Përshpejtimi i GPU me LiteRT Next

Njësitë e përpunimit grafik (GPU) përdoren zakonisht për përshpejtimin e të mësuarit të thellë për shkak të xhiros së tyre masive paralele në krahasim me CPU-të. LiteRT Next thjeshton procesin e përdorimit të përshpejtimit të GPU-së duke i lejuar përdoruesit të specifikojnë përshpejtimin e harduerit si parametër kur krijojnë një Model të përpiluar ( CompiledModel ). LiteRT Next përdor gjithashtu një zbatim të ri dhe të përmirësuar të përshpejtimit të GPU, që nuk ofrohet nga LiteRT.

Me përshpejtimin e GPU-së së LiteRT Next, mund të krijoni bufera hyrëse dhe dalëse të përshtatshme për GPU-në, të arrini kopjim zero me të dhënat tuaja në memorien GPU dhe të ekzekutoni detyra në mënyrë asinkrone për të maksimizuar paralelizmin.

Për shembull, zbatimet e LiteRT Next me mbështetje GPU, referojuni aplikacioneve demo të mëposhtme:

Shtoni varësinë nga GPU

Përdorni hapat e mëposhtëm për të shtuar varësinë e GPU në aplikacionin tuaj Kotlin ose C++.

Kotlin

Për përdoruesit e Kotlin, përshpejtuesi GPU është i integruar dhe nuk kërkon hapa shtesë përtej udhëzuesit Get Started .

C++

Për përdoruesit e C++, duhet të ndërtoni varësitë e aplikacionit me përshpejtimin e LiteRT GPU. Rregulli cc_binary që paketon logjikën bazë të aplikacionit (p.sh., main.cc ) kërkon komponentët e mëposhtëm të ekzekutimit:

  • Biblioteka e përbashkët e LiteRT C API : atributi i data duhet të përfshijë bibliotekën e përbashkët LiteRT C API ( //litert/c:litert_runtime_c_api_shared_lib ) dhe komponentët specifikë të GPU-së ( @litert_gpu//:jni/arm64-v8a/libLiteRtGpuAccelerator.so ).
  • Varësitë e atributeve : Atributi deps zakonisht përfshin varësitë GLES gles_deps() dhe linkopts zakonisht përfshin gles_linkopts() . Të dyja janë shumë të rëndësishme për përshpejtimin e GPU, pasi LiteRT shpesh përdor OpenGLES në Android.
  • Skedarët e modelit dhe asetet e tjera : Përfshihen përmes atributit të data .

Më poshtë është një shembull i një rregulli cc_binary :

cc_binary(
    name = "your_application",
    srcs = [
        "main.cc",
    ],
    data = [
        ...
        # litert c api shared library
        "//litert/c:litert_runtime_c_api_shared_lib",
        # GPU accelerator shared library
        "@litert_gpu//:jni/arm64-v8a/libLiteRtGpuAccelerator.so",
    ],
    linkopts = select({
        "@org_tensorflow//tensorflow:android": ["-landroid"],
        "//conditions:default": [],
    }) + gles_linkopts(), # gles link options
    deps = [
        ...
        "//litert/cc:litert_tensor_buffer", # litert cc library
        ...
    ] + gles_deps(), # gles dependencies
)

Ky konfigurim lejon që binarja juaj e përpiluar të ngarkojë dhe përdorë në mënyrë dinamike GPU-në për konkluzionet e përshpejtuara të mësimit të makinerive.

Filloni

Për të filluar përdorimin e përshpejtuesit GPU, kaloni parametrin GPU kur krijoni Modelin e Përpiluar ( CompiledModel ). Pjesa e mëposhtme e kodit tregon një zbatim bazë të të gjithë procesit:

C++

// 1. Load model
LITERT_ASSIGN_OR_RETURN(auto model, Model::CreateFromFile("mymodel.tflite"));

// 2. Create a compiled model targeting GPU
LITERT_ASSIGN_OR_RETURN(auto env, Environment::Create({}));
LITERT_ASSIGN_OR_RETURN(auto compiled_model, CompiledModel::Create(env, model, kLiteRtHwAcceleratorGpu));

// 3. Prepare input/output buffers
LITERT_ASSIGN_OR_RETURN(auto input_buffers, compiled_model.CreateInputBuffers());
LITERT_ASSIGN_OR_RETURN(auto output_buffers, compiled_model.CreateOutputBuffers());

// 4. Fill input data (if you have CPU-based data)
input_buffers[0].Write<float>(absl::MakeConstSpan(cpu_data, data_size));

// 5. Execute
compiled_model.Run(input_buffers, output_buffers);

// 6. Access model output
std::vector<float> data(output_data_size);
output_buffers.Read<float>(absl::MakeSpan(data));

Kotlin

// Load model and initialize runtime
val  model =
    CompiledModel.create(
        context.assets,
        "mymodel.tflite",
        CompiledModel.Options(Accelerator.GPU),
        env,
    )

// Preallocate input/output buffers
val inputBuffers = model.createInputBuffers()
val outputBuffers = model.createOutputBuffers()

// Fill the first input
inputBuffers[0].writeFloat(FloatArray(data_size) { data_value /* your data */ })

// Invoke
model.run(inputBuffers, outputBuffers)

// Read the output
val outputFloatArray = outputBuffers[0].readFloat()

Për më shumë informacion, shihni udhëzuesit Filloni me C++ ose Filloni me Kotlin .

