什麼是 TensorFlow Lite 委派？
TensorFlow Lite 委派可讓您在另一個執行器上執行模型 (部分或全部)。此機制可以利用各種裝置端加速器 (例如 GPU 或 Edge TPU (張量處理單元)) 進行推論。這為開發人員提供一種彈性且解耦的方法，使其擺脫預設 TFLite 以加速推論。
下圖總結了委派，更多詳細資訊請參閱以下章節。
我應在何時建立自訂委派？
TensorFlow Lite 針對目標加速器 (例如 GPU、DSP、EdgeTPU) 和架構 (例如 Android NNAPI) 具有各種委派。
在下列情況下，建立您自己的委派非常有用
- 您想要整合任何現有委派都不支援的新 ML 推論引擎。
- 您有自訂硬體加速器，可改善已知情境的執行階段。
- 您正在開發 CPU 最佳化 (例如運算元融合)，以加速某些模型。
委派如何運作？
考量如下列所示的簡單模型圖，以及針對 Conv2D 和 Mean 運算具有更快實作的委派「MyDelegate」。
套用此「MyDelegate」之後，原始 TensorFlow Lite 圖將更新如下
上述圖表是透過 TensorFlow Lite 遵循以下兩個規則分割原始圖表而取得
- 可由委派處理的特定運算會放入分割區中，同時仍滿足運算之間原始運算工作流程的依附關係。
- 每個待委派的分割區都只有委派未處理的輸入和輸出節點。
由委派處理的每個分割區都會由原始圖表中的委派節點 (也稱為委派核心) 取代，該節點會在叫用呼叫時評估分割區。
根據模型而定，最終圖表可能會以一或多個節點結尾，後者表示委派不支援某些運算元。一般來說，您不希望有多個委派處理的分割區，因為每次從委派切換到主要圖表時，都會產生將結果從委派子圖傳遞到主要圖表的額外負荷，這是由於記憶體複製 (例如，GPU 到 CPU) 所造成。當有大量記憶體複製時，此類額外負荷可能會抵銷效能增益。
實作您自己的自訂委派
新增委派的慣用方法是使用 SimpleDelegate API。
若要建立新的委派，您需要實作 2 個介面，並為介面方法提供您自己的實作。
1 - SimpleDelegateInterface
此類別代表委派的功能、支援哪些運算，以及用於建立封裝委派圖的核心的工廠類別。如需更多詳細資訊，請參閱此 C++ 標頭檔中定義的介面。程式碼中的註解詳細說明了每個 API。
2 - SimpleDelegateKernelInterface
此類別封裝了初始化/準備/和執行委派分割區的邏輯。
它具有：(請參閱 定義)
- Init(...)：將呼叫一次以執行任何一次性初始化。
- Prepare(...)：針對此節點的每個不同執行個體呼叫 - 如果您有多個委派分割區，就會發生這種情況。通常您會想要在此處執行記憶體配置，因為每次調整張量大小時都會呼叫此方法。
- Invoke(...)：將針對推論呼叫。
範例
在此範例中，您將建立一個非常簡單的委派，其只能支援 2 種運算類型 (ADD) 和 (SUB)，且僅限 float32 張量。
// MyDelegate implements the interface of SimpleDelegateInterface.
// This holds the Delegate capabilities.
class MyDelegate : public SimpleDelegateInterface {
public:
bool IsNodeSupportedByDelegate(const TfLiteRegistration* registration,
const TfLiteNode* node,
TfLiteContext* context) const override {
// Only supports Add and Sub ops.
if (kTfLiteBuiltinAdd != registration->builtin_code &&
kTfLiteBuiltinSub != registration->builtin_code)
return false;
// This delegate only supports float32 types.
for (int i = 0; i < node->inputs->size; ++i) {
auto& tensor = context->tensors[node->inputs->data[i]];
if (tensor.type != kTfLiteFloat32) return false;
}
return true;
}
TfLiteStatus Initialize(TfLiteContext* context) override { return kTfLiteOk; }
const char* Name() const override {
static constexpr char kName[] = "MyDelegate";
return kName;
}
std::unique_ptr<SimpleDelegateKernelInterface> CreateDelegateKernelInterface()
override {
return std::make_unique<MyDelegateKernel>();
}
};
接下來，透過從 SimpleDelegateKernelInterface 繼承來建立您自己的委派核心
// My delegate kernel.
class MyDelegateKernel : public SimpleDelegateKernelInterface {
public:
TfLiteStatus Init(TfLiteContext* context,
const TfLiteDelegateParams* params) override {
// Save index to all nodes which are part of this delegate.
inputs_.resize(params->nodes_to_replace->size);
outputs_.resize(params->nodes_to_replace->size);
builtin_code_.resize(params->nodes_to_replace->size);
for (int i = 0; i < params->nodes_to_replace->size; ++i) {
const int node_index = params->nodes_to_replace->data[i];
// Get this node information.
