать сбои с помощью оптимизированной реализации операции клиента.

В Android 10, если компиляция выполняется с использованием ANeuralNetworksCompilation_createForDevices , то откат ЦП будет отключен.

В Android P выполнение NNAPI возвращается к CPU, если выполнение на драйвере завершается неудачей. Это также верно для Android 10, когда используется ANeuralNetworksCompilation_create вместо ANeuralNetworksCompilation_createForDevices .

Первое выполнение возвращается к этому одному разделу, и если это снова не удается, он повторяет всю модель на ЦП.

Если разбиение на разделы или компиляция завершаются неудачей, вся модель будет проверена на ЦП.

Бывают случаи, когда некоторые операции не поддерживаются на ЦП, и в таких ситуациях компиляция или выполнение скорее прервутся, чем будут выполнены.

Даже после отключения отката ЦП в модели все еще могут быть операции, запланированные на ЦП. Если ЦП находится в списке процессоров, предоставленных ANeuralNetworksCompilation_createForDevices , и является либо единственным процессором, который поддерживает эти операции, либо процессором, который заявляет о лучшей производительности для этих операций, он будет выбран в качестве основного (неоткатного) исполнителя.

Чтобы гарантировать отсутствие выполнения CPU, используйте ANeuralNetworksCompilation_createForDevices , исключив nnapi-reference из списка устройств. Начиная с Android P, можно отключить откат во время выполнения в сборках DEBUG, установив свойство debug.nn.partition на 2.

Домены памяти

В Android 11 и выше NNAPI поддерживает домены памяти, которые предоставляют интерфейсы распределителя для непрозрачных воспоминаний. Это позволяет приложениям передавать собственные памяти устройств между выполнениями, так что NNAPI не копирует и не преобразует данные без необходимости при выполнении последовательных выполнений на одном и том же драйвере.

Функция домена памяти предназначена для тензоров, которые в основном являются внутренними для драйвера и которым не требуется частый доступ к стороне клиента. Примерами таких тензоров являются тензоры состояния в моделях последовательности. Для тензоров, которым требуется частый доступ к ЦП на стороне клиента, используйте вместо этого общие пулы памяти.

Чтобы выделить непрозрачную память, выполните следующие действия:

1. Вызовите функцию ANeuralNetworksMemoryDesc_create() для создания нового дескриптора памяти:

   // Create a memory descriptor
   ANeuralNetworksMemoryDesc* desc;
   ANeuralNetworksMemoryDesc_create(&desc);

2. Укажите все предполагаемые роли ввода и вывода, вызвав ANeuralNetworksMemoryDesc_addInputRole() и ANeuralNetworksMemoryDesc_addOutputRole() .

   // Specify that the memory may be used as the first input and the first output
   // of the compilation
   ANeuralNetworksMemoryDesc_addInputRole(desc, compilation, 0, 1.0f);
   ANeuralNetworksMemoryDesc_addOutputRole(desc, compilation, 0, 1.0f);

3. При желании можно указать размеры памяти, вызвав ANeuralNetworksMemoryDesc_setDimensions() .

   // Specify the memory dimensions
   uint32_t dims[] = {3, 4};
   ANeuralNetworksMemoryDesc_setDimensions(desc, 2, dims);

4. Завершите определение дескриптора, вызвав ANeuralNetworksMemoryDesc_finish() .

   ANeuralNetworksMemoryDesc_finish(desc);

5. Выделите столько памяти, сколько вам нужно, передав дескриптор в ANeuralNetworksMemory_createFromDesc() .

   // Allocate two opaque memories with the descriptor
   ANeuralNetworksMemory* opaqueMem;
   ANeuralNetworksMemory_createFromDesc(desc, &opaqueMem);

6. Освободите дескриптор памяти, когда он вам больше не нужен.

   ANeuralNetworksMemoryDesc_free(desc);

Клиент может использовать созданный объект ANeuralNetworksMemory только с ANeuralNetworksExecution_setInputFromMemory() или ANeuralNetworksExecution_setOutputFromMemory() в соответствии с ролями, указанными в объекте ANeuralNetworksMemoryDesc . Аргументы offset и length должны быть установлены в 0, что указывает на то, что используется вся память. Клиент также может явно задать или извлечь содержимое памяти с помощью ANeuralNetworksMemory_copy() .