LiteRT Next GPU Accelerator

Përshpejtuesi i ri GPU, i disponueshëm vetëm me LiteRT Next, është i optimizuar për të trajtuar ngarkesat e punës së AI, si shumëzimet e matricave të mëdha dhe cache KV për LLM, në mënyrë më efikase se versionet e mëparshme. LiteRT Next GPU Accelerator përmban përmirësimet kryesore të mëposhtme mbi versionin LiteRT:

  • Mbulimi i zgjeruar i operatorit: Trajtoni rrjete nervore më të mëdha dhe më komplekse.
  • Ndërveprim më i mirë i bufferit: Aktivizoni përdorimin e drejtpërdrejtë të buferave të GPU për kornizat e kamerës, teksturat 2D ose gjendjet e mëdha LLM.
  • Mbështetje për ekzekutimin e asinkronizuar: Mbivendosja e para-përpunimit të CPU-së me konkluzionet e GPU-së.

Zero-kopje me përshpejtimin e GPU

Përdorimi i kopjimit zero i mundëson një GPU të aksesojë të dhënat drejtpërdrejt në memorien e tij, pa pasur nevojë që CPU t'i kopjojë në mënyrë eksplicite ato të dhëna. Duke mos kopjuar të dhëna nga dhe nga memoria e CPU-së, kopjimi zero mund të reduktojë ndjeshëm vonesën nga skaji në skaj.

Kodi i mëposhtëm është një shembull i zbatimit të Zero-Copy GPU me OpenGL , një API për paraqitjen e grafikëve vektoriale. Kodi i kalon imazhet në formatin e tamponit OpenGL direkt në LiteRT Next:

// Suppose you have an OpenGL buffer consisting of:
// target (GLenum), id (GLuint), size_bytes (size_t), and offset (size_t)
// Load model and compile for GPU
LITERT_ASSIGN_OR_RETURN(auto model, Model::CreateFromFile("mymodel.tflite"));
LITERT_ASSIGN_OR_RETURN(auto env, Environment::Create({}));
LITERT_ASSIGN_OR_RETURN(auto compiled_model,
    CompiledModel::Create(env, model, kLiteRtHwAcceleratorGpu));

// Create a TensorBuffer that wraps the OpenGL buffer.
LITERT_ASSIGN_OR_RETURN(auto tensor_type, model.GetInputTensorType("input_tensor_name"));
LITERT_ASSIGN_OR_RETURN(auto gl_input_buffer, TensorBuffer::CreateFromGlBuffer(env,
    tensor_type, opengl_buffer.target, opengl_buffer.id, opengl_buffer.size_bytes, opengl_buffer.offset));
std::vector<TensorBuffer> input_buffers{gl_input_buffer};
LITERT_ASSIGN_OR_RETURN(auto output_buffers, compiled_model.CreateOutputBuffers());

// Execute
compiled_model.Run(input_buffers, output_buffers);

// If your output is also GPU-backed, you can fetch an OpenCL buffer or re-wrap it as an OpenGL buffer:
LITERT_ASSIGN_OR_RETURN(auto out_cl_buffer, output_buffers[0].GetOpenClBuffer());

Ekzekutimi asinkron

Metodat asinkrone të LiteRT, si RunAsync() , ju lejojnë të planifikoni konkluzionet e GPU ndërsa vazhdoni detyra të tjera duke përdorur CPU ose NPU. Në tubacionet komplekse, GPU shpesh përdoret në mënyrë asinkrone së bashku me CPU ose NPU.

Pjesa e mëposhtme e kodit bazohet në kodin e dhënë në shembullin e përshpejtimit të GPU-së me kopje Zero . Kodi përdor CPU-në dhe GPU-në në mënyrë asinkrone dhe bashkëngjit një Event LiteRT në buferin e hyrjes. LiteRT Event është përgjegjës për menaxhimin e llojeve të ndryshme të primitivëve të sinkronizimit dhe kodi i mëposhtëm krijon një objekt të menaxhuar LiteRT Event të llojit LiteRtEventTypeEglSyncFence . Ky objekt Event siguron që ne të mos lexojmë nga buferi i hyrjes derisa të përfundojë GPU. E gjithë kjo bëhet pa përfshirë CPU-në.

LITERT_ASSIGN_OR_RETURN(auto env, Environment::Create({}));
LITERT_ASSIGN_OR_RETURN(auto compiled_model,
    CompiledModel::Create(env, model, kLiteRtHwAcceleratorGpu));

// 1. Prepare input buffer (OpenGL buffer)
LITERT_ASSIGN_OR_RETURN(auto gl_input,
    TensorBuffer::CreateFromGlBuffer(env, tensor_type, opengl_tex));
std::vector<TensorBuffer> inputs{gl_input};
LITERT_ASSIGN_OR_RETURN(auto outputs, compiled_model.CreateOutputBuffers());

// 2. If the GL buffer is in use, create and set an event object to synchronize with the GPU.
LITERT_ASSIGN_OR_RETURN(auto input_event,
    Event::CreateManagedEvent(env, LiteRtEventTypeEglSyncFence));
inputs[0].SetEvent(std::move(input_event));

// 3. Kick off the GPU inference
compiled_model.RunAsync(inputs, outputs);

// 4. Meanwhile, do other CPU work...
// CPU Stays busy ..