TfLiteNode* delegated_node = nullptr;
TfLiteRegistration* delegated_node_registration = nullptr;
TF_LITE_ENSURE_EQ(
context,
context->GetNodeAndRegistration(context, node_index, &delegated_node,
&delegated_node_registration),
kTfLiteOk);
inputs_[i].push_back(delegated_node->inputs->data[0]);
inputs_[i].push_back(delegated_node->inputs->data[1]);
outputs_[i].push_back(delegated_node->outputs->data[0]);
builtin_code_[i] = delegated_node_registration->builtin_code;
}
return kTfLiteOk;
}
TfLiteStatus Prepare(TfLiteContext* context, TfLiteNode* node) override {
return kTfLiteOk;
}
TfLiteStatus Eval(TfLiteContext* context, TfLiteNode* node) override {
// Evaluate the delegated graph.
// Here we loop over all the delegated nodes.
// We know that all the nodes are either ADD or SUB operations and the
// number of nodes equals ''inputs_.size()'' and inputs[i] is a list of
// tensor indices for inputs to node ''i'', while outputs_[i] is the list of
// outputs for node
// ''i''. Note, that it is intentional we have simple implementation as this
// is for demonstration.
for (int i = 0; i < inputs_.size(); ++i) {
// Get the node input tensors.
// Add/Sub operation accepts 2 inputs.
auto& input_tensor_1 = context->tensors[inputs_[i][0]];
auto& input_tensor_2 = context->tensors[inputs_[i][1]];
auto& output_tensor = context->tensors[outputs_[i][0]];
TF_LITE_ENSURE_EQ(
context,
ComputeResult(context, builtin_code_[i], &input_tensor_1,
&input_tensor_2, &output_tensor),
kTfLiteOk);
}
return kTfLiteOk;
}
private:
// Computes the result of addition of 'input_tensor_1' and 'input_tensor_2'
// and store the result in 'output_tensor'.
TfLiteStatus ComputeResult(TfLiteContext* context, int builtin_code,
const TfLiteTensor* input_tensor_1,
const TfLiteTensor* input_tensor_2,
TfLiteTensor* output_tensor) {
if (NumElements(input_tensor_1) != NumElements(input_tensor_2) ||
NumElements(input_tensor_1) != NumElements(output_tensor)) {
return kTfLiteDelegateError;
}
// This code assumes no activation, and no broadcasting needed (both inputs
// have the same size).
auto* input_1 = GetTensorData<float>(input_tensor_1);
auto* input_2 = GetTensorData<float>(input_tensor_2);
auto* output = GetTensorData<float>(output_tensor);
for (int i = 0; i < NumElements(input_tensor_1); ++i) {
if (builtin_code == kTfLiteBuiltinAdd)
output[i] = input_1[i] + input_2[i];
else
output[i] = input_1[i] - input_2[i];
}
return kTfLiteOk;
}
// Holds the indices of the input/output tensors.
// inputs_[i] is list of all input tensors to node at index 'i'.
// outputs_[i] is list of all output tensors to node at index 'i'.
std::vector<std::vector<int>> inputs_, outputs_;
// Holds the builtin code of the ops.
