Pilotes de l'API Neural Networks

Cette page explique comment implémenter une API Neural Networks (NNAPI) pilote. Pour en savoir plus, consultez la documentation fournie dans la définition HAL fichiers dans hardware/interfaces/neuralnetworks Un exemple d'implémentation de pilote frameworks/ml/nn/driver/sample

Pour en savoir plus sur l'API Neural Networks, consultez API Neural Networks

HAL des réseaux de neurones

Le HAL des réseaux de neurones (NN) définit une abstraction des différents appareils, tels que des processeurs graphiques (GPU) et des processeurs de signal numérique (DSP), inclus dans un produit (par exemple, un téléphone ou une tablette). Les facteurs à l'origine de ces doivent être conformes à la norme NN HAL. L'interface est spécifiée dans le HAL fichiers de définition dans hardware/interfaces/neuralnetworks

Le flux général de l'interface entre le framework et un pilote est représenté. comme illustré dans la figure 1.

Flux de réseaux de neurones

Figure 1 : Flux de réseaux de neurones

Initialisation

Lors de l'initialisation, le framework interroge le pilote pour connaître ses capacités à l'aide de IDevice::getCapabilities_1_3 La structure @1.3::Capabilities inclut tous les types de données et représente les performances non assouplies à l'aide d'un vecteur.

Pour déterminer comment allouer des calculs aux appareils disponibles, le utilise les capacités pour comprendre à quelle vitesse et dans quelle mesure de manière efficace, chaque pilote peut effectuer une exécution. Pour fournir ces informations, le pilote doit fournir des chiffres de performance standardisés en fonction de l'exécution de charges de travail de référence.

Pour déterminer les valeurs renvoyées par le pilote en réponse IDevice::getCapabilities_1_3, utilisez l'application de benchmark NNAPI pour mesurer le des performances pour les types de données correspondants. Les applications MobileNet v1 et v2, asr_float, et tts_float sont recommandés pour mesurer les performances des versions 32 bits les valeurs à virgule flottante et les modèles quantifiés MobileNet v1 et v2 sont recommandé pour les valeurs quantifiées sur 8 bits. Pour en savoir plus, consultez Suite de test de machine learning Android

Sous Android 9 et versions antérieures, la structure Capabilities inclut les performances du pilote informations uniquement pour les Tensors quantifiés et à virgule flottante, et n'inclut pas scalaires.

Lors du processus d'initialisation, le framework peut interroger davantage d'informations, avec IDevice::getType IDevice::getVersionString IDevice:getSupportedExtensions et IDevice::getNumberOfCacheFilesNeeded.

Entre les redémarrages du produit, le framework attend toutes les requêtes décrites dans ce afin de toujours indiquer les mêmes valeurs pour un conducteur donné. Sinon, une application l'utilisation de ce pilote peut entraîner une baisse des performances ou un comportement incorrect.

Compilation

Le framework détermine les appareils à utiliser lorsqu'il reçoit une requête d'un l'application. Sous Android 10, les applications peuvent détecter et spécifier les appareils que le framework choisit. Pour en savoir plus, consultez Découverte et attribution des appareils :

Au moment de la compilation du modèle, le framework envoie le modèle à chaque candidat le conducteur en appelant IDevice::getSupportedOperations_1_3 Chaque pilote renvoie un tableau de valeurs booléennes indiquant quel pilote les opérations du modèle sont prises en charge. Un conducteur peut déterminer qu'il ne peut pas ne prennent pas en charge une opération donnée pour plusieurs raisons. Exemple :

  • Le pilote n'est pas compatible avec ce type de données.
  • Le pilote n'accepte que les opérations avec des paramètres d'entrée spécifiques. Pour Exemple : un pilote peut être compatible avec la convolution 3x3 et 5x5, mais pas avec la convolution 7x7 opérations.
  • Le pilote présente des contraintes de mémoire qui l'empêchent de gérer de graphiques ou entrées.

