Neural Networks HAL 1.2 memperkenalkan konsep eksekusi burst. Eksekusi burst adalah urutan eksekusi dari model yang disiapkan sama yang terjadi secara berurutan dengan cepat, seperti yang beroperasi pada bingkai tangkapan kamera atau sampel audio yang berurutan. Objek burst digunakan untuk mengontrol serangkaian eksekusi burst, dan untuk melestarikan sumber daya di antara eksekusi, memungkinkan eksekusi memiliki overhead yang lebih rendah. Objek burst memungkinkan tiga pengoptimalan:
- Sebuah objek burst dibuat sebelum urutan eksekusi, dan dibebaskan ketika urutan telah berakhir. Karena itu, masa pakai objek burst memberi petunjuk kepada pengemudi berapa lama ia harus tetap dalam kondisi performa tinggi.
- Objek burst dapat mempertahankan sumber daya di antara eksekusi. Misalnya, driver dapat memetakan objek memori pada eksekusi pertama dan menyimpan pemetaan di objek burst untuk digunakan kembali dalam eksekusi berikutnya. Semua sumber daya yang di-cache dapat dilepaskan saat objek burst dihancurkan atau saat runtime NNAPI memberi tahu objek burst bahwa sumber daya tidak lagi diperlukan.
- Objek burst menggunakan antrean pesan cepat (FMQ) untuk berkomunikasi antara proses aplikasi dan driver. Ini dapat mengurangi latensi karena FMQ melewati HIDL dan meneruskan data secara langsung ke proses lain melalui FIFO sirkular atom dalam memori bersama. Proses konsumen mengetahui dequeue item dan mulai memproses baik dengan polling jumlah elemen di FIFO atau dengan menunggu flag event FMQ, yang ditandai oleh produsen. Bendera peristiwa ini adalah mutex (futex) userspace cepat.
FMQ adalah struktur data tingkat rendah yang tidak menawarkan jaminan seumur hidup di seluruh proses dan tidak memiliki mekanisme bawaan untuk menentukan apakah proses di ujung lain FMQ berjalan seperti yang diharapkan. Akibatnya, jika produsen FMQ mati, konsumen bisa terjebak menunggu data yang tak kunjung datang. Salah satu solusi untuk masalah ini adalah driver untuk mengaitkan FMQ dengan objek burst tingkat tinggi untuk mendeteksi ketika eksekusi burst telah berakhir.
Karena eksekusi burst beroperasi pada argumen yang sama dan mengembalikan hasil yang sama seperti jalur eksekusi lainnya, FMQ yang mendasarinya harus meneruskan data yang sama ke dan dari driver layanan NNAPI. Namun, FMQ hanya dapat mentransfer tipe data lama biasa. Mentransfer data kompleks dilakukan dengan membuat serial dan deserializing buffer bersarang (tipe vektor) langsung di FMQ, dan menggunakan objek panggilan balik HIDL untuk mentransfer kumpulan memori sesuai permintaan. Sisi produsen FMQ harus mengirim permintaan atau pesan hasil ke konsumen secara atom dengan menggunakan MessageQueue::writeBlocking jika antrian memblokir, atau dengan menggunakan MessageQueue::write jika antrian nonblocking.
Antarmuka meledak
Antarmuka burst untuk Neural Networks HAL ditemukan di hardware/interfaces/neuralnetworks/1.2/ dan dijelaskan di bawah ini. Untuk informasi selengkapnya tentang antarmuka burst di lapisan NDK, lihat frameworks/ml/nn/runtime/include/NeuralNetworks.h .
jenis.hal
types.hal mendefinisikan jenis data yang dikirim melalui FMQ.
-
FmqRequestDatum: Sebuah elemen tunggal dari representasi serial dari objekRequesteksekusi dan nilaiMeasureTiming, yang dikirim melalui antrian pesan cepat. -
FmqResultDatum: Elemen tunggal dari representasi serial dari nilai yang dikembalikan dari eksekusi (ErrorStatus,OutputShapes, danTiming), yang dikembalikan melalui antrian pesan cepat.
IBurstContext.hal
IBurstContext.hal mendefinisikan objek antarmuka HIDL yang hidup dalam layanan Neural Networks.
-
IBurstContext: Objek konteks untuk mengelola sumber daya ledakan.
IBurstCallback.hal
IBurstCallback.hal mendefinisikan objek antarmuka HIDL untuk panggilan balik yang dibuat oleh runtime Neural Networks dan digunakan oleh layanan Neural Networks untuk mengambil objek hidl_memory yang sesuai dengan pengenal slot.
- IBurstCallback : Objek panggilan balik yang digunakan oleh layanan untuk mengambil objek memori.
IpreparedModel.hal
IPreparedModel.hal diperluas di HAL 1.2 dengan metode untuk membuat objek IBurstContext dari model yang disiapkan.
-
configureExecutionBurst: Mengonfigurasi objek burst yang digunakan untuk mengeksekusi beberapa inferensi pada model yang disiapkan secara berurutan.