Вы можете создавать непрозрачные памяти с ролями неопределенных измерений или ранга. В этом случае создание памяти может завершиться неудачей со статусом ANEURALNETWORKS_OP_FAILED , если оно не поддерживается базовым драйвером. Клиенту рекомендуется реализовать логику отката, выделив достаточно большой буфер, поддерживаемый Ashmem или AHardwareBuffer в режиме BLOB.

Когда NNAPI больше не требуется доступ к объекту непрозрачной памяти, освободите соответствующий экземпляр ANeuralNetworksMemory :

ANeuralNetworksMemory_free(opaqueMem);

Измерить производительность

Вы можете оценить производительность своего приложения, измерив время выполнения или выполнив профилирование.

Время исполнения

Когда вы хотите определить общее время выполнения через среду выполнения, вы можете использовать API синхронного выполнения и измерить время, затраченное на вызов. Когда вы хотите определить общее время выполнения через более низкий уровень программного стека, вы можете использовать ANeuralNetworksExecution_setMeasureTiming и ANeuralNetworksExecution_getDuration , чтобы получить:

• время выполнения на ускорителе (не в драйвере, который работает на главном процессоре).
• время выполнения в драйвере, включая время на педали газа.

Время выполнения в драйвере не включает накладные расходы, такие как расходы на саму среду выполнения и IPC, необходимые для взаимодействия среды выполнения с драйвером.

Эти API измеряют продолжительность между событиями отправки и завершения работы, а не время, которое драйвер или ускоритель тратит на выполнение вывода, возможно, прерываемое переключением контекста.

Например, если начинается вывод 1, затем драйвер останавливает работу для выполнения вывода 2, затем возобновляет и завершает вывод 1, время выполнения вывода 1 будет включать время, когда работа была остановлена ​​для выполнения вывода 2.

Эта информация о времени может быть полезна для производственного развертывания приложения для сбора телеметрии для использования в автономном режиме. Вы можете использовать данные о времени для изменения приложения для повышения производительности.

При использовании этой функции следует учитывать следующее:

• Сбор информации о времени может привести к снижению производительности.
• Только драйвер способен вычислить время, затраченное на себя или на ускоритель, за исключением времени, затраченного в среде выполнения NNAPI и в IPC.
• Эти API можно использовать только с ANeuralNetworksExecution , созданным с помощью ANeuralNetworksCompilation_createForDevices с numDevices = 1 .
• Ни один драйвер не должен иметь возможность сообщать о времени информации.

Профиль вашего приложения с помощью Android Systrace

Начиная с Android 10, NNAPI автоматически генерирует события SYSTRACE , которые вы можете использовать для предоставления вашего приложения.

Источник NNAPI поставляется с утилитой parse_systrace для обработки событий Systrace, сгенерированных вашим приложением, и создания вида таблицы, показывающего время, проведенное на различных этапах жизненного цикла модели (инстанция, подготовка, выполнение компиляции и прекращение) и различные слои применения. Слои, в которых разделено ваше приложение:

• Application : основной код приложения
• Runtime : NNAPI Runtime
• IPC : взаимосвязь между процессом между временем выполнения NNAPI и кодом драйвера
• Driver : процесс драйвера ускорителя.

Генерировать данные профилирования анализа

Предполагая, что вы проверили дерево источника AOSP в $ android_build_top, и, используя пример классификации Tflite Image в качестве целевого приложения, вы можете генерировать данные профилирования NNAPI со следующими шагами:

1. Начните Systrace Android со следующей командой:

$ANDROID_BUILD_TOP/external/chromium-trace/systrace.py  -o trace.html -a org.tensorflow.lite.examples.classification nnapi hal freq sched idle load binder_driver

Параметр -o trace.html указывает, что следы будут записаны в trace.html . При профилировании собственного приложения вам нужно будет заменить org.tensorflow.lite.examples.classification с помощью имени процесса, указанного в манифесте вашего приложения.

Это будет занять одну из вашей консоли оболочки, не запускайте команду в фоновом режиме, так как он интерактивно ожидает завершения enter .

1. После того, как коллекционер Systrace запустит, запустите приложение и запустите тест на эталон.

В нашем случае вы можете запустить приложение классификации изображений из Android Studio или непосредственно с вашего пользовательского интерфейса Test Phone, если приложение уже установлено. Чтобы сгенерировать некоторые данные NNAPI, вам необходимо настроить приложение для использования NNAPI, выбрав NNAPI в качестве целевого устройства в диалоговом окне «Конфигурация приложения».