Lors de la compilation, l'entrée, la sortie et les opérandes internes du modèle, tels que décrits dans OperandLifeTime peuvent avoir des dimensions ou un classement inconnus. Pour en savoir plus, consultez Forme de sortie :

Le framework demande à chaque pilote sélectionné de se préparer à exécuter un sous-ensemble de le modèle en appelant IDevice::prepareModel_1_3 Chaque pilote compile ensuite son sous-ensemble. Par exemple, un conducteur peut générer du code ou créer une copie réorganisée des pondérations. Parce qu'il peut y avoir un délai important entre la compilation du modèle et des requêtes, les ressources telles que de grands segments de mémoire de l'appareil ne doivent pas être attribuées lors de la compilation.

En cas de réussite, le pilote renvoie un code @1.3::IPreparedModel. identifiant. Si le pilote renvoie un code d'échec lors de la préparation de son sous-ensemble le framework exécute l'ensemble du modèle sur le CPU.

Pour réduire le temps de compilation au démarrage d'une application, un pilote peut des artefacts de compilation du cache. Pour plus d'informations, consultez la section Compilation Mise en cache

Exécution

Lorsqu'une application demande au framework d'exécuter une requête, celui-ci appelle la IPreparedModel::executeSynchronously_1_3 HAL utilisée par défaut pour effectuer une exécution synchrone sur un modèle préparé. Une requête peut également être exécutée de manière asynchrone à l'aide de la méthode execute_1_3 , la méthode executeFenced (voir Exécution clôturée), ou exécutées à l'aide d'un l'exécution intensive.

Les appels d'exécution synchrones améliorent les performances et réduisent les threads par rapport aux appels asynchrones, car le contrôle est renvoyé de l'application qu'une fois l'exécution terminée. Cela signifie que pilote n'a pas besoin d'un mécanisme distinct pour avertir le processus de l'application que avant qu'une exécution ne soit terminée.

Avec la méthode execute_1_3 asynchrone, le contrôle revient à la méthode processus d'application après le lancement de l'exécution, et le pilote doit en informer le framework une fois l'exécution terminée, @1.3::IExecutionCallback

Le paramètre Request transmis à la méthode d'exécution répertorie l'entrée et la sortie opérandes utilisés pour l'exécution. La mémoire qui stocke les données d'opérande utilisez l'ordre "ligne principale", la première dimension étant itérative la plus lente, et n'avez pas une marge intérieure à la fin de n'importe quelle ligne. Pour en savoir plus sur les types d'opérandes, voir Opérandes :

Pour les pilotes NN HAL version 1.2 ou ultérieure, lorsqu'une requête est terminée, l'état de l'erreur, la forme de sortie et les informations temporelles sont renvoyées ; au cadre. Pendant l'exécution, les opérandes de sortie ou internes du modèle peuvent présentent une ou plusieurs dimensions ou rangs inconnus. Lorsqu'au moins une sortie l'opérande a une dimension ou un rang inconnu, le conducteur doit renvoyer des informations de sortie dimensionnées de façon dynamique.

Pour les pilotes disposant de NN HAL version 1.1 ou antérieure, seul l'état d'erreur est renvoyé lorsqu'une soit traitée. Les dimensions des opérandes d'entrée et de sortie doivent être entièrement spécifié pour que l'exécution aboutisse. Les opérandes internes peuvent comportent une ou plusieurs dimensions inconnues, alors que leur rang doit être indiqué.

Pour les requêtes utilisateur couvrant plusieurs pilotes, le framework est responsable pour réserver la mémoire intermédiaire et le séquençage des appels à chaque pilote.

Plusieurs requêtes peuvent être lancées en parallèle sur le même @1.3::IPreparedModel Le pilote peut exécuter des requêtes en parallèle ou sérialiser les exécutions.

