Google se compromete a impulsar la igualdad racial para las comunidades afrodescendientes. Obtén información al respecto.

Controladores de API de redes neuronales

Esta página proporciona una descripción general de cómo implementar un controlador de API de redes neuronales (NNAPI). Para obtener más detalles, consulte la documentación que se encuentra en los archivos de definición de HAL en hardware/interfaces/neuralnetworks . Una implementación de controlador de muestra se encuentra en frameworks/ml/nn/driver/sample .

Para obtener más información sobre la API de redes neuronales, consulte API de redes neuronales .

Redes neuronales HAL

Neural Networks (NN) HAL define una abstracción de los diversos dispositivos , como unidades de procesamiento de gráficos (GPU) y procesadores de señales digitales (DSP), que se encuentran en un producto (por ejemplo, un teléfono o tableta). Los controladores para estos dispositivos deben cumplir con la NN HAL. La interfaz se especifica en los archivos de definición de HAL en hardware/interfaces/neuralnetworks .

El flujo general de la interfaz entre el marco y un controlador se muestra en la figura 1.

Flujo de redes neuronales

Figura 1. Flujo de redes neuronales

Inicialización

En la inicialización, el marco consulta al controlador por sus capacidades usando IDevice::getCapabilities_1_3 . La estructura @1.3::Capabilities incluye todos los tipos de datos y representa un rendimiento no relajado utilizando un vector.

Para determinar cómo asignar los cálculos a los dispositivos disponibles, el marco utiliza las capacidades para comprender qué tan rápido y con qué eficiencia energética cada controlador puede realizar una ejecución. Para proporcionar esta información, el controlador debe proporcionar números de rendimiento estandarizados basados ​​en la ejecución de cargas de trabajo de referencia.

Para determinar los valores que el controlador devuelve en respuesta a IDevice::getCapabilities_1_3 , use la aplicación de referencia NNAPI para medir el rendimiento de los tipos de datos correspondientes. Se recomiendan los modelos tts_float v1 y v2, asr_float y tts_float para medir el rendimiento para valores de coma flotante de 32 bits y los modelos cuantificados MobileNet v1 y v2 se recomiendan para valores cuantificados de 8 bits. Para obtener más información, consulte Conjunto de pruebas de aprendizaje automático de Android .

En Android 9 y versiones anteriores, la estructura de Capabilities incluye información de rendimiento del controlador solo para tensores cuantificados y de punto flotante y no incluye tipos de datos escalares.

Como parte del proceso de inicialización, el marco puede consultar más información, utilizando IDevice::getType , IDevice::getVersionString , IDevice:getSupportedExtensions e IDevice::getNumberOfCacheFilesNeeded .

Entre reinicios del producto, el marco espera que todas las consultas descritas en esta sección siempre informen los mismos valores para un controlador determinado. De lo contrario, una aplicación que utilice ese controlador puede presentar un rendimiento reducido o un comportamiento incorrecto.

Compilacion

El marco determina qué dispositivos usar cuando recibe una solicitud de una aplicación. En Android 10, las aplicaciones pueden descubrir y especificar los dispositivos de los que elige el marco. Para obtener más información, consulte Descubrimiento y asignación de dispositivos .

En el momento de la compilación del modelo, el marco envía el modelo a cada controlador candidato llamando a IDevice::getSupportedOperations_1_3 . Cada controlador devuelve una matriz de valores booleanos que indican qué operaciones del modelo son compatibles. Un controlador puede determinar que no puede admitir una operación determinada por varias razones. Por ejemplo:

  • El controlador no admite el tipo de datos.
  • El controlador solo admite operaciones con parámetros de entrada específicos. Por ejemplo, un controlador puede admitir operaciones de convolución 3x3 y 5x5, pero no 7x7.
  • El controlador tiene limitaciones de memoria que le impiden manejar grandes gráficos o entradas.

Durante la compilación, la entrada, la salida y los operandos internos del modelo, como se describe en OperandLifeTime , pueden tener dimensiones o rango desconocido. Para obtener más información, consulte Forma de salida .

El marco indica a cada controlador seleccionado que se prepare para ejecutar un subconjunto del modelo llamando a IDevice::prepareModel_1_3 . Luego, cada controlador compila su subconjunto. Por ejemplo, un controlador puede generar código o crear una copia reordenada de los pesos. Debido a que puede haber una cantidad de tiempo significativa entre la compilación del modelo y la ejecución de las solicitudes, no se deben asignar recursos como grandes porciones de memoria del dispositivo durante la compilación.