1. Когда тест завершается, прекратите Systrace, нажав enter на консольном терминале, активном с шага 1.

2. Запустите утилиту systrace_parser Generate Совокупную статистику:

$ANDROID_BUILD_TOP/frameworks/ml/nn/tools/systrace_parser/parse_systrace.py --total-times trace.html

Сигнал принимает следующие параметры: - --total-times : показывает общее время, проведенное в слое, включая время, потраченное на ожидание выполнения при вызове --per-execution уровня - - --json --print-detail : печатает все события, которые были собраны из сидестрой - формат

Пример вывода показан ниже:

===========================================================================================================================================
NNAPI timing summary (total time, ms wall-clock)                                                      Execution
                                                           ----------------------------------------------------
              Initialization   Preparation   Compilation           I/O       Compute      Results     Ex. total   Termination        Total
              --------------   -----------   -----------   -----------  ------------  -----------   -----------   -----------   ----------
Application              n/a         19.06       1789.25           n/a           n/a         6.70         21.37           n/a      1831.17*
Runtime                    -         18.60       1787.48          2.93         11.37         0.12         14.42          1.32      1821.81
IPC                     1.77             -       1781.36          0.02          8.86            -          8.88             -      1792.01
Driver                  1.04             -       1779.21           n/a           n/a          n/a          7.70             -      1787.95

Total                   1.77*        19.06*      1789.25*         2.93*        11.74*        6.70*        21.37*         1.32*     1831.17*
===========================================================================================================================================
* This total ignores missing (n/a) values and thus is not necessarily consistent with the rest of the numbers

Сигнал может потерпеть неудачу, если собранные события не представляют полного следа приложения. В частности, это может потерпеть неудачу, если в Systrace события, сгенерированные для обозначения конца раздела, присутствуют в трассировке без связанного события начала секции. Обычно это происходит, если при запуске Systrace Collector генерируются некоторые события из предыдущего сеанса профилирования. В этом случае вам придется снова запустить свое профилирование.

Добавить статистику для кода приложения в Systrace_parser

Приложение Parse_systrace основано на встроенной функциональности Android Systrace. Вы можете добавить следы для конкретных операций в вашем приложении, используя Systrace API ( для Java , для нативных приложений ) с помощью пользовательских имен событий.

Чтобы связать свои пользовательские события с этапами жизненного цикла приложения, приготовьте название вашего события с одной из следующих строк:

• [NN_LA_PI] : событие уровня приложения для инициализации
• [NN_LA_PP] : событие уровня приложения для подготовки
• [NN_LA_PC] : событие уровня приложения для компиляции
• [NN_LA_PE] : событие уровня приложения для выполнения

Вот пример того, как вы можете изменить пример примера классификации изображений TFLITE, добавив раздел runInferenceModel для фазы Execution и слой Application , содержащий другие другие разделы preprocessBitmap , который не будет рассматриваться в трассах NNAPI. Раздел runInferenceModel будет частью событий Systrace, обработанных синестровским анализатором NNAPI:

/** Runs inference and returns the classification results. */
fun recognizeImage(bitmap: Bitmap): List {
   // This section won’t appear in the NNAPI systrace analysis
   Trace.beginSection("preprocessBitmap")
   convertBitmapToByteBuffer(bitmap)
   Trace.endSection()

   // Run the inference call.
   // Add this method in to NNAPI systrace analysis.
   Trace.beginSection("[NN_LA_PE]runInferenceModel")
   long startTime = SystemClock.uptimeMillis()
   runInference()
   long endTime = SystemClock.uptimeMillis()
   Trace.endSection()
    ...
   return recognitions
}

/** Runs inference and returns the classification results. */
public List recognizeImage(final Bitmap bitmap) {

 // This section won’t appear in the NNAPI systrace analysis
 Trace.beginSection("preprocessBitmap");
 convertBitmapToByteBuffer(bitmap);
 Trace.endSection();

 // Run the inference call.
 // Add this method in to NNAPI systrace analysis.
 Trace.beginSection("[NN_LA_PE]runInferenceModel");
 long startTime = SystemClock.uptimeMillis();
 runInference();
 long endTime = SystemClock.uptimeMillis();
 Trace.endSection();
  ...
 Trace.endSection();
 return recognitions;
}

Качество обслуживания

В Android 11 и выше NNAPI обеспечивает лучшее качество обслуживания (QOS), позволяя приложению указать относительные приоритеты своих моделей, максимальное количество времени, которое, как ожидается, подготовит данную модель, и максимальное количество времени, которое, как ожидается, завершит заданное вычисление. Android 11 также вводит дополнительные коды результатов NNAPI, которые позволяют приложениям понимать сбои, такие как сроки пропущенного выполнения.