Le framework peut demander à un conducteur de conserver plusieurs modèles préparés. Pour exemple, préparer le modèle m1, préparer m2, exécuter la requête r1 sur m1, exécuter r2 sur m2, exécuter r3 sur m1, exécuter r4 sur m2, version (décrite dans Cleanup) m1 et la version m2.

Pour éviter une première exécution lente qui pourrait nuire à l'expérience utilisateur (par exemple, un premier saccades au niveau de la trame), le pilote doit effectuer la plupart des initialisations lors de la phase de compilation. Lors de la première exécution, l'initialisation doit être limitée à les actions qui ont un impact négatif sur l'état du système lorsqu'elles sont effectuées à un stade précoce, comme réserver des tampons temporaires volumineux ou augmenter la fréquence d'horloge d'un appareil. Les pilotes qui ne peuvent préparer qu'un nombre limité de modèles simultanés peuvent avoir pour s'initialiser à la première exécution.

Sous Android 10 ou version ultérieure, si plusieurs avec le même modèle préparé sont exécutées en succession rapide, le client peut choisir d'utiliser une méthode d'exécution objet d'utilisation intensive pour la communication entre les processus de l'application et du pilote. Pour plus pour en savoir plus, consultez Exécutions intensives et files d'attente de messages rapides.

Pour améliorer les performances de plusieurs exécutions successives, le pilote peut conserver des tampons temporaires ou augmenter les fréquences d'horloge. Créer un watchdog est recommandé pour libérer des ressources si aucune nouvelle requête n'est créée après pendant une période déterminée.

Forme de sortie

Pour les requêtes dans lesquelles un ou plusieurs opérandes de sortie n'ont pas toutes les dimensions spécifié, le pilote doit fournir une liste de formes de sortie contenant des informations de dimension pour chaque opérande de sortie après exécution. Pour plus sur les dimensions, consultez OutputShape

Si une exécution échoue en raison d'un tampon de sortie trop petit, le pilote doit indiquer quels opérandes de sortie ont une taille de mémoire tampon insuffisante dans la liste des des formes de sortie et doivent rapporter autant d'informations dimensionnelles que possible, en utilisant zéro pour les dimensions inconnues.

Durée

Sous Android 10, une application peut demander l'exécution temps si l'application a spécifié un seul appareil à utiliser pendant le processus de compilation. Pour détails, consultez MeasureTiming et Découverte et attribution des appareils. Dans ce cas, Le pilote NN HAL 1.2 doit mesurer la durée d'exécution ou signaler UINT64_MAX (à indiquer que la durée n'est pas disponible) lors de l'exécution d'une requête. Le conducteur doit minimiser toute perte de performances résultant de la mesure de l'exécution de la vidéo.

Le conducteur signale les durées suivantes en microsecondes dans le champ Timing structure:

  • Temps d'exécution sur l'appareil:n'inclut pas le temps d'exécution dans le champ qui s'exécute sur le processeur hôte.
  • Temps d'exécution dans le pilote:inclut le temps d'exécution sur l'appareil.

Ces durées doivent inclure le moment où l'exécution est suspendue, par exemple par exemple, lorsque l'exécution a été préemptée par d'autres tâches ou lorsqu'elle à attendre qu'une ressource soit disponible.

Lorsque le pilote n'a pas été invité à mesurer la durée de l'exécution ou lorsque une erreur d'exécution se produit, le pilote doit signaler les durées au format UINT64_MAX Même lorsque le pilote a été invité à mesurer l'exécution la durée réelle, il peut indiquer UINT64_MAX pour l'heure sur l'appareil, l'heure dans pilote, ou les deux. Lorsque le conducteur signale les deux durées en tant que valeur autre que UINT64_MAX, la durée d'exécution dans le pilote doit être égale ou supérieure à la durée de l'appareil.