// 5. Access model output
std::vector<float> data(output_data_size);
outputs[0].Read<float>(absl::MakeSpan(data));

Modelet e mbështetura

LiteRT Next mbështet përshpejtimin GPU me modelet e mëposhtme. Rezultatet e standardeve bazohen në testet e kryera në një pajisje Samsung Galaxy S24.

Model Përshpejtimi i GPU LiteRT LiteRT GPU (ms)
hf_mms_300m I deleguar plotësisht 19.6
hf_mobilevit_small I deleguar plotësisht 8.7
hf_mobilevit_small_e2e I deleguar plotësisht 8.0
hf_wav2vec2_bazë_960h I deleguar plotësisht 9.1
hf_wav2vec2_base_960h_dynamic I deleguar plotësisht 9.8
isnet I deleguar plotësisht 43.1
timm_efficientnet I deleguar plotësisht 3.7
timm_nfnet I deleguar plotësisht 9.7
timm_regnety_120 I deleguar plotësisht 12.1
torchaudio_deeppeech I deleguar plotësisht 4.6
shkronja torchaudio_wav2 I deleguar plotësisht 4.8
torchvision_alexnet I deleguar plotësisht 3.3
torchvision_deeplabv3_mobilenet_v3_large I deleguar plotësisht 5.7
torchvision_deeplabv3_resnet101 I deleguar plotësisht 35.1
torchvision_deeplabv3_resnet50 I deleguar plotësisht 24.5
torchvision_densenet121 I deleguar plotësisht 13.9
torchvision_efficientnet_b0 I deleguar plotësisht 3.6
torchvision_efficientnet_b1 I deleguar plotësisht 4.7
torchvision_efficientnet_b2 I deleguar plotësisht 5.0
torchvision_efficientnet_b3 I deleguar plotësisht 6.1
torchvision_efficientnet_b4 I deleguar plotësisht 7.6
torchvision_efficientnet_b5 I deleguar plotësisht 8.6
torchvision_efficientnet_b6 I deleguar plotësisht 11.2
torchvision_efficientnet_b7 I deleguar plotësisht 14.7
torchvision_fcn_resnet50 I deleguar plotësisht 19.9
torchvision_googlenet I deleguar plotësisht 3.9
torchvision_inception_v3 I deleguar plotësisht 8.6
torchvision_lraspp_mobilenet_v3_large I deleguar plotësisht 3.3
torchvision_mnasnet0_5 I deleguar plotësisht 2.4
torchvision_mobilenet_v2 I deleguar plotësisht 2.8
torchvision_mobilenet_v3_large I deleguar plotësisht 2.8
torchvision_mobilenet_v3_small I deleguar plotësisht 2.3
torchvision_resnet152 I deleguar plotësisht 15.0
torchvision_resnet18 I deleguar plotësisht 4.3
torchvision_resnet50 I deleguar plotësisht 6.9
torchvision_squeezenet1_0 I deleguar plotësisht 2.9
torchvision_squeezenet1_1 I deleguar plotësisht 2.5
pishtari_vgg16 I deleguar plotësisht 13.4
torchvision_wide_resnet101_2 I deleguar plotësisht 25.0
torchvision_wide_resnet50_2 I deleguar plotësisht 13.4
u2net_plot I deleguar plotësisht 98.3
u2net_lite I deleguar plotësisht 51.4
hf_distil_whisper_small_no_cache Pjesërisht e deleguar 251.9
hf_distilbert Pjesërisht e deleguar 13.7
hf_tinyroberta_squad2 Pjesërisht e deleguar 17.1
hf_tinyroberta_squad2_dynamic_batch Pjesërisht e deleguar 52.1
snapml_StyleTransferNet Pjesërisht e deleguar 40.9
timm_efektivformer_l1 Pjesërisht e deleguar 17.6
timm_efficientformerv2_s0 Pjesërisht e deleguar 16.1
timm_pvt_v2_b1 Pjesërisht e deleguar 73.5
timm_pvt_v2_b3 Pjesërisht e deleguar 246.7
timm_resnest14d Pjesërisht e deleguar 88.9
torchaudio_conformer Pjesërisht e deleguar 21.5
torchvision_convnext_tiny Pjesërisht e deleguar 8.2
torchvision_maxvit_t Pjesërisht e deleguar 194.0
torchvision_shufflenet_v2 Pjesërisht e deleguar 9.5
torchvision_swin_tiny Pjesërisht e deleguar 164.4
torchvision_video_resnet2plus1d_18 Pjesërisht e deleguar 6832.0
torchvision_video_swin3d_tiny Pjesërisht e deleguar 2617.8
yoloks_vogël Pjesërisht e deleguar 11.2