// builtin_code_[i] is the type of node at index 'i'
std::vector<int> builtin_code_;
};
基準化並評估新委派
TFLite 有一組工具，您可以針對 TFLite 模型快速測試。
- 模型基準化工具：此工具採用 TFLite 模型、產生隨機輸入，然後針對指定的執行次數重複執行模型。它會在結尾印出彙總延遲統計資訊。
- 推論差異工具：針對給定的模型，此工具會產生隨機高斯資料，並將其傳遞到兩個不同的 TFLite 解譯器，一個執行單執行緒 CPU 核心，另一個使用使用者定義的規格。它會測量每個解譯器輸出張量之間的絕對差異 (以每個元素為基礎)。此工具也有助於偵錯精確度問題。
- 還有特定於工作的評估工具，適用於影像分類和物件偵測。可以在此處找到這些工具
此外，TFLite 有大量的核心和運算單元測試，可以重複使用以更全面地測試新委派，並確保常規 TFLite 執行路徑未中斷。
若要達成針對新委派重複使用 TFLite 測試和工具，您可以使用下列兩個選項中的任何一個
選擇最佳方法
兩種方法都需要進行一些變更，詳情如下。但是，第一種方法會靜態連結委派，且需要重建測試、基準化和評估工具。相反地，第二種方法會將委派作為共用程式庫，且需要您從共用程式庫公開建立/刪除方法。
因此，外部委派機制將與 TFLite 的預先建構的 Tensorflow Lite 工具二進位檔搭配運作。但它不太明確，且在自動化整合測試中可能更難設定。使用委派註冊器方法可獲得更佳的清晰度。
選項 1：利用委派註冊器
委派註冊器會保留委派提供者的清單，每個提供者都提供一種根據命令列旗標輕鬆建立 TFLite 委派的方法，因此對於工具來說很方便。若要將新委派插入上述所有 Tensorflow Lite 工具，您首先要建立新的委派提供者，例如這個委派提供者，然後僅對 BUILD 規則進行少量變更。以下顯示此整合過程的完整範例 (程式碼可在此處找到)。
假設您有一個實作 SimpleDelegate API 的委派，以及如下所示的建立/刪除此「虛擬」委派的 extern "C" API
// Returns default options for DummyDelegate.
DummyDelegateOptions TfLiteDummyDelegateOptionsDefault();
// Creates a new delegate instance that need to be destroyed with
// `TfLiteDummyDelegateDelete` when delegate is no longer used by TFLite.
// When `options` is set to `nullptr`, the above default values are used:
TfLiteDelegate* TfLiteDummyDelegateCreate(const DummyDelegateOptions* options);
// Destroys a delegate created with `TfLiteDummyDelegateCreate` call.
void TfLiteDummyDelegateDelete(TfLiteDelegate* delegate);
若要將「DummyDelegate」與基準化工具和推論工具整合，請定義 DelegateProvider 如下
class DummyDelegateProvider : public DelegateProvider {
public:
DummyDelegateProvider() {
default_params_.AddParam("use_dummy_delegate",
ToolParam::Create<bool>(false));
}
std::vector<Flag> CreateFlags(ToolParams* params) const final;
void LogParams(const ToolParams& params) const final;
TfLiteDelegatePtr CreateTfLiteDelegate(const ToolParams& params) const final;
std::string GetName() const final { return "DummyDelegate"; }
};
REGISTER_DELEGATE_PROVIDER(DummyDelegateProvider);
std::vector<Flag> DummyDelegateProvider::CreateFlags(ToolParams* params) const {
std::vector<Flag> flags = {CreateFlag<bool>("use_dummy_delegate", params,
"use the dummy delegate.")};
return flags;
}
void DummyDelegateProvider::LogParams(const ToolParams& params) const {
TFLITE_LOG(INFO) << "Use dummy test delegate : ["
<< params.Get<bool>("use_dummy_delegate") << "]";
}
TfLiteDelegatePtr DummyDelegateProvider::CreateTfLiteDelegate(
const ToolParams& params) const {
if (params.Get<bool>("use_dummy_delegate")) {
auto default_options = TfLiteDummyDelegateOptionsDefault();
return TfLiteDummyDelegateCreateUnique(&default_options);
}
return TfLiteDelegatePtr(nullptr, [](TfLiteDelegate*) {});
}
BUILD 規則定義很重要，因為您需要確保程式庫始終連結，且不會被最佳化工具捨棄。
#### The following are for using the dummy test delegate in TFLite tooling ####
cc_library(
name = "dummy_delegate_provider",
srcs = ["dummy_delegate_provider.cc"],
copts = tflite_copts(),
deps = [
":dummy_delegate",
"//tensorflow/lite/tools/delegates:delegate_provider_hdr",
],
alwayslink = 1, # This is required so the optimizer doesn't optimize the library away.
