Controladores API de redes neuronales

Esta página proporciona una descripción general de cómo implementar un controlador 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 NN HAL. La interfaz se especifica en los archivos de definición 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

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

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

Para determinar los valores que devuelve el controlador 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 MobileNet v1 y v2, asr_float y tts_float para medir el rendimiento de valores de coma flotante de 32 bits y los modelos cuantificados de MobileNet v1 y v2 se recomiendan para valores cuantificados de 8 bits. Para obtener más información, consulte Suite de pruebas de aprendizaje automático de Android .

En Android 9 y versiones anteriores, la estructura 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 mediante IDevice::getType , IDevice::getVersionString , IDevice:getSupportedExtensions e IDevice::getNumberOfCacheFilesNeeded .

Entre reinicios del producto, el marco espera que todas las consultas descritas en esta sección informen siempre 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 que selecciona 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 IDevice::getSupportedOperations_1_3 . Cada controlador devuelve una serie de valores booleanos que indican qué operaciones del modelo son compatibles. Un conductor puede determinar que no puede soportar 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 de 3x3 y 5x5, pero no de 7x7.
  • El controlador tiene limitaciones de memoria que le impiden manejar gráficos o entradas de gran tamaño.

Durante la compilación, los operandos internos, de entrada y de salida del modelo, como se describe en OperandLifeTime , pueden tener dimensiones o rango desconocidos. 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 podría generar código o crear una copia reordenada de los pesos. Debido a que puede transcurrir una cantidad significativa de tiempo entre la compilación del modelo y la ejecución de las solicitudes, no se deben asignar recursos como grandes cantidades de memoria del dispositivo durante la compilación.

Si tiene éxito, el controlador devuelve un identificador @1.3::IPreparedModel . Si el controlador devuelve un código de error al preparar su subconjunto del modelo, el marco ejecuta el modelo completo 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 método HAL IPreparedModel::executeSynchronously_1_3 de forma predeterminada para realizar una ejecución sincrónica en un modelo preparado. Una solicitud también se puede ejecutar de forma asincrónica utilizando el método execute_1_3 , el método executeFenced (consulte Ejecución protegida ) o ejecutarse 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 independiente para notificar al proceso de la aplicación que se completa una ejecución.

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

El parámetro 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, siendo la primera dimensión la que itera más lentamente y no debe tener relleno al final de ninguna fila. Para obtener más información sobre los tipos de operandos, consulte Operandos .

Para controladores NN HAL 1.2 o superiores, cuando se completa una solicitud, el estado del error, la forma de salida y la información de tiempo se devuelven al marco. Durante la ejecución, los operandos internos o de salida del modelo pueden tener una o más dimensiones desconocidas o un 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 conductores 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 conserve 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 , libere (descrito en Limpieza ) m1 y libere m2 .

Para evitar una primera ejecución lenta que podría resultar en una mala experiencia del usuario (por ejemplo, un primer fotograma entrecortado), 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 anticipadamente, como reservar grandes buffers temporales o aumentar la frecuencia de reloj de un dispositivo. Es posible que los controladores que solo pueden preparar 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 la aplicación y los procesos del controlador. Para obtener más información, consulte Ejecuciones en ráfagas y colas de mensajes rápidas .

Para mejorar el rendimiento de múltiples ejecuciones en rápida sucesión, el controlador puede conservar buffers temporales o aumentar las velocidades de 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 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 ha especificado un único 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 en el desempeño resultante de medir la duración de la ejecución.

El conductor informa las siguientes duraciones en microsegundos en la estructura 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 driver: Incluye el tiempo de ejecución en el dispositivo.

Estas duraciones deben incluir el momento en que se suspende la ejecución, por ejemplo, cuando otras tareas se han adelantado a la ejecución o cuando se está esperando a 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, puede informar UINT64_MAX sobre 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 identificadores sync_fence y, opcionalmente, devuelvan un objeto sync_fence , que se señala cuando se completa la ejecución. Esto reduce la sobrecarga para modelos de secuencias pequeñas y casos de uso de transmisión. La ejecución protegida también permite una interoperabilidad más eficiente con otros componentes que pueden señalar o esperar sync_fence . Para obtener más información sobre sync_fence , consulte Marco de sincronización .

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

Una vez completada 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 desde que se llama executeFenced hasta que executeFenced señala el syncFence devuelto.
  • timingFenced : Duración desde que se señalan todas las barreras de sincronización que espera la ejecución hasta que executeFenced señala la syncFence devuelta.

Flujo de control

Para dispositivos que ejecutan Android 11 o superior, 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, NNAPI incluye una calidad de servicio (QoS) mejorada al permitir que una aplicación indique las prioridades relativas de sus modelos, la cantidad máxima de tiempo esperada para que un modelo esté preparado y la cantidad máxima de tiempo esperada 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 de controlador que lo creó. Los recursos específicos del modelo se pueden recuperar en este momento en la implementación del destructor por parte del controlador. 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 haya sido devuelto a través de IPreparedModelCallback::notify_1_3 .

uso de CPU

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

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

Las operaciones introducidas en Android 10 (API nivel 29) sólo tienen una implementación de CPU de referencia para verificar que las pruebas CTS y VTS son correctas. Se prefieren las implementaciones optimizadas incluidas en los marcos de aprendizaje automático móvil a la implementación de CPU NNAPI.

Funciones de utilidad

El código base de NNAPI incluye funciones de utilidad que pueden utilizar los servicios de controladores.