En caso de éxito, el controlador devuelve un @1.3::IPreparedModel . Si el controlador devuelve un código de falla al preparar su subconjunto del modelo, el marco ejecuta todo el modelo en la CPU.

Para reducir el tiempo utilizado para la compilación cuando se inicia una aplicación, un controlador puede almacenar en caché los artefactos de compilación. Para obtener más información, consulte Almacenamiento en caché de compilación .

Ejecución

Cuando una aplicación solicita al marco que ejecute una solicitud, el marco llama al IPreparedModel::executeSynchronously_1_3 HAL de forma predeterminada para realizar una ejecución sincrónica en un modelo preparado. Una solicitud también se puede ejecutar de forma asíncrona mediante el método execute_1_3 , el método executeFenced (consulte Ejecución con executeFenced ) o mediante una ejecución en ráfaga .

Las llamadas de ejecución sincrónica mejoran el rendimiento y reducen la sobrecarga de subprocesos en comparación con las llamadas asincrónicas porque el control se devuelve al proceso de la aplicación solo después de que se completa la ejecución. Esto significa que el controlador no necesita un mecanismo separado para notificar al proceso de la aplicación que se completó una ejecución.

Con el método execute_1_3 asincrónico, el control vuelve al proceso de la aplicación después de que la ejecución ha comenzado, y el controlador debe notificar al marco cuando se completa la ejecución, utilizando @1.3::IExecutionCallback .

El parámetro de Request pasado al método de ejecución enumera los operandos de entrada y salida utilizados para la ejecución. La memoria que almacena los datos del operando debe usar el orden de fila principal con la primera dimensión iterando más lentamente y sin relleno al final de ninguna fila. Para obtener más información sobre los tipos de operandos, consulte Operandos .

Para controladores NN HAL 1.2 o superior, cuando se completa una solicitud, el estado de error, la forma de salida y la información de tiempo se devuelven al marco. Durante la ejecución, la salida o los operandos internos del modelo pueden tener una o más dimensiones desconocidas o rango desconocido. Cuando al menos un operando de salida tiene una dimensión o rango desconocido, el controlador debe devolver información de salida de tamaño dinámico.

Para los controladores con NN HAL 1.1 o inferior, solo se devuelve el estado de error cuando se completa una solicitud. Las dimensiones de los operandos de entrada y salida deben especificarse completamente para que la ejecución se complete correctamente. Los operandos internos pueden tener una o más dimensiones desconocidas, pero deben tener un rango especificado.

Para las solicitudes de los usuarios que abarcan varios controladores, el marco es responsable de reservar la memoria intermedia y de secuenciar las llamadas a cada controlador.

Se pueden iniciar varias solicitudes en paralelo en el mismo @1.3::IPreparedModel . El controlador puede ejecutar solicitudes en paralelo o serializar las ejecuciones.

El marco puede pedirle a un conductor que mantenga más de un modelo preparado. Por ejemplo, prepare el modelo m1 , prepare m2 , ejecute la solicitud r1 en m1 , ejecute r2 en m2 , ejecute r3 en m1 , ejecute r4 en m2 , suelte (descrito en Limpieza ) m1 y suelte m2 .

Para evitar una primera ejecución lenta que podría resultar en una mala experiencia del usuario (por ejemplo, una tartamudez en el primer fotograma), el controlador debe realizar la mayoría de las inicializaciones en la fase de compilación. La inicialización en la primera ejecución debe limitarse a acciones que afecten negativamente al estado del sistema cuando se realizan antes, como reservar grandes búferes temporales o aumentar la frecuencia de reloj de un dispositivo. Es posible que los controladores que pueden preparar solo un número limitado de modelos simultáneos deban realizar su inicialización en la primera ejecución.

En Android 10 o superior, en los casos en los que se ejecutan varias ejecuciones con el mismo modelo preparado en rápida sucesión, el cliente puede optar por utilizar un objeto de ráfaga de ejecución para comunicarse entre los procesos de la aplicación y el controlador. Para obtener más información, consulte Ejecuciones en ráfaga y colas de mensajes rápidos .

Para mejorar el rendimiento de varias ejecuciones en rápida sucesión, el controlador puede retener búferes temporales o aumentar la frecuencia del reloj. Se recomienda crear un hilo de vigilancia para liberar recursos si no se crean nuevas solicitudes después de un período de tiempo fijo.

Forma de salida

Para las solicitudes en las que uno o más operandos de salida no tienen todas las dimensiones especificadas, el controlador debe proporcionar una lista de formas de salida que contengan la información de dimensión para cada operando de salida después de la ejecución. Para obtener más información sobre las dimensiones, consulte OutputShape .

