Diese Seite wurde von der Cloud Translation API übersetzt.

Burst-Ausführungen und schnelle Nachrichtenwarteschlangen

In Neural Networks HAL 1.2 wird das Konzept der Burst-Ausführungen eingeführt. Burst-Ausführungen sind Abfolgen von Ausführungen desselben vorbereiteten Modells, die in schneller Abfolge erfolgen, z. B. bei Bildern von Kameraaufnahmen oder aufeinanderfolgenden Audioinhalten. Mit einem Burst-Objekt können Sie eine Reihe von Burst-Ausführungen steuern und Ressourcen zwischen den Ausführungen beibehalten, wodurch die Ausführung einen geringeren Overhead hat. Mit Burst-Objekten sind drei Optimierungen möglich:

Ein Burst-Objekt wird vor einer Sequenz von Ausführungen erstellt und freigegeben, wenn die Sequenz beendet ist. Aus diesem Grund weist die Lebensdauer des Burst-Objekts einem Treiber darauf hin, wie lange es in einem Hochleistungszustand bleiben soll.
Mit einem Burst-Objekt können Ressourcen zwischen Ausführungen beibehalten werden. Ein Treiber kann beispielsweise bei der ersten Ausführung ein Speicherobjekt zuordnen und die Zuordnung im Burst-Objekt zur Wiederverwendung in nachfolgenden Ausführungen zwischenspeichern. Alle im Cache gespeicherten Ressourcen können freigegeben werden, wenn das Burst-Objekt zerstört wird oder die NNAPI-Laufzeit das Burst-Objekt darüber informiert, dass die Ressource nicht mehr benötigt wird.
Ein Burst-Objekt verwendet schnelle Nachrichtenwarteschlangen (Fast Message Queues, FMQs), um zwischen App- und Treiberprozessen zu kommunizieren. Dies kann die Latenz verringern, da die FMQ HIDL umgeht und Daten direkt über einen atomaren zyklischen FIFO im gemeinsamen Speicher an einen anderen Prozess weitergibt. Der Verbraucherprozess weiß, dass er ein Element aus der Warteschlange entfernen und mit der Verarbeitung beginnen muss, indem er entweder die Anzahl der Elemente in der FIFO abfragt oder auf das Ereignisflag der FMQ wartet, das vom Erzeuger signalisiert wird. Dieses Ereignisflag ist ein schneller Mutex im Userspace (futex).

Eine FMQ ist eine Low-Level-Datenstruktur, die keine Lebensdauergarantien für alle Prozesse bietet und keinen integrierten Mechanismus hat, um festzustellen, ob der Prozess am anderen Ende der FMQ wie erwartet ausgeführt wird. Wenn also der Ersteller der FMQ abstürzt, wartet der Nutzer möglicherweise auf Daten, die nie ankommen. Eine Lösung für dieses Problem besteht darin, dass der Treiber FMQs mit dem Burst-Objekt auf höherer Ebene verknüpft, um zu erkennen, wann die Burst-Ausführung beendet ist.

Da Burst-Ausführungen mit denselben Argumenten arbeiten und dieselben Ergebnisse wie andere Ausführungspfade zurückgeben, müssen die zugrunde liegenden FMQs dieselben Daten an und von den NNAPI-Diensttreibern übergeben. FMQs können jedoch nur alte Datentypen übertragen. Zum Übertragen komplexer Daten werden verschachtelte Zwischenspeicher (Vektortypen) direkt in den FMQs serialisiert und deserialisiert. Außerdem werden HIDL-Callback-Objekte verwendet, um Arbeitsspeicherpool-Handles bei Bedarf zu übertragen. Die Erstellerseite des FMQ muss die Anfrage oder Ergebnisnachrichten in kleinstmöglichen Schritten an den Nutzer senden. Dazu wird MessageQueue::writeBlocking verwendet, wenn die Warteschlange blockiert, oder MessageQueue::write, wenn die Warteschlange nicht blockiert ist.