Exécution clôturée

Dans Android 11, NNAPI permet aux exécutions d'attendre un liste de handle sync_fence et renvoie éventuellement un objet sync_fence, qui est signalé à la fin de l'exécution. Cela réduit les frais généraux pour les petites modèles de séquence et cas d'utilisation par flux. L'exécution délimitée permet également une interopérabilité efficace avec d'autres composants, qui peuvent signaler ou attendre que sync_fence Pour en savoir plus sur sync_fence, consultez Framework de synchronisation.

Dans une exécution clôturée, le framework appelle IPreparedModel::executeFenced pour lancer une exécution asynchrone clôturée sur un modèle préparé avec une méthode vecteur de barrières de synchronisation à attendre. Si la tâche asynchrone est terminée avant l'appel, un handle vide peut être renvoyé pour sync_fence. Une L'objet IFencedExecutionCallback doit également être renvoyé pour permettre au framework pour interroger les informations sur l'état et la durée des erreurs.

Une fois l'exécution terminée, les deux Valeurs timing mesurer la durée de l'exécution peut être interrogé IFencedExecutionCallback::getExecutionInfo

  • timingLaunched: Durée entre le moment où executeFenced est appelé et le moment où executeFenced indique le syncFence renvoyé.
  • timingFenced: Durée à partir du moment où la synchronisation se termine que l'exécution attend sont signalés lorsque executeFenced signaux le syncFence renvoyé.

Flux de contrôle

Pour les appareils équipés d'Android 11 ou version ultérieure, comprend deux opérations de flux de contrôle, IF et WHILE, qui utilisent d'autres modèles en tant qu'arguments et les exécuter de manière conditionnelle (IF) ou de manière répétée (WHILE). Pour pour en savoir plus sur la mise en œuvre, consultez Flux de contrôle.

Qualité de service

Dans Android 11, la NNAPI améliore la qualité en permettant à une application d'indiquer les priorités relatives de ses la durée maximale de préparation d'un modèle, la durée maximale attendue pour l'exécution d'une exécution. Pour Pour en savoir plus, consultez Qualité de service.

Effectuer un nettoyage

Lorsqu'une application a fini d'utiliser un modèle préparé, le framework publie sa référence au @1.3::IPreparedModel . Lorsque l'objet IPreparedModel n'est plus référencé, il est automatiquement détruite dans le service de pilote qui l'a créé. Selon le modèle les ressources peuvent être récupérées à ce stade dans l'implémentation du pilote destructeur. Si le service de chauffeur souhaite que l'objet IPreparedModel soit automatiquement détruites lorsque le client n'en a plus besoin, il ne doit pas contenir toute référence à l'objet IPreparedModel après l'objet IPreparedeModel a été renvoyé via IPreparedModelCallback::notify_1_3

Utilisation du processeur

Les pilotes doivent utiliser le processeur pour configurer les calculs. Les conducteurs ne devraient pas utilisent le processeur pour effectuer des calculs de graphe, car cela interfère avec la capacité du framework à répartir correctement le travail. Le conducteur doit signaler les parties qu'il ne peut pas gérer dans le framework et laissez-le gérer reste.

Le framework fournit une implémentation de processeur pour toutes les opérations NNAPI, à l'exception des les opérations définies par le fournisseur. Pour en savoir plus, consultez Extensions pour les fournisseurs.

La des opérations introduites dans Android 10 (niveau d'API 29) n'ont qu'une implémentation de processeur de référence pour vérifier que les tests CTS et VTS sont correctes. Les implémentations optimisées incluses dans le machine learning pour mobile sont à privilégier par rapport à l'implémentation de CPU NNAPI.

Fonctions utilitaires

Le codebase NNAPI inclut des fonctions utilitaires pouvant être utilisées par services.

La frameworks/ml/nn/common/include/Utils.h contient diverses fonctions utilitaires, telles que celles utilisées pour la journalisation permettant d'effectuer la conversion entre différentes versions HAL du réseau de neurones.