Mendukung eksekusi burst di driver
Cara paling sederhana untuk mendukung objek burst dalam layanan HIDL NNAPI adalah dengan menggunakan fungsi utilitas burst ::android::nn::ExecutionBurstServer::create , yang ditemukan di ExecutionBurstServer.h dan dikemas dalam pustaka statis libneuralnetworks_common dan libneuralnetworks_util . Fungsi pabrik ini memiliki dua kelebihan:
- Satu kelebihan menerima pointer ke objek
IPreparedModel. Fungsi utilitas ini menggunakan metodeexecuteSynchronouslydalam objekIPreparedModeluntuk mengeksekusi model. - Satu kelebihan menerima objek
IBurstExecutorWithCacheyang dapat disesuaikan, yang dapat digunakan untuk menyimpan sumber daya (seperti pemetaanhidl_memory) yang bertahan di beberapa eksekusi.
Setiap kelebihan mengembalikan objek IBurstContext (yang mewakili objek burst) yang berisi dan mengelola utas pendengar khusus miliknya sendiri. Utas ini menerima permintaan dari requestChannel FMQ, melakukan inferensi, lalu mengembalikan hasilnya melalui resultChannel FMQ. Utas ini dan semua sumber daya lain yang terdapat dalam objek IBurstContext secara otomatis dirilis ketika klien burst kehilangan referensinya ke IBurstContext .
Atau, Anda dapat membuat implementasi IBurstContext Anda sendiri yang memahami cara mengirim dan menerima pesan melalui requestChannel dan resultChannel yang diteruskan ke IPreparedModel::configureExecutionBurst .
Fungsi utilitas burst ditemukan di ExecutionBurstServer.h .
/**
* Create automated context to manage FMQ-based executions.
*
* This function is intended to be used by a service to automatically:
* 1) Receive data from a provided FMQ
* 2) Execute a model with the given information
* 3) Send the result to the created FMQ
*
* @param callback Callback used to retrieve memories corresponding to
* unrecognized slots.
* @param requestChannel Input FMQ channel through which the client passes the
* request to the service.
* @param resultChannel Output FMQ channel from which the client can retrieve
* the result of the execution.
* @param executorWithCache Object which maintains a local cache of the
* memory pools and executes using the cached memory pools.
* @result IBurstContext Handle to the burst context.
*/
static sp<ExecutionBurstServer> create(
const sp<IBurstCallback>& callback, const FmqRequestDescriptor& requestChannel,
const FmqResultDescriptor& resultChannel,
std::shared_ptr<IBurstExecutorWithCache> executorWithCache);
/**
* Create automated context to manage FMQ-based executions.
*
* This function is intended to be used by a service to automatically:
* 1) Receive data from a provided FMQ
* 2) Execute a model with the given information
* 3) Send the result to the created FMQ
*
* @param callback Callback used to retrieve memories corresponding to
* unrecognized slots.
* @param requestChannel Input FMQ channel through which the client passes the
* request to the service.
* @param resultChannel Output FMQ channel from which the client can retrieve
* the result of the execution.
* @param preparedModel PreparedModel that the burst object was created from.
* IPreparedModel::executeSynchronously will be used to perform the
* execution.
* @result IBurstContext Handle to the burst context.
*/
static sp<ExecutionBurstServer> create(const sp<IBurstCallback>& callback,
const FmqRequestDescriptor& requestChannel,
const FmqResultDescriptor& resultChannel,
IPreparedModel* preparedModel);
Berikut ini adalah implementasi referensi dari antarmuka burst yang ditemukan di driver sampel Neural Networks di frameworks/ml/nn/driver/sample/SampleDriver.cpp .
Return<void> SamplePreparedModel::configureExecutionBurst(
const sp<V1_2::IBurstCallback>& callback,
const MQDescriptorSync<V1_2::FmqRequestDatum>& requestChannel,
const MQDescriptorSync<V1_2::FmqResultDatum>& resultChannel,
configureExecutionBurst_cb cb) {
NNTRACE_FULL(NNTRACE_LAYER_DRIVER, NNTRACE_PHASE_EXECUTION,
"SampleDriver::configureExecutionBurst");
// Alternatively, the burst could be configured via:
// const sp<V1_2::IBurstContext> burst =
// ExecutionBurstServer::create(callback, requestChannel,
// resultChannel, this);
//
// However, this alternative representation does not include a memory map
// caching optimization, and adds overhead.
const std::shared_ptr<BurstExecutorWithCache> executorWithCache =
std::make_shared<BurstExecutorWithCache>(mModel, mDriver, mPoolInfos);
const sp<V1_2::IBurstContext> burst = ExecutionBurstServer::create(
callback, requestChannel, resultChannel, executorWithCache);
if (burst == nullptr) {
cb(ErrorStatus::GENERAL_FAILURE, {});
} else {
cb(ErrorStatus::NONE, burst);
}
return Void();
}