Si una ejecución falla debido a un búfer de salida de tamaño insuficiente, el controlador debe indicar qué operandos de salida tienen un tamaño de búfer insuficiente en la lista de formas de salida y debe informar tanta información dimensional como sea posible, utilizando cero para las dimensiones desconocidas.

Momento

En Android 10, una aplicación puede solicitar el tiempo de ejecución si la aplicación ha especificado un solo dispositivo para usar durante el proceso de compilación. Para obtener más información, consulte MeasureTiming y Descubrimiento y asignación de dispositivos . En este caso, un controlador NN HAL 1.2 debe medir la duración de la ejecución o informar UINT64_MAX (para indicar que la duración no está disponible) al ejecutar una solicitud. El conductor debe minimizar cualquier penalización de rendimiento resultante de medir la duración de la ejecución.

El controlador informa las siguientes duraciones en microsegundos en la estructura de Timing :

  • Tiempo de ejecución en el dispositivo: no incluye el tiempo de ejecución en el controlador, que se ejecuta en el procesador host.
  • Tiempo de ejecución en el controlador: incluye el tiempo de ejecución en el dispositivo.

Estas duraciones deben incluir el momento en que se suspende la ejecución, por ejemplo, cuando la ejecución ha sido reemplazada por otras tareas o cuando está esperando que un recurso esté disponible.

Cuando no se le ha pedido al controlador que mida la duración de la ejecución, o cuando hay un error de ejecución, el controlador debe informar las duraciones como UINT64_MAX . Incluso cuando se le ha pedido al controlador que mida la duración de la ejecución, en su lugar puede informar UINT64_MAX por el tiempo en el dispositivo, el tiempo en el controlador o ambos. Cuando el controlador informa ambas duraciones como un valor distinto de UINT64_MAX , el tiempo de ejecución en el controlador debe ser igual o superior al tiempo en el dispositivo.

Ejecución vallada

En Android 11, NNAPI permite que las ejecuciones esperen una lista de sync_fence de sync_fence y, opcionalmente, devuelvan un objeto sync_fence , que se sync_fence cuando se completa la ejecución. Esto reduce la sobrecarga para modelos de secuencia pequeña y casos de uso de transmisión. La ejecución cercada también permite una interoperabilidad más eficiente con otros componentes que pueden señalar o esperar a sync_fence . Para obtener más información sobre sync_fence , consulte Marco de sincronización .

En una ejecución IPreparedModel::executeFenced , el marco llama al método IPreparedModel::executeFenced para lanzar una ejecución asincrónica y IPreparedModel::executeFenced en un modelo preparado con un vector de cercas de sincronización para esperar. Si la tarea asincrónica finaliza antes de que vuelva la llamada, se puede devolver un identificador vacío para sync_fence . También se debe IFencedExecutionCallback objeto IFencedExecutionCallback para permitir que el marco consulte el estado del error y la información de duración.

Una vez que se completa una ejecución, los siguientes dos valores de tiempo que miden la duración de la ejecución se pueden consultar a través de IFencedExecutionCallback::getExecutionInfo .

  • timingLaunched : Duración de cuando executeFenced se llama a cuando executeFenced señala el vuelto syncFence .
  • timingFenced : Duración desde el momento en que todas las vallas de sincronización que espera la ejecución se señalan cuando executeFenced señala la syncFence devuelta.

Flujo de control

Para los dispositivos que ejecutan Android 11 o superior, la NNAPI incluye dos operaciones de flujo de control, IF y WHILE , que toman otros modelos como argumentos y los ejecutan condicionalmente ( IF ) o repetidamente ( WHILE ). Para obtener más información sobre cómo implementar esto, consulte Flujo de control .

Calidad de servicio

En Android 11, la NNAPI incluye una calidad de servicio mejorada (QoS) al permitir que una aplicación indique las prioridades relativas de sus modelos, la cantidad máxima de tiempo que se espera para que se prepare un modelo y la cantidad máxima de tiempo que se espera para una ejecución. a completar. Para obtener más información, consulte Calidad de servicio .

Limpiar

Cuando una aplicación termina de usar un modelo preparado, el marco publica su referencia al objeto @1.3::IPreparedModel . Cuando ya no se hace referencia al objeto IPreparedModel , se destruye automáticamente en el servicio del controlador que lo creó. Los recursos específicos del modelo se pueden reclamar en este momento en la implementación del controlador del destructor. Si el servicio del controlador desea que el objeto IPreparedModel se destruya automáticamente cuando el cliente ya no lo necesite, no debe contener ninguna referencia al objeto IPreparedModel después de que el objeto IPreparedeModel se haya devuelto mediante IPreparedModelCallback::notify_1_3 .

uso de CPU

Se espera que los controladores utilicen la CPU para configurar los cálculos. Los controladores no deberían usar la CPU para realizar cálculos gráficos porque eso interfiere con la capacidad del marco para asignar correctamente el trabajo. El controlador debe informar las partes que no puede manejar al marco y dejar que el marco maneje el resto.