  • VLogging: VLOG est une macro de wrapper autour de l'élément LOG d'Android qui ne consigne le message si la balise appropriée est définie dans debug.nn.vlog . initVLogMask() doit être appelé avant tout appel à VLOG. La macro VLOG_IS_ON peut être utilisé pour vérifier si VLOG est actuellement activé, ce qui permet une journalisation compliquée à ignorer s'il n'est pas nécessaire. La valeur de la propriété doit être l'une des options suivantes:

    • Chaîne vide indiquant qu'aucune journalisation ne doit être effectuée.
    • Le jeton 1 ou all, indiquant que toute la journalisation doit être effectuée
    • Une liste de tags, délimités par des espaces, des virgules ou des deux-points, indiquant quelle journalisation doit être effectuée. Les tags sont compilation, cpuexe, driver, execution, manager et model.

  • compliantWithV1_*: renvoie true si un objet NN HAL peut être converti vers le même type d'une autre version de HAL sans perdre d'informations. Pour Par exemple, l'appel de compliantWithV1_0 sur une V1_2::Model renvoie false si le modèle inclut des types d'opérations introduits dans NN HAL 1.1 ou NN HAL 1.2.

  • convertToV1_*: convertit un objet HAL NN d'une version à une autre. Un avertissement est consigné si la conversion entraîne une perte d'informations si la nouvelle version du type ne peut pas représenter entièrement la valeur).

  • Fonctionnalités: nonExtensionOperandPerformance et update peuvent être utilisées pour créer Capabilities::operandPerformance .

  • Interroger les propriétés de types: isExtensionOperandType, isExtensionOperationType, nonExtensionSizeOfData, nonExtensionOperandSizeOfData, nonExtensionOperandTypeIsScalar, tensorHasUnspecifiedDimensions

La frameworks/ml/nn/common/include/ValidateHal.h contient des fonctions utilitaires permettant de vérifier la validité d'un objet NN HAL conformément aux spécifications de sa version HAL.

  • validate*: renvoie true si l'objet NN HAL est valide conformément aux spécifications de sa version HAL. Types d'OEM et d'extensions ne sont pas validées. Par exemple, validateModel renvoie false si le contient une opération qui référence un index d'opérande ou d'une opération incompatible avec cette version de HAL.

La frameworks/ml/nn/common/include/Tracing.h contient des macros pour simplifier l'ajout les informations de traçage vers le code des réseaux de neurones. Pour obtenir un exemple, consultez les appels de macro NNTRACE_* dans la exemple de pilote.

La frameworks/ml/nn/common/include/GraphDump.h contient une fonction utilitaire permettant de vider le contenu d'un Model dans l'interface graphique à des fins de débogage.

  • graphDump: écrit une représentation du modèle dans Graphviz. (.dot) dans le flux spécifié (le cas échéant) ou dans le fichier logcat (si aucun flux n'est fourni).

Validation

Pour tester votre implémentation de NNAPI, utilisez les tests VTS et CTS inclus dans le framework Android. Le VTS fait directement des exercices avec vos pilotes (sans utiliser le tandis que CTS les exerce indirectement via le framework. Ces tester chaque méthode d'API et vérifier que toutes les opérations compatibles avec fonctionnent correctement et fournissent des résultats qui répondent aux exigences de précision.

Dans CTS et VTS pour la NNAPI, les exigences de précision sont les suivantes:

  • Virgule flottante: abs(attendu - réel) <= atol + rtol * abs(attendu) ; où:

    • Pour fp32, atol = 1e-5f, rtol = 5.0f * 1.1920928955078125e-7
    • Pour fp16, atol = rtol = 5.0f * 0,0009765625f

  • Quantifiée:aucune par une (à l'exception de mobilenet_quantized, ce qui est décalé par trois)

