爆發執行作業和快速訊息佇列

Neural Networks HAL 1.2 引入了「突發執行」的概念。爆發執行作業是針對同一準備好的模型，快速連續進行的一系列執行作業，例如執行相機所拍攝的影格或連續音訊取樣。爆發物件可用於控制一組爆發執行作業 保留執行作業之間的資源，讓執行作業能減少 同時免除不必要的負擔爆發物件支援三種最佳化功能：

  1. 爆發物件會在一系列執行作業之前建立，並在序列結束時釋放。因此，Burst 物件的生命週期會向驅動程式提示，該物件應以高效能狀態運作多久。
  2. 爆發物件可在執行作業之間保留資源。舉例來說，驅動程式可以在第一次執行時對應記憶體物件，並在爆發物件中快取對應項目，以便在後續執行作業中重複使用。任何快取的資源 等到爆發物件刪除或 NNAPI 後 執行階段會通知爆發物件，說明不再需要資源。
  3. 爆發物件會使用 快速訊息佇列 (FMQ) 以在應用程式和驅動程式程序之間進行通訊。這麼做可以減少延遲，因為 FMQ 會略過 HIDL，並透過共用記憶體中的原子循環 FIFO 將資料直接傳遞至另一個程序。消費者程序會知道要從佇列中移除項目，並開始處理，方法是輪詢 FIFO 中的元素數量，或是等待 FMQ 的事件標記，由生產者發出信號。這個事件旗標是快速的使用者空間互斥 (futex)。

FMQ 是低階資料結構，不會在各個程序之間提供生命週期保證，也沒有內建機制可判斷 FMQ 另一端的程序是否正常執行。因此，如果 FMQ 的生產端停止運作，取用端可能會一直等待永遠不會傳送的資料。一 此問題的解決方法，是駕駛人將 FMQ 與 來偵測爆發執行何時結束。

因為爆發執行作業會在相同的引數上運作 與其他執行路徑一樣，基礎 FMQ 必須將相同的資料傳送至 以及依據 NNAPI 服務驅動程式不過，FMQ 只能轉 純粹的資料型別傳輸複雜資料的方式，是直接在 FMQ 中序列化和反序列化巢狀緩衝區 (向量類型)，並使用 HIDL 回呼物件視需求傳輸記憶體集區句柄。製作人 FMQ 最終必須將要求或結果訊息傳送給用戶端 如果佇列為封鎖狀態，則使用 MessageQueue::writeBlocking，或者 如果佇列為非阻斷式，請使用 MessageQueue::write。

爆發介面

神經網路 HAL 的突發介面位於 hardware/interfaces/neuralnetworks/1.2/ 中，並在下文中加以說明。請參閱 NDK 中爆發介面的詳細資訊 圖層，請參閱 frameworks/ml/nn/runtime/include/NeuralNetworks.h。

types.hal

types.hal 定義 FMQ 所傳送的資料類型。

  • FmqRequestDatum: 執行 Request 序列化表示法的單一元素 物件和 MeasureTiming 值，可在快速訊息中傳送 佇列。
  • FmqResultDatum：執行作業 (ErrorStatus、OutputShapes 和 Timing) 傳回值的序列化表示法單一元素，透過快速訊息佇列傳回。

IBurstContext.hal

IBurstContext.hal 會定義位於類神經網路服務中的 HIDL 介面物件。

IBurstCallback.hal

IBurstCallback.hal 會為類神經網路執行階段建立的回呼定義 HIDL 介面物件，並由類神經網路服務用來擷取與插槽 ID 相對應的 hidl_memory 物件。

  • IBurstCallback：服務用來擷取記憶體物件的回呼物件。

IPreparedModel.hal

IPreparedModel.hal 已在 HAL 1.2 中擴充，並提供從IBurstContext 預先準備的模型

  • configureExecutionBurst: 設定爆發物件，用來對準備的多個推論執行多項推論 快速連續執行模型

支援在驅動程式中執行爆發作業

在 HIDL NNAPI 服務中支援突發事件物件的最簡單方法，就是使用突發事件公用程式函式 ::android::nn::ExecutionBurstServer::create，這個函式位於 ExecutionBurstServer.h 中，並且已封裝在 libneuralnetworks_common 和 libneuralnetworks_util 靜態程式庫中。這個工廠函式有兩個超載：

  • 其中一個超載接受指向 IPreparedModel 物件的指標。這個 公用函式會使用 executeSynchronously 方法， IPreparedModel 物件來執行模型。
  • 其中一個超載方法會接受可自訂的 IBurstExecutorWithCache 物件，可用於快取在多個執行作業中持續存在的資源 (例如 hidl_memory 對應)。

每個超載都會傳回 IBurstContext 物件 (代表 burst 物件)，該物件會包含及管理專屬的事件監聽器執行緒。這個對話串 接收來自「requestChannel」FMQ 的要求，執行推論，然後 會透過 resultChannel FMQ 傳回結果。當 burst 的用戶端失去對 IBurstContext 的參照時，這個執行緒和 IBurstContext 物件中的所有其他資源都會自動釋出。

或者，您也可以自行建立 IBurstContext 實作，並將 知道如何透過 requestChannel 收發訊息，並且 resultChannel 個 FMQ 已傳送給 IPreparedModel::configureExecutionBurst。

爆發公用程式函式位於 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);

以下是在 類神經網路範例驅動程式 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();
}