)
現在，在您的 BUILD 檔案中新增這兩個包裝函式規則，以建立基準化工具和推論工具以及其他評估工具的版本，這些工具可以使用您自己的委派執行。
cc_binary(
name = "benchmark_model_plus_dummy_delegate",
copts = tflite_copts(),
linkopts = task_linkopts(),
deps = [
":dummy_delegate_provider",
"//tensorflow/lite/tools/benchmark:benchmark_model_main",
],
)
cc_binary(
name = "inference_diff_plus_dummy_delegate",
copts = tflite_copts(),
linkopts = task_linkopts(),
deps = [
":dummy_delegate_provider",
"//tensorflow/lite/tools/evaluation/tasks:task_executor_main",
"//tensorflow/lite/tools/evaluation/tasks/inference_diff:run_eval_lib",
],
)
cc_binary(
name = "imagenet_classification_eval_plus_dummy_delegate",
copts = tflite_copts(),
linkopts = task_linkopts(),
deps = [
":dummy_delegate_provider",
"//tensorflow/lite/tools/evaluation/tasks:task_executor_main",
"//tensorflow/lite/tools/evaluation/tasks/imagenet_image_classification:run_eval_lib",
],
)
cc_binary(
name = "coco_object_detection_eval_plus_dummy_delegate",
copts = tflite_copts(),
linkopts = task_linkopts(),
deps = [
":dummy_delegate_provider",
"//tensorflow/lite/tools/evaluation/tasks:task_executor_main",
"//tensorflow/lite/tools/evaluation/tasks/coco_object_detection:run_eval_lib",
],
)
您也可以將此委派提供者插入 TFLite 核心測試中，如此處所述。
選項 2：利用外部委派
在此替代方案中，您首先建立外部委派配接器 external_delegate_adaptor.cc，如下所示。請注意，相較於選項 1，此方法稍微較不理想，如前述。
TfLiteDelegate* CreateDummyDelegateFromOptions(char** options_keys,
char** options_values,
size_t num_options) {
DummyDelegateOptions options = TfLiteDummyDelegateOptionsDefault();
// Parse key-values options to DummyDelegateOptions.
// You can achieve this by mimicking them as command-line flags.
std::unique_ptr<const char*> argv =
std::unique_ptr<const char*>(new const char*[num_options + 1]);
constexpr char kDummyDelegateParsing[] = "dummy_delegate_parsing";
argv.get()[0] = kDummyDelegateParsing;
std::vector<std::string> option_args;
option_args.reserve(num_options);
for (int i = 0; i < num_options; ++i) {
option_args.emplace_back("--");
option_args.rbegin()->append(options_keys[i]);
option_args.rbegin()->push_back('=');
option_args.rbegin()->append(options_values[i]);
argv.get()[i + 1] = option_args.rbegin()->c_str();
}
// Define command-line flags.
// ...
std::vector<tflite::Flag> flag_list = {
tflite::Flag::CreateFlag(...),
...,
tflite::Flag::CreateFlag(...),
};
int argc = num_options + 1;
if (!tflite::Flags::Parse(&argc, argv.get(), flag_list)) {
return nullptr;
}
return TfLiteDummyDelegateCreate(&options);
}
#ifdef __cplusplus
extern "C" {
#endif // __cplusplus
// Defines two symbols that need to be exported to use the TFLite external
// delegate. See tensorflow/lite/delegates/external for details.
TFL_CAPI_EXPORT TfLiteDelegate* tflite_plugin_create_delegate(
char** options_keys, char** options_values, size_t num_options,
void (*report_error)(const char*)) {
return tflite::tools::CreateDummyDelegateFromOptions(
options_keys, options_values, num_options);
}
TFL_CAPI_EXPORT void tflite_plugin_destroy_delegate(TfLiteDelegate* delegate) {
TfLiteDummyDelegateDelete(delegate);
}
#ifdef __cplusplus
}
#endif // __cplusplus
現在，建立對應的 BUILD 目標以建構動態程式庫，如下所示
cc_binary(
name = "dummy_external_delegate.so",
srcs = [
"external_delegate_adaptor.cc",
],
linkshared = 1,
linkstatic = 1,
deps = [
":dummy_delegate",
"//tensorflow/lite/c:common",
"//tensorflow/lite/tools:command_line_flags",
"//tensorflow/lite/tools:logging",
],
)
建立此外部委派 .so 檔案之後，您就可以建構二進位檔或使用預先建構的二進位檔，以使用新委派執行，只要二進位檔與支援命令列旗標的external_delegate_provider程式庫連結即可，如此處所述。注意：此外部委派提供者已連結到現有的測試和工具二進位檔。
請參閱此處的說明，以瞭解如何透過此外部委派方法基準化虛擬委派。您可以使用類似的命令來執行先前提及的測試和評估工具。
值得注意的是，外部委派是 Tensorflow Lite Python 繫結中委派的對應 C++ 實作，如此處所示。因此，此處建立的動態外部委派配接器程式庫可以直接與 Tensorflow Lite Python API 搭配使用。
資源
夜間預先建構的 TFLite 工具二進位檔的下載連結
| 作業系統 | 架構 | BINARY_NAME |
| Linux | x86_64 | |
| arm | ||
| aarch64 | ||
| Android | arm | |
| aarch64 |