  • Booléen:mot clé exact

Une façon dont CTS teste NNAPI consiste à générer des graphiques pseudo-aléatoires fixes utilisé pour tester et comparer les résultats d'exécution de chaque pilote avec le Mise en œuvre de la documentation de référence NNAPI. Pour les conducteurs disposant de NN HAL version 1.2 ou ultérieure, si le les résultats ne répondent pas aux critères de précision, CTS signale une erreur et du modèle défaillant sous /data/local/tmp pour le débogage. Pour en savoir plus sur les critères de précision, consultez TestRandomGraph.cpp et TestHarness.h

Tests de simulation

Le but du test fuzz est de trouver les plantages, les assertions, les violations de mémoire, ou comportement général non défini dans le code testé en raison de facteurs tels que des entrées inattendues. Pour les tests à données aléatoires NNAPI, Android utilise des tests basés sur libFuzzer, qui sont efficace pour le fuzzing, car il utilise la couverture de ligne des scénarios de test précédents pour générer de nouvelles entrées aléatoires. Par exemple, libFuzzer privilégie les scénarios de test qui s'exécutent sur de nouvelles lignes de code. Cela réduit considérablement le temps nécessaire aux tests pour trouver code qui pose problème.

Pour effectuer des tests à données aléatoires afin de valider l'implémentation de vos pilotes, modifiez frameworks/ml/nn/runtime/test/android_fuzzing/DriverFuzzTest.cpp dans l'utilitaire de test libneuralnetworks_driver_fuzzer disponible dans AOSP pour inclure votre code de pilote. Pour en savoir plus sur les tests à données aléatoires NNAPI, consultez frameworks/ml/nn/runtime/test/android_fuzzing/README.md

Sécurité

Étant donné que les processus d'application communiquent directement avec le processus du pilote, les conducteurs doivent valider les arguments des appels qu'ils reçoivent. Cette validation est vérifiée par VTS. Le code de validation est frameworks/ml/nn/common/include/ValidateHal.h

Les conducteurs doivent également s'assurer que les applications ne peuvent pas interférer avec d'autres applications lorsqu'ils utilisent le même appareil.

Suite de test de machine learning Android

La suite de tests de machine learning Android (MLTS) est un benchmark NNAPI inclus dans CTS et VTS pour valider la justesse de modèles réels sur les appareils des fournisseurs. La le benchmark évalue la latence et la précision, et compare les performances résultats avec les résultats en utilisant TF Lite s'exécutant sur le processeur pour le même modèle et les mêmes ensembles de données. Cela garantit que la précision d'un conducteur n'est pas moins bien que l'implémentation de référence du processeur.

Les développeurs de la plate-forme Android utilisent également MLTS pour évaluer la latence et la justesse. de conducteurs.

Le benchmark NNAPI se trouve dans deux projets dans AOSP:

Modèles et ensembles de données

Le benchmark NNAPI utilise les modèles et ensembles de données suivants.

  • MobileNetV1 float et u8 quantifiés en différentes tailles, comparés à un petit sous-ensemble (1 500 images) de l'ensemble de données Open Images v4.
  • MobileNetV2 float et u8 quantifiés en différentes tailles, comparés à un petit sous-ensemble (1 500 images) de l'ensemble de données Open Images v4.
  • Modèle acoustique basé sur la mémoire à long terme (LSTM) pour la synthèse vocale sur un petit sous-ensemble de l'ensemble CMU Arctic.
  • Modèle acoustique basé sur LSTM pour la reconnaissance vocale automatique, exécuté sur dans un petit sous-ensemble de l'ensemble de données LibriSpeech.

Pour en savoir plus, consultez platform/test/mlts/models.

Test de contrainte

La suite de tests de machine learning Android comprend une série de tests de plantage pour Valider la résilience des conducteurs dans des conditions d'utilisation intensives ou dans les virages des cas de clients comportemental.