El marco proporciona una implementación de CPU para todas las operaciones de NNAPI, excepto para las operaciones definidas por el proveedor. Para obtener más información, consulte Extensiones de proveedores .

Las operaciones introducidas en Android 10 (API nivel 29) solo tienen una implementación de CPU de referencia para verificar que las pruebas CTS y VTS sean correctas. Se prefieren las implementaciones optimizadas incluidas en los marcos de aprendizaje de máquinas móviles sobre la implementación de CPU NNAPI.

Funciones de utilidad

El código base de NNAPI incluye funciones de utilidad que pueden ser utilizadas por los servicios del conductor.

El archivo frameworks/ml/nn/common/include/Utils.h contiene una variedad de funciones de utilidad, como las que se utilizan para registrar y convertir entre diferentes versiones de NN HAL.

  • VLogging: VLOG es una macro contenedora alrededor del LOG de Android que solo registra el mensaje si se establece la etiqueta apropiada en la propiedad debug.nn.vlog . initVLogMask() debe llamarse antes de cualquier llamada a VLOG . La macro VLOG_IS_ON se puede usar para verificar si VLOG está habilitado actualmente, lo que permite omitir un código de registro complicado si no es necesario. El valor de la propiedad debe ser uno de los siguientes:

    • Una cadena vacía, que indica que no se debe realizar ningún registro.
    • El token 1 o all , que indica que se debe realizar todo el registro.
    • Una lista de etiquetas, delimitadas por espacios, comas o dos puntos, que indica qué registro se debe realizar. Las etiquetas son compilation , cpuexe , driver , execution , manager y model .
  • compliantWithV1_* : Devuelve true si un objeto NN HAL se puede convertir al mismo tipo de una versión HAL diferente sin perder información. Por ejemplo, llamar a compliantWithV1_0 en un V1_2::Model devuelve false si el modelo incluye los tipos de operación introducidos en NN HAL 1.1 o NN HAL 1.2.

  • convertToV1_* : convierte un objeto NN HAL de una versión a otra. Se registra una advertencia si la conversión da como resultado una pérdida de información (es decir, si la nueva versión del tipo no puede representar completamente el valor).

  • Capabilities: Las funciones nonExtensionOperandPerformance y de update se pueden utilizar para ayudar a construir el campo Capabilities::operandPerformance .

  • Consultar propiedades de tipos: isExtensionOperandType , isExtensionOperationType , nonExtensionSizeOfData , nonExtensionOperandSizeOfData , nonExtensionOperandTypeIsScalar , tensorHasUnspecifiedDimensions .

El archivo frameworks/ml/nn/common/include/ValidateHal.h contiene funciones de utilidad para validar que un objeto NN HAL es válido de acuerdo con la especificación de su versión HAL.

  • validate* : Devuelve true si el objeto NN HAL es válido de acuerdo con la especificación de su versión HAL. Los tipos de OEM y los tipos de extensión no están validados. Por ejemplo, validateModel devuelve false si el modelo contiene una operación que hace referencia a un índice de operando que no existe, o una operación que no es compatible con esa versión de HAL.

El archivo frameworks/ml/nn/common/include/Tracing.h contiene macros para simplificar la adición de información de rastreo del sistema al código de Neural Networks. Para obtener un ejemplo, consulte las invocaciones de macro NNTRACE_* en el controlador de muestra .

El archivo frameworks/ml/nn/common/include/GraphDump.h contiene una función de utilidad para volcar el contenido de un Model en forma gráfica con fines de depuración.

  • graphDump : escribe una representación del modelo en formato Graphviz ( .dot ) en la secuencia especificada (si se proporciona) o en el logcat (si no se proporciona ninguna secuencia).

Validación

Para probar su implementación de la NNAPI, use las pruebas VTS y CTS incluidas en el marco de Android. VTS ejercita sus controladores directamente (sin usar el marco), mientras que CTS los ejercita indirectamente a través del marco. Estos prueban cada método de API y verifican que todas las operaciones admitidas por los controladores funcionen correctamente y proporcionen resultados que cumplan con los requisitos de precisión.