Burst-Benutzeroberflächen

Die Burst-Schnittstellen für das HAL neuronaler Netzwerke befinden sich in hardware/interfaces/neuralnetworks/1.2/ und werden unten beschrieben. Weitere Informationen zu Burst-Schnittstellen in der NDK-Ebene finden Sie unter frameworks/ml/nn/runtime/include/NeuralNetworks.h.

Typen.hal

types.hal definiert den Datentyp, der über den FMQ gesendet wird.

FmqRequestDatum: Ein einzelnes Element einer serialisierten Darstellung eines Request-Objekts für die Ausführung und ein MeasureTiming-Wert, der über die schnelle Nachrichtenwarteschlange gesendet wird.
FmqResultDatum: Ein einzelnes Element einer serialisierten Darstellung der von einer Ausführung zurückgegebenen Werte (ErrorStatus, OutputShapes und Timing), die über die schnelle Nachrichtenwarteschlange zurückgegeben wird.

IBurstContext.hal

IBurstContext.hal definiert das HIDL-Schnittstellenobjekt im Dienst für neuronale Netzwerke.

IBurstContext: Kontextobjekt zum Verwalten der Ressourcen eines Bursts.

iBurstCallback.hal

IBurstCallback.hal definiert das HIDL-Schnittstellenobjekt für einen Callback, der von der Laufzeit der neuronalen Netzwerke erstellt wurde. Es wird vom Dienst für neuronale Netzwerke verwendet, um hidl_memory-Objekte abzurufen, die Slot-IDs entsprechen.

IBurstCallback: Callback-Objekt, das von einem Dienst zum Abrufen von Speicherobjekten verwendet wird.

iPreparedModel.hal

IPreparedModel.hal wird in HAL 1.2 um eine Methode zum Erstellen eines IBurstContext-Objekts aus einem vorbereiteten Modell erweitert.

configureExecutionBurst: Konfiguriert ein Burst-Objekt, das zum Ausführen mehrerer Inferenzen in einem vorbereiteten Modell in schneller Abfolge verwendet wird.

Unterstützung für Burst-Ausführungen in einem Treiber

Die einfachste Möglichkeit, Burst-Objekte in einem HIDL NNAPI-Dienst zu unterstützen, ist die Verwendung der Burst-Hilfsfunktion ::android::nn::ExecutionBurstServer::create, die in ExecutionBurstServer.h enthalten und in den statischen Bibliotheken libneuralnetworks_common und libneuralnetworks_util verpackt ist. Diese Factory-Funktion hat zwei Überlastungen:

Für die Überlastung kann ein Zeiger auf ein IPreparedModel-Objekt verwendet werden. Diese Dienstfunktion verwendet die Methode executeSynchronously in einem IPreparedModel-Objekt, um das Modell auszuführen.
Eine Überladung akzeptiert ein anpassbares IBurstExecutorWithCache-Objekt, mit dem Ressourcen (z. B. hidl_memory-Zuordnungen) im Cache gespeichert werden können, die über mehrere Ausführungen hinweg bestehen bleiben.

Jede Überladung gibt ein IBurstContext-Objekt zurück (das das Burst-Objekt darstellt), das einen eigenen Listener-Thread enthält und verwaltet. Dieser Thread empfängt Anfragen vom FMQ requestChannel, führt die Inferenz durch und gibt die Ergebnisse dann über den FMQ resultChannel zurück. Dieser Thread und alle anderen Ressourcen im Objekt IBurstContext werden automatisch freigegeben, wenn der Client des Bursts seinen Verweis auf IBurstContext verliert.

Alternativ können Sie Ihre eigene Implementierung von IBurstContext erstellen, die versteht, wie Nachrichten über die an IPreparedModel::configureExecutionBurst übergebenen FMQs requestChannel und resultChannel gesendet und empfangen werden.

Die Burst-Hilfsfunktionen finden Sie unter 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);

Im Folgenden finden Sie eine Referenzimplementierung einer Burst-Schnittstelle, die im Beispieltreiber für neuronale Netzwerke unter frameworks/ml/nn/driver/sample/SampleDriver.cpp zu finden ist.

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();
}