Установите приоритет рабочей нагрузки

Чтобы установить приоритет рабочей нагрузки NNAPI, вызовите ANeuralNetworksCompilation_setPriority() до вызова ANeuralNetworksCompilation_finish() .

Установить сроки

Приложения могут устанавливать сроки как для компиляции модели, так и для вывода.

• Чтобы установить тайм -аут компиляции, вызовите ANeuralNetworksCompilation_setTimeout() , прежде чем вызовать ANeuralNetworksCompilation_finish() .
• Чтобы установить тайм -аут вывода, вызовите ANeuralNetworksExecution_setTimeout() до запуска компиляции .

Подробнее о операнде

В следующем разделе рассматриваются расширенные темы об использовании операндов.

Квантовые тензоры

Квантовый тензор-это компактный способ представления N-размерной массивы значений плавающей запятой.

NNAPI поддерживает 8-битные асимметричные квантовые тензоры. Для этих тензоров значение каждой ячейки представлено 8-битным целым числом. С тензором связан масштаб и нулевое значение. Они используются для преобразования 8-битных целых чисел в значения плавающей точки, которые представлены.

Формула:

(cellValue - zeroPoint) * scale

где значение нулевого значения является 32-разрядным целым числом, а шкала-32-разрядное значение плавающей запятой.

По сравнению с тензорами 32-битных значений плавающей запятой, 8-битные квантовые тензоры имеют два преимущества:

• Ваше приложение меньше, так как обученные веса занимают четверть от 32-битных тензоров.
• Вычисления часто можно выполнять быстрее. Это связано с меньшим количеством данных, которые необходимо извлечь из памяти и эффективность процессоров, таких как DSP, при выполнении целочисленной математики.

Хотя можно преобразовать модель с плавающей запятой в квантованную, наш опыт показал, что лучшие результаты достигаются путем непосредственного обучения квантовой модели. По сути, нейронная сеть учится компенсировать повышенную гранулярность каждого значения. Для каждого квантового тензора значения масштаба и нулевых значений определяются во время учебного процесса.

В NNAPI вы определяете квантованные типы тензоров, устанавливая поле типа ANeuralNetworksOperandType структуры данных ANEURALNETWORKS_TENSOR_QUANT8_ASYMM . Вы также указываете масштаб и нулевое значение тензора в этой структуре данных.

В дополнение к 8-битным асимметричным квантовым тензорам NNAPI поддерживает следующее:

• ANEURALNETWORKS_TENSOR_QUANT8_SYMM_PER_CHANNEL , который вы можете использовать для представления весов для операций CONV/DEPTHWISE_CONV/TRANSPOSED_CONV .
• ANEURALNETWORKS_TENSOR_QUANT16_ASYMM , который вы можете использовать для внутреннего состояния QUANTIZED_16BIT_LSTM .
• ANEURALNETWORKS_TENSOR_QUANT8_SYMM , который может быть вводом для ANEURALNETWORKS_DEQUANTIZE .

Дополнительные операнды

Несколько операций, такие как ANEURALNETWORKS_LSH_PROJECTION , принимают дополнительные операнды. Чтобы указать в модели, что необязательный операнд опущен, вызовите функцию ANeuralNetworksModel_setOperandValue() , проходя NULL для буфера и 0 для длины.

Если решение о том, присутствует ли операнд или нет, варьируется для каждого выполнения, вы указываете, что операнд пропущен, используя функции ANeuralNetworksExecution_setInput() или ANeuralNetworksExecution_setOutput() , проходя NULL для буфера и 0 для длины.

Тенсоры неизвестного звания

Android 9 (API -уровень 28) представил модельные операнды неизвестных измерений, но известного ранга (количество измерений). Android 10 (уровень API 29) представил тензоры неизвестного ранга, как показано в AneurnetWorksOperAndType .

NNAPI

Бланка NNAPI доступен на AOSP в platform/test/mlts/benchmark (Benchmark App) и platform/test/mlts/models (модели и наборы данных).