Los requisitos de precisión en CTS y VTS para el NNAPI son los siguientes:

  • Punto flotante: abs (esperado - real) <= atol + rtol * abs (esperado); dónde:

    • Para fp32, atol = 1e-5f, rtol = 5.0f * 1.1920928955078125e-7
    • Para fp16, atol = rtol = 5.0f * 0.0009765625f
  • Cuantizado: uno por uno (excepto para mobilenet_quantized , que está apagado por tres)

  • Booleano: coincidencia exacta

Una forma en que CTS prueba NNAPI es generando gráficos pseudoaleatorios fijos que se utilizan para probar y comparar los resultados de ejecución de cada controlador con la implementación de referencia NNAPI. Para los controladores con NN HAL 1.2 o superior, si los resultados no cumplen con los criterios de precisión, CTS informa un error y descarga un archivo de especificación para el modelo fallido en /data/local/tmp para su depuración. Para obtener más detalles sobre los criterios de precisión, consulte TestRandomGraph.cpp y TestHarness.h .

Prueba de fuzz

El propósito de las pruebas de fuzz es encontrar fallas, afirmaciones, violaciones de memoria o comportamiento general indefinido en el código bajo prueba debido a factores como entradas inesperadas. Para las pruebas de fuzz de NNAPI, Android usa pruebas basadas en libFuzzer , que son eficientes en la fuzzing porque usan cobertura de línea de casos de prueba anteriores para generar nuevas entradas aleatorias. Por ejemplo, libFuzzer favorece los casos de prueba que se ejecutan en nuevas líneas de código. Esto reduce en gran medida la cantidad de tiempo que tardan las pruebas en encontrar código problemático.

Para realizar pruebas de fuzz para validar la implementación de su controlador, modifique frameworks/ml/nn/runtime/test/android_fuzzing/DriverFuzzTest.cpp en la utilidad de prueba libneuralnetworks_driver_fuzzer encuentra en AOSP para incluir su código de controlador. Para obtener más información sobre las pruebas de fuzz de NNAPI, consulte frameworks/ml/nn/runtime/test/android_fuzzing/README.md .

Seguridad

Debido a que los procesos de la aplicación se comunican directamente con el proceso de un controlador, los controladores deben validar los argumentos de las llamadas que reciben. Esta validación es verificada por VTS. El código de validación está en frameworks/ml/nn/common/include/ValidateHal.h .

Los conductores también deben asegurarse de que las aplicaciones no puedan interferir con otras aplicaciones cuando utilicen el mismo dispositivo.

Conjunto de pruebas de aprendizaje automático de Android

Android Machine Learning Test Suite (MLTS) es un punto de referencia NNAPI incluido en CTS y VTS para validar la precisión de modelos reales en dispositivos de proveedores. El punto de referencia evalúa la latencia y la precisión, y compara los resultados de los controladores con los resultados utilizando TF Lite ejecutándose en la CPU, para el mismo modelo y conjuntos de datos. Esto asegura que la precisión de un controlador no sea peor que la implementación de referencia de la CPU.

Los desarrolladores de la plataforma Android también utilizan MLTS para evaluar la latencia y la precisión de los controladores.

El punto de referencia NNAPI se puede encontrar en dos proyectos en AOSP:

Modelos y conjuntos de datos

El punto de referencia NNAPI utiliza los siguientes modelos y conjuntos de datos.

  • MobileNetV1 float y u8 cuantificados en diferentes tamaños, se ejecutan en un pequeño subconjunto (1500 imágenes) de Open Images Dataset v4.
  • MobileNetV2 float y u8 cuantificados en diferentes tamaños, se ejecutan en un pequeño subconjunto (1500 imágenes) de Open Images Dataset v4.
  • Modelo acústico basado en memoria a largo plazo a corto plazo (LSTM) para conversión de texto a voz, que se ejecuta en un pequeño subconjunto del conjunto CMU Arctic.
  • Modelo acústico basado en LSTM para el reconocimiento automático de voz, que se ejecuta en un pequeño subconjunto del conjunto de datos LibriSpeech.

Para obtener más información, consulte platform/test/mlts/models .

Pruebas de estrés

El conjunto de pruebas de aprendizaje automático de Android incluye una serie de pruebas de choque para validar la resistencia de los controladores en condiciones de uso intensivo o en casos extremos de comportamiento de los clientes.