El archivo frameworks/ml/nn/common/include/Utils.h contiene una variedad de funciones de utilidad, como las que se usan 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 . Se debe llamar initVLogMask() antes de cualquier llamada a VLOG . La macro VLOG_IS_ON se puede utilizar para verificar si VLOG está actualmente habilitado, lo que permite omitir 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 , indica que se deben realizar todos los registros.
    • Una lista de etiquetas, delimitadas por espacios, comas o dos puntos, que indican 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 compliantWithV1_0 en un V1_2::Model devuelve false si el modelo incluye 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 produce una pérdida de información (es decir, si la nueva versión del tipo no puede representar completamente el valor).

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

  • Consulta de 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 según la especificación de su versión HAL.

  • validate* : Devuelve true si el objeto NN HAL es válido según 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 seguimiento del sistema al código de Neural Networks. Para ver un ejemplo, consulte las invocaciones de macros 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 logcat (si no se proporciona ninguna secuencia).

Validación

Para probar su implementación de NNAPI, utilice las pruebas VTS y CTS incluidas en el marco de Android. VTS ejercita sus controladores directamente (sin utilizar el marco), mientras que CTS los ejercita indirectamente a través del marco. Estos prueban cada método 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: de uno en uno (excepto mobilenet_quantized , que está de tres en 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 de NNAPI. Para 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 difusas es encontrar fallas, afirmaciones, violaciones de memoria o comportamientos generales indefinidos 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 difusas 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 que se encuentra en AOSP para incluir el código de su controlador. Para obtener más información sobre las pruebas difusas 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 conductores 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 usan 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 garantiza que la precisión de un controlador no sea peor que la implementación de referencia de la CPU.

Los desarrolladores de plataformas Android también utilizan MLTS para evaluar la latencia y 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 flotante 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 corto plazo (LSTM) para conversión de texto a voz, ejecutado contra un pequeño subconjunto del conjunto CMU Arctic.
  • Modelo acústico basado en LSTM para el reconocimiento automático de voz, ejecutado en un pequeño subconjunto del conjunto de datos LibriSpeech.

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

Pruebas de estrés

Android Machine Learning Test Suite incluye una serie de pruebas de choque para validar la resistencia de los conductores en condiciones de uso intenso o en casos extremos del comportamiento de los clientes.

Todas las pruebas de choque proporcionan 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 por el motivo del fallo CRASH .
  • Detección de fallas del controlador: las pruebas pueden detectar una falla del controlador que causa una falla en una llamada NNAPI. Tenga en cuenta que puede haber fallas en los procesos del controlador que no causan una falla de NNAPI y no causan que la prueba falle. Para cubrir este tipo de falla, se recomienda ejecutar el comando tail en el registro del sistema para errores o fallas relacionadas con el controlador.
  • Orientación a todos los aceleradores disponibles: las pruebas se ejecutan en todos los controladores disponibles.

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

  • SUCCESS : ​​La ejecución se completó sin errores.
  • FAILURE : La ejecución falló. Generalmente causado por 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 las pruebas de choque, consulte platform/test/mlts/benchmark/README.txt .

Utilice MLTS

Para utilizar el 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 del dispositivo de destino si hay más de un dispositivo conectado.

  2. cd en el directorio fuente 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 comparativa, 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

Esta sección describe los cambios introducidos en las versiones HAL de Android y Neural Networks.

androide 11

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

  • Soporte para cuantificación de 8 bits firmados en NNAPI. Agrega el tipo de operando TENSOR_QUANT8_ASYMM_SIGNED . Los controladores con NN HAL 1.3 que admiten operaciones con cuantificación sin signo también deben admitir las variantes con signo 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 los mismos.
  • Compatibilidad con ejecuciones delimitadas donde el marco llama al método IPreparedModel::executeFenced para iniciar una ejecución asincrónica delimitada en un modelo preparado con un vector de delimitaciones de sincronización para esperar. Para obtener más información, consulte Ejecución protegida .
  • 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 esperada para que se prepare un modelo y la cantidad máxima de tiempo esperada para que se complete una ejecución. Para obtener más información, consulte Calidad de servicio .
  • Compatibilidad con dominios de memoria que proporcionan interfaces de asignación para búferes administrados por el controlador. Esto permite pasar memorias nativas del dispositivo entre ejecuciones, suprimiendo la copia y transformación de datos innecesarias entre ejecuciones consecutivas en el mismo controlador. Para obtener más información, consulte Dominios de memoria .

androide 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 el 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 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 ejecutar en ráfaga especifica si el controlador debe medir la duración de la ejecución. Los resultados se informan en la estructura Timing . Ver Cronometraje .
  • Soporte para ejecuciones donde uno o más operandos de salida tienen una dimensión o rango desconocido. Consulte Forma de salida .
  • Soporte para extensiones de proveedores, 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 de un objeto de ráfaga para controlar un conjunto de ejecuciones de ráfaga utilizando colas de mensajes rápidos (FMQ) para comunicarse entre los procesos de la aplicación y el controlador, lo que reduce la latencia. Consulte Ejecuciones en ráfagas y colas de mensajes rápidas .
  • 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 introduce 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 operaciones softmax y 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

androide 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 conservar la batería o ejecutará el modelo en rápidas llamadas sucesivas.
  • 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 usando un rango flotante o precisión de 16 bits configurando Model.relaxComputationFloat32toFloat16 en true . La estructura Capabilities tiene el campo adicional relaxedFloat32toFloat16Performance para que el controlador pueda informar su desempeño relajado al marco.

Android 8.1

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