Конфликт оценивает задержку и точность и сравнивает драйверы с той же работой, выполненной с использованием Tensorflow Lite, работающего на процессоре, для тех же моделей и наборов данных.

Чтобы использовать эталон, сделайте следующее:

1. Подключите целевое устройство Android к компьютеру, откройте окно терминала и убедитесь, что устройство достижимо через ADB.

2. Если подключено более одного устройства Android, экспортируйте целевое устройство ANDROID_SERIAL Environment Variable.

3. Перейдите в справочный справочник Android Top Source.

4. Запустите следующие команды:

   lunch aosp_arm-userdebug # Or aosp_arm64-userdebug if available
   ./test/mlts/benchmark/build_and_run_benchmark.sh
   

   В конце эталонного запуска его результаты будут представлены в виде HTML-страницы, переданной в xdg-open .

NNAPI журналы

NNAPI генерирует полезную диагностическую информацию в системных журналах. Чтобы проанализировать журналы, используйте утилиту LogCat .

Включите многословную регистрацию NNAPI для конкретных фаз или компонентов, установив свой свойства debug.nn.vlog (с использованием adb shell ) для следующего списка значений, разделенных пространством, толстой кишкой или запятой:

• model : построение модели
• compilation : генерация плана выполнения модели и компиляции
• execution : выполнение модели
• cpuexe : выполнение операций с использованием реализации процессора NNAPI
• manager : расширения NNAPI, доступные интерфейсы и информацию, связанные с возможностями
• all или 1 : все элементы выше

Например, для включения полного журнала словесного регистрации используйте команду adb shell setprop debug.nn.vlog all . Чтобы отключить регистрацию словеса, используйте команду adb shell setprop debug.nn.vlog '""' .

После включения, журнала Verbose генерирует записи журнала на уровне информации с тегом, установленным на фазу или имени компонента.

Помимо контролируемых сообщений debug.nn.vlog , компоненты API NNAPI предоставляют другие записи журнала на разных уровнях, каждый из которых использует конкретный тег журнала.

Чтобы получить список компонентов, найдите дерево источника, используя следующее выражение:

grep -R 'define LOG_TAG' | awk -F '"' '{print $2}' | sort -u | egrep -v "Sample|FileTag|test"

Это выражение в настоящее время возвращает следующие теги:

• Burstbuilder
• Обратные вызовы
• Компиляция строителя
• CPUEXECUTOR
• CERSUTIONBUILDER
• CERSUTIONBURSTCONTROLLER
• CERSUTIONBURSTSERVER
• FEECTUTIONPLAN
• Фибонакцидривер
• График
• IndexedShapeWrapper
• Ionwatcher
• Менеджер
• Память
• Memoryutils
• Метамодель
• Modelargumentinfo
• Модельный задумчик
• Neuralnetworks
• Операция
• Операции
• Операции
• PackageInfo
• Tokenhasher
• TypeManager
• Utils
• ValidateHal
• Версииэнтерфейсы

Чтобы управлять уровнем сообщений журнала, показанного logcat , используйте переменную среды ANDROID_LOG_TAGS .

Чтобы показать полный набор сообщений журнала NNAPI и отключить любые другие, установите ANDROID_LOG_TAGS на следующее:

BurstBuilder:V Callbacks:V CompilationBuilder:V CpuExecutor:V ExecutionBuilder:V ExecutionBurstController:V ExecutionBurstServer:V ExecutionPlan:V FibonacciDriver:V GraphDump:V IndexedShapeWrapper:V IonWatcher:V Manager:V MemoryUtils:V Memory:V MetaModel:V ModelArgumentInfo:V ModelBuilder:V NeuralNetworks:V OperationResolver:V OperationsUtils:V Operations:V PackageInfo:V TokenHasher:V TypeManager:V Utils:V ValidateHal:V VersionedInterfaces:V *:S.

Вы можете установить ANDROID_LOG_TAGS , используя следующую команду:

export ANDROID_LOG_TAGS=$(grep -R 'define LOG_TAG' | awk -F '"' '{ print $2 ":V" }' | sort -u | egrep -v "Sample|FileTag|test" | xargs echo -n; echo ' *:S')

Обратите внимание, что это всего лишь фильтр, который применяется к logcat . Вам по -прежнему нужно установить свойство debug.nn.vlog для all , чтобы генерировать информацию журнала словеса.