Todas las pruebas de choque ofrecen las siguientes características:

  • Detección de bloqueo : si el cliente NNAPI se bloquea durante una prueba, la prueba falla con el motivo de falla HANG y el conjunto de pruebas pasa a la siguiente prueba.
  • Detección de fallos del cliente NNAPI: las pruebas sobreviven a los fallos del cliente y las pruebas fallan con el motivo de la falla CRASH .
  • Detección de fallos del controlador: las pruebas pueden detectar un fallo del controlador que provoca una falla en una llamada NNAPI. Tenga en cuenta que pueden producirse bloqueos en los procesos del controlador que no provoquen una falla de NNAPI y no provoquen que la prueba falle. Para cubrir este tipo de falla, se recomienda ejecutar el comando tail en el registro del sistema para detectar errores o bloqueos relacionados con el controlador.
  • Orientación de todos los aceleradores disponibles: las pruebas se realizan con todos los controladores disponibles.

Todas las pruebas de choque tienen los siguientes cuatro resultados posibles:

  • SUCCESS : Ejecución completada sin errores.
  • FAILURE : la ejecución falló. Por lo general, se debe a una falla al probar un modelo, lo que indica que el controlador no pudo compilar o ejecutar el modelo.
  • HANG : el proceso de prueba dejó de responder.
  • CRASH : el proceso de prueba falló.

Para obtener más información sobre las pruebas de estrés y una lista completa de pruebas de choque, consulte platform/test/mlts/benchmark/README.txt .

Usando MLTS

Para usar MLTS:

  1. Conecte un dispositivo de destino a su estación de trabajo y asegúrese de que sea accesible a través de adb . Exporte la variable de entorno ANDROID_SERIAL dispositivo de ANDROID_SERIAL si hay más de un dispositivo conectado.
  2. cd en el directorio de fuentes de nivel superior de Android.

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

    Al final de una ejecución de referencia, los resultados se presentan como una página HTML y se pasan a xdg-open .

Para obtener más información, consulte platform/test/mlts/benchmark/README.txt .

Versiones HAL de redes neuronales

En esta sección se describen los cambios introducidos en las versiones HAL de Android y Neural Networks.

Android 11

Android 11 presenta NN HAL 1.3, que incluye los siguientes cambios notables.

  • Soporte para cuantificación firmada de 8 bits en NNAPI. Agrega el tipo de operando TENSOR_QUANT8_ASYMM_SIGNED . Los controladores con NN HAL 1.3 que admiten operaciones con cuantificación sin firmar también deben admitir las variantes firmadas de esas operaciones. Al ejecutar versiones firmadas y sin firmar de la mayoría de las operaciones cuantificadas, los controladores deben producir los mismos resultados hasta un desplazamiento de 128. Hay cinco excepciones a este requisito: CAST , HASHTABLE_LOOKUP , LSH_PROJECTION , PAD_V2 y QUANTIZED_16BIT_LSTM . La operación QUANTIZED_16BIT_LSTM no admite operandos con signo y las otras cuatro operaciones admiten la cuantificación con signo, pero no requieren que los resultados sean iguales.
  • Soporte para ejecuciones cercadas donde el marco llama al método IPreparedModel::executeFenced para lanzar una ejecución asincrónica cercada en un modelo preparado con un vector de cercas de sincronización para esperar. Para obtener más información, consulte Ejecución cercada .
  • Soporte para control de flujo. Agrega las operaciones IF y WHILE , que toman otros modelos como argumentos y los ejecutan condicionalmente ( IF ) o repetidamente ( WHILE ). Para obtener más información, consulte Flujo de control .
  • Calidad de servicio (QoS) mejorada, ya que las aplicaciones pueden indicar las prioridades relativas de sus modelos, la cantidad máxima de tiempo que se espera para que se prepare un modelo y la cantidad máxima de tiempo que se espera para que se complete una ejecución. Para obtener más información, consulte Calidad de servicio .
  • Soporte para dominios de memoria que proporcionan interfaces de asignación para búferes administrados por controladores. Esto permite pasar las memorias nativas del dispositivo a través de ejecuciones, suprimiendo la copia y transformación de datos innecesarias entre ejecuciones consecutivas en el mismo controlador. Para obtener más información, consulte Dominios de memoria .

Android 10

Android 10 presenta NN HAL 1.2, que incluye los siguientes cambios notables.