Tous les tests de plantage offrent les fonctionnalités suivantes:

  • Détection de blocage:si le client NNAPI se bloque lors d'un test, Le test échoue avec le motif d'échec HANG et la suite de tests passe au test suivant.
  • Détection des plantages du client NNAPI:les tests survivent aux plantages et aux tests du client échouent avec le motif CRASH.
  • Détection d'accident de conducteur:les tests peuvent détecter un accident de conduite. qui entraîne l'échec d'un appel NNAPI. Notez que des plantages peuvent survenir les processus du pilote qui ne provoquent pas de défaillance NNAPI et ne provoquent pas le test. à l'échec. Pour couvrir ce type de défaillance, il est recommandé d'exécuter tail dans le journal système pour détecter les erreurs ou les plantages liés aux pilotes.
  • Ciblage de tous les accélérateurs disponibles:les tests sont exécutés sur tous les des pilotes disponibles.

Tous les tests de plantage peuvent donner les quatre résultats suivants:

  • SUCCESS: exécution terminée sans erreur.
  • FAILURE: échec de l'exécution. Généralement causée par une défaillance tester un modèle, ce qui indique que le pilote n'a pas pu compiler ou exécuter le modèle.
  • HANG: le processus de test ne répond plus.
  • CRASH: le processus de test a planté.

Pour en savoir plus sur les tests de contrainte et obtenir la liste complète des tests de plantage, consultez platform/test/mlts/benchmark/README.txt

Utiliser MLTS

Pour utiliser le MLTS:

  1. Connectez un appareil cible à votre poste de travail et assurez-vous qu'il est accessible via adb : Exporter l'appareil cible ANDROID_SERIAL variable d'environnement si plusieurs appareils sont connectés.

  2. cd dans le répertoire source Android de premier niveau.

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

    À la fin d'une analyse comparative, les résultats sont présentés sous forme de page HTML et transmis à xdg-open.

Pour en savoir plus, consultez platform/test/mlts/benchmark/README.txt.

Versions HAL des réseaux de neurones

Cette section décrit les modifications apportées à Android et Neural Versions HAL des réseaux.

Android 11

Android 11 introduit NN HAL 1.3, qui inclut le suite à des changements notables.

  • Prise en charge de la quantification signée 8 bits dans NNAPI. Ajoute la méthode TENSOR_QUANT8_ASYMM_SIGNED d'opérande. Pilotes avec NN HAL 1.3 compatible avec les opérations avec quantification non signée doivent également être compatibles avec les variantes signées de ces opérations. Lors de l'exécution de versions signées et non signées de la plupart des les opérations quantifiées, les conducteurs doivent produire les mêmes résultats jusqu'à un décalage de 128. Il existe cinq exceptions à cette exigence: CAST, HASHTABLE_LOOKUP, LSH_PROJECTION, PAD_V2 et QUANTIZED_16BIT_LSTM. L'opération QUANTIZED_16BIT_LSTM n'est pas compatible avec les opérandes signés et les quatre autres opérations sont compatibles avec la quantification signée, mais ne nécessitent pas que les résultats soient identiques.
  • Prise en charge des exécutions cloisonnées où le framework appelle IPreparedModel::executeFenced pour lancer une exécution asynchrone clôturée sur un modèle préparé avec une méthode vecteur de barrières de synchronisation à attendre. Pour en savoir plus, consultez Exécution délimitée.
  • Prise en charge du flux de contrôle. Il ajoute les opérations IF et WHILE, qui prennent d'autres modèles en tant qu'arguments et les exécuter de manière conditionnelle (IF) ; à plusieurs reprises (WHILE). Pour en savoir plus, consultez Flux de contrôle.
  • Amélioration de la qualité de service (QoS), car les applications peuvent indiquer les priorités de ses modèles, le temps maximal attendu le modèle à préparer, ainsi que la durée maximale attendue soit terminée. Pour en savoir plus, consultez Qualité de service.
  • Prise en charge des domaines de mémoire qui fournissent des interfaces d'allocation pour gérés par le pilote. Cela permet de transmettre la mémoire native de l'appareil entre les exécutions, en supprimant la copie et la transformation inutiles de données entre des exécutions consécutives sur le même pilote. Pour plus d'informations, consultez la section Domaines de mémoire.