  • La estructura Capabilities incluye todos los tipos de datos, incluidos los tipos de datos escalares, y representa un rendimiento no relajado utilizando un vector en lugar de campos con nombre.
  • Los métodos getVersionString y getType permiten que el marco recupere el tipo de dispositivo ( DeviceType ) y la información de la versión. Consulte Descubrimiento y asignación de dispositivos .
  • El método executeSynchronously se llama de forma predeterminada para realizar una ejecución de forma sincrónica. El método execute_1_2 le dice al marco que realice una ejecución de forma asincrónica. Ver ejecución .
  • El parámetro MeasureTiming para executeSynchronously , execute_1_2 y ejecución en ráfaga especifica si el controlador debe medir la duración de la ejecución. Los resultados se informan en la estructura de Timing . Ver cronometraje .
  • Soporte para ejecuciones donde uno o más operandos de salida tienen una dimensión o rango desconocido. Ver forma de salida .
  • Soporte para extensiones de proveedor, que son colecciones de operaciones y tipos de datos definidos por el proveedor. El controlador informa las extensiones admitidas a través del método IDevice::getSupportedExtensions . Consulte Extensiones de proveedores .
  • Capacidad para que un objeto de ráfaga controle un conjunto de ejecuciones de ráfaga utilizando colas de mensajes rápidos (FMQ) para comunicarse entre los procesos de aplicación y controlador, lo que reduce la latencia. Consulte Ejecuciones en ráfaga y colas de mensajes rápidos .
  • Soporte para AHardwareBuffer para permitir que el controlador realice ejecuciones sin copiar datos. Consulte AHardwareBuffer .
  • Soporte mejorado para el almacenamiento en caché de artefactos de compilación para reducir el tiempo utilizado para la compilación cuando se inicia una aplicación. Consulte Almacenamiento en caché de compilación .

Android 10 presenta los siguientes tipos de operandos y operaciones.

  • Tipos de operandos

    • ANEURALNETWORKS_BOOL
    • ANEURALNETWORKS_FLOAT16
    • ANEURALNETWORKS_TENSOR_BOOL8
    • ANEURALNETWORKS_TENSOR_FLOAT16
    • ANEURALNETWORKS_TENSOR_QUANT16_ASYMM
    • ANEURALNETWORKS_TENSOR_QUANT16_SYMM
    • ANEURALNETWORKS_TENSOR_QUANT8_SYMM
    • ANEURALNETWORKS_TENSOR_QUANT8_SYMM_PER_CHANNEL
  • Operaciones

    • ANEURALNETWORKS_ABS
    • ANEURALNETWORKS_ARGMAX
    • ANEURALNETWORKS_ARGMIN
    • ANEURALNETWORKS_AXIS_ALIGNED_BBOX_TRANSFORM
    • ANEURALNETWORKS_BIDIRECTIONAL_SEQUENCE_LSTM
    • ANEURALNETWORKS_BIDIRECTIONAL_SEQUENCE_RNN
    • ANEURALNETWORKS_BOX_WITH_NMS_LIMIT
    • ANEURALNETWORKS_CAST
    • ANEURALNETWORKS_CHANNEL_SHUFFLE
    • ANEURALNETWORKS_DETECTION_POSTPROCESSING
    • ANEURALNETWORKS_EQUAL
    • ANEURALNETWORKS_EXP
    • ANEURALNETWORKS_EXPAND_DIMS
    • ANEURALNETWORKS_GATHER
    • ANEURALNETWORKS_GENERATE_PROPOSALS
    • ANEURALNETWORKS_GREATER
    • ANEURALNETWORKS_GREATER_EQUAL
    • ANEURALNETWORKS_GROUPED_CONV_2D
    • ANEURALNETWORKS_HEATMAP_MAX_KEYPOINT
    • ANEURALNETWORKS_INSTANCE_NORMALIZATION
    • ANEURALNETWORKS_LESS
    • ANEURALNETWORKS_LESS_EQUAL
    • ANEURALNETWORKS_LOG
    • ANEURALNETWORKS_LOGICAL_AND
    • ANEURALNETWORKS_LOGICAL_NOT
    • ANEURALNETWORKS_LOGICAL_OR
    • ANEURALNETWORKS_LOG_SOFTMAX
    • ANEURALNETWORKS_MAXIMUM
    • ANEURALNETWORKS_MINIMUM
    • ANEURALNETWORKS_NEG
    • ANEURALNETWORKS_NOT_EQUAL
    • ANEURALNETWORKS_PAD_V2
    • ANEURALNETWORKS_POW
    • ANEURALNETWORKS_PRELU
    • ANEURALNETWORKS_QUANTIZE
    • ANEURALNETWORKS_QUANTIZED_16BIT_LSTM
    • ANEURALNETWORKS_RANDOM_MULTINOMIAL
    • ANEURALNETWORKS_REDUCE_ALL
    • ANEURALNETWORKS_REDUCE_ANY
    • ANEURALNETWORKS_REDUCE_MAX
    • ANEURALNETWORKS_REDUCE_MIN
    • ANEURALNETWORKS_REDUCE_PROD
    • ANEURALNETWORKS_REDUCE_SUM
    • ANEURALNETWORKS_RESIZE_NEAREST_NEIGHBOR
    • ANEURALNETWORKS_ROI_ALIGN
    • ANEURALNETWORKS_ROI_POOLING
    • ANEURALNETWORKS_RSQRT
    • ANEURALNETWORKS_SELECT
    • ANEURALNETWORKS_SIN
    • ANEURALNETWORKS_SLICE
    • ANEURALNETWORKS_SPLIT
    • ANEURALNETWORKS_SQRT
    • ANEURALNETWORKS_TILE
    • ANEURALNETWORKS_TOPK_V2
    • ANEURALNETWORKS_TRANSPOSE_CONV_2D
    • ANEURALNETWORKS_UNIDIRECTIONAL_SEQUENCE_LSTM
    • ANEURALNETWORKS_UNIDIRECTIONAL_SEQUENCE_RNN

Android 10 presenta actualizaciones para muchas de las operaciones existentes. Las actualizaciones están relacionadas principalmente con lo siguiente:

  • Soporte para el diseño de memoria NCHW
  • Soporte para tensores con rango diferente a 4 en softmax y operaciones de normalización
  • Soporte para convoluciones dilatadas
  • Soporte para entradas con cuantificación mixta en ANEURALNETWORKS_CONCATENATION

La siguiente lista muestra las operaciones que se modifican en Android 10. Para obtener detalles completos de los cambios, consulte OperationCode en la documentación de referencia de NNAPI.

  • ANEURALNETWORKS_ADD
  • ANEURALNETWORKS_AVERAGE_POOL_2D
  • ANEURALNETWORKS_BATCH_TO_SPACE_ND
  • ANEURALNETWORKS_CONCATENATION
  • ANEURALNETWORKS_CONV_2D
  • ANEURALNETWORKS_DEPTHWISE_CONV_2D
  • ANEURALNETWORKS_DEPTH_TO_SPACE
  • ANEURALNETWORKS_DEQUANTIZE
  • ANEURALNETWORKS_DIV
  • ANEURALNETWORKS_FLOOR
  • ANEURALNETWORKS_FULLY_CONNECTED
  • ANEURALNETWORKS_L2_NORMALIZATION
  • ANEURALNETWORKS_L2_POOL_2D
  • ANEURALNETWORKS_LOCAL_RESPONSE_NORMALIZATION
  • ANEURALNETWORKS_LOGISTIC
  • ANEURALNETWORKS_LSH_PROJECTION
  • ANEURALNETWORKS_LSTM
  • ANEURALNETWORKS_MAX_POOL_2D
  • ANEURALNETWORKS_MEAN
  • ANEURALNETWORKS_MUL
  • ANEURALNETWORKS_PAD
  • ANEURALNETWORKS_RELU
  • ANEURALNETWORKS_RELU1
  • ANEURALNETWORKS_RELU6
  • ANEURALNETWORKS_RESHAPE
  • ANEURALNETWORKS_RESIZE_BILINEAR
  • ANEURALNETWORKS_RNN
  • ANEURALNETWORKS_ROI_ALIGN
  • ANEURALNETWORKS_SOFTMAX
  • ANEURALNETWORKS_SPACE_TO_BATCH_ND
  • ANEURALNETWORKS_SPACE_TO_DEPTH
  • ANEURALNETWORKS_SQUEEZE
  • ANEURALNETWORKS_STRIDED_SLICE
  • ANEURALNETWORKS_SUB
  • ANEURALNETWORKS_SVDF
  • ANEURALNETWORKS_TANH
  • ANEURALNETWORKS_TRANSPOSE

Android 9

NN HAL 1.1 se introduce en Android 9 e incluye los siguientes cambios notables.

  • IDevice::prepareModel_1_1 incluye un parámetro ExecutionPreference . Un conductor puede usar esto para ajustar su preparación, sabiendo que la aplicación prefiere ahorrar batería o ejecutará el modelo en llamadas sucesivas rápidas.
  • Se han agregado nueve operaciones nuevas: BATCH_TO_SPACE_ND , DIV , MEAN , PAD , SPACE_TO_BATCH_ND , SQUEEZE , STRIDED_SLICE , SUB , TRANSPOSE .
  • Una aplicación puede especificar que los cálculos flotantes de 32 bits se pueden ejecutar con precisión y / o rango flotante de 16 bits estableciendo Model.relaxComputationFloat32toFloat16 en true . La estructura Capabilities tiene el campo adicional relaxedFloat32toFloat16Performance para que el controlador pueda informar su rendimiento relajado al marco.

Android 8.1

El HAL de redes neuronales inicial (1.0) se lanzó en Android 8.1. Para obtener más información, consulte /neuralnetworks/1.0/ .