Android 10

Android 10 introduit NN HAL 1.2, qui inclut le suite à des changements notables.

  • La structure Capabilities inclut tous les types de données, y compris les données scalaires et représente des performances non assouplies à l'aide d'un vecteur que les champs nommés.
  • Les méthodes getVersionString et getType permettent au framework de récupérer les informations sur le type d'appareil (DeviceType) et la version. Voir Découverte et attribution des appareils :
  • La méthode executeSynchronously est appelée par défaut pour effectuer une une exécution synchrone. La méthode execute_1_2 indique au framework et effectuer une exécution asynchrone. Voir Exécution.
  • Le paramètre MeasureTiming sur executeSynchronously, execute_1_2 et l'exécution intensive spécifie si le pilote doit mesurer l'exécution de la vidéo. Les résultats sont indiqués dans la structure Timing. Voir Calendrier :
  • Prise en charge des exécutions dans lesquelles un ou plusieurs opérandes de sortie ont une valeur inconnue une dimension ou un classement. Consultez Forme de sortie.
  • Prise en charge des extensions de fournisseur, qui sont des ensembles de des opérations et des types de données. Le pilote signale les extensions compatibles via la méthode IDevice::getSupportedExtensions. Voir Extensions pour les fournisseurs.
  • Possibilité pour un objet d'utilisation intensive de contrôler un ensemble d'exécutions intensives à l'aide de Files d'attente de messages rapides (FMQ) pour la communication entre l'application et le pilote ce qui réduit la latence. Voir Exécutions intensives et files d'attente de messages rapides.
  • Prise en charge de AHardwareBuffer pour permettre au pilote d'effectuer des exécutions sans copier de données. Voir AHardwareBuffer.
  • Amélioration de la prise en charge de la mise en cache des artefacts de compilation pour réduire le temps utilisé pour la compilation au démarrage d'une application. Voir Mise en cache des compilations.

Android 10 introduit les types d'opérandes suivants et opérations.

  • Types d'opérandes

    • 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

  • Opérations

    • 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 apporte des mises à jour à bon nombre opérations. Les mises à jour sont en lien avec les domaines suivants:

  • Compatibilité avec la disposition de mémoire NCHW
  • Prise en charge des Tensors dont le rang est différent de 4 dans softmax et opérations de normalisation
  • Prise en charge des convolutions dilatées
  • Compatibilité avec les entrées avec quantification mixte dans ANEURALNETWORKS_CONCATENATION

La liste ci-dessous présente les opérations modifiées dans Android 10. Pleine pour en savoir plus sur les modifications, consultez Code d'opération dans la documentation de référence 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 est introduit dans Android 9 et inclut les fonctionnalités des modifications.

  • IDevice::prepareModel_1_1 inclut un ExecutionPreference. . Le conducteur peut l'utiliser pour ajuster sa préparation, sachant que L'application préfère économiser la batterie ou exécutera le modèle au cours d'appels successifs rapides.
  • Neuf opérations ont été ajoutées: BATCH_TO_SPACE_ND, DIV, MEAN, PAD, SPACE_TO_BATCH_ND, SQUEEZE, STRIDED_SLICE, SUB et TRANSPOSE.
  • Une application peut spécifier que des calculs à virgule flottante 32 bits peuvent être exécutés à l'aide d'une plage de float 16 bits et/ou d'une précision en définissant De Model.relaxComputationFloat32toFloat16 à true. Capabilities struct contient le champ supplémentaire relaxedFloat32toFloat16Performance. afin que le conducteur puisse indiquer au framework ses performances assouplies.

Android 8.1

La version 1.0 du HAL des réseaux de neurones a été publiée dans Android 8.1. Pour plus pour en savoir plus, consultez /neuralnetworks/1.0/