编程语言
首页 > 编程语言> > 深度学习框架集成平台C++ Guide指南

深度学习框架集成平台C++ Guide指南

作者:互联网

深度学习框架集成平台C++ Guide指南

这个指南详细地介绍了神经网络C++的API,并介绍了许多不同的方法来处理模型。

提示

所有框架运行时接口都是相同的,因此本指南适用于所有受支持框架(包括TensorFlow、PyTorch、Keras和TorchScript)中的模型。

导入神经网络

最简单的导入方法如下:

#include "neuropod/neuropod.hh"

Neuropod neuropod(PATH_TO_MY_MODEL);

其中PATH_TO_MY_MODEL是使用其中一个打包程序导出的模型的路径。

选项             

您还可以在加载模型时提供运行时选项。             

要选择运行模型的设备,可以指定“visible_device”选项:

neuropod::RuntimeOptions opts;

// Set the visible device to the first GPU

opts.visible_device = Device::GPU0;

Neuropod neuropod(PATH_TO_MY_MODEL, opts);

默认为GPU0。如果没有可用的GPU,将尝试退回到CPU。             

设置opts.visible_device = Device::CPU将强制模型在CPU上运行。

获取模型的输入和输出             

要获取模型的输入和输出,可以执行以下操作:

Neuropod neuropod(PATH_TO_MY_MODEL);

// Both of these are `std::vector<TensorSpec>`

const auto &inputs  = neuropod.get_inputs();

const auto &outputs = neuropod.get_outputs();

for (const auto &item : inputs)

{

    // A `TensorSpec` is a struct with a `name`, `dims` and `type`

    std::cout << "Tensor name: " << item.name << std::endl;

}

Tensor张量类型             

支持以下Tensor张量类型:

·       float

·       double

·       string

·       int8

·       int16

·       int32

·       int64

·       uint8

·       uint16

·       uint32

·       uint64

提示

PyTorch或TorchScript不支持uint16、uint32和uint64。请参阅PyTorch文档中支持的类型列表。

TorchScript不支持字符串Tensor张量,因此我们将它们表示为字符串列表。因此,TorchScript-Neuropod模型只支持一维字符串“Tensor张量”。请参见此处的用法示例。

创建Tensor张量

提示

有关最适合您的用例的方法的指南,请参见高效张量创建页面。

有很多不同的方法来创建神经网络Tensor张量,但是所有的方法都是从分配器开始的。             

要获取加载模型的分配器,可以执行以下操作:

Neuropod neuropod(PATH_TO_MY_MODEL);

auto allocator = neuropod.get_tensor_allocator();

对于未加载模型的场景(例如单元测试),可以使用通用张量分配器:

#include "neuropod/core/generic_tensor.hh"

auto allocator = neuropod::get_generic_tensor_allocator();

分配新内存             

为此,我们只需要我们想要分配的张量的维数和类型。

auto tensor = allocator->allocate_tensor<float>({1, 2, 3});

也可以在不使用模板函数的情况下手动指定类型

auto tensor = allocator->allocate_tensor({1, 2, 3}, neuropod::FLOAT_TENSOR);

要对这些张量做一些有用的事情,请参阅下面的“与张量的交互”部分。             

从现有内存             

提供了一种包装现有记忆并以零拷贝方式使用它的方法。             

要做到这一点,需要四件事:             

要创建的张量的维数             

要创建的张量类型             

指向要包装的数据的指针             

注意:这应该是64字节对齐的             

deleter函数             

使用此数据完成底层库后,将调用此deleter函数。在调用此函数之前,释放数据是不安全的。             

传递正确的删除程序以确保内存不会过早释放,这一点非常重要。下面是一些例子。

cv::Mat

cv::Mat image = ... // An image from somewhere

auto tensor = allocator->tensor_from_memory<uint8_t>(

    // Dimensions

    {1, image.rows, image.cols, image.channels()},

 

    // Data

    image.data,

 

    // Deleter

    [image](void * unused) {

        // By capturing `image` in this deleter, we ensure

        // that the underlying data does not get deallocated

        // before we're done with the tensor.

    }

);

提示

也可以在不使用模板函数的情况下指定类型

cv::Mat image = ... // An image from somewhere

auto tensor = allocator->tensor_from_memory(

    // Dimensions

    {1, image.rows, image.cols, image.channels()},

 

    // Tensor Type

    get_tensor_type_from_cv_mat(image),

 

    // Data

    image.data,

 

    // Deleter

    [image](void * unused) {}

);

将来的版本中将添加用于包装来自公共库的类型的实用程序。

特征Eigen

#include "neuropod/conversions/eigen.hh"

auto tensor = allocator->allocate_tensor<float>({1, 2, 3});

// Returns an `Eigen::Map`

auto eigen_map = neuropod::as_eigen(*tensor);

提示

如果您不使用eign的特性,只需要简单的元素接入,请使用接入设备。

工厂函数             

这些函数对于创建测试数据非常有用。             

0             

返回T类型的张量,input_dims输入为0。

auto zeros = allocator->zeros<T>(input_dims);

1             

返回T类型的张量和input_dims输入为1。

auto ones = allocator->ones<T>(input_dims);

full满的             

返回T类型的张量和输入input_dims = fill_value。

auto full = allocator->full<T>(input_dims, fill_value);

随机数randn             

返回一个T型张量和形状输入维度,用正态分布中的随机数填充,平均值和标准偏差为stddev。

auto full = allocator->randn<T>(input_dims, mean = 0, stddev = 1);

序列分配

返回T类型的1D张量,其中包含从步长为步长的开始处开始的一系列数字。

auto range1 = allocator->arange<T>(end);

auto range2 = allocator->arange<T>(start, end, step = 1);

示例:

// 0, 1, 2, 3, 4

auto range1 = allocator->arange<float>(5);

// 2, 3, 4, 5

auto range2 = allocator->arange<float>(2, 6);

// 0, 2, 4, 6, 8

auto range3 = allocator->arange<float>(0, 10, 2);

关注eye

返回T类型和形状(M,N)的标识矩阵。这个矩阵的对角线上为1,其余元素都有0。

auto eye1 = allocator->eye<T>(M, N);

示例:

// 1, 0, 0, 0,

// 0, 1, 0, 0,

// 0, 0, 1, 0,

// 0, 0, 0, 1

auto eye1 = allocator->eye<float>(4, 4);

// 1, 0, 0, 0, 0, 0, 0,

// 0, 1, 0, 0, 0, 0, 0,

// 0, 0, 1, 0, 0, 0, 0

auto eye2 = allocator->eye<float>(3, 7);

与张量相互作用             

本节将介绍与现有张量交互的各种方式。             

张量类型             

神经网络集成软件有几种不同的表示张力的方法:神经网络集成软件值、神经网络集成软件张力和类型的神经网络集成软件张力<T>             

神经网络值value是基类型,表示库可以存储和传递的任何值。             

神经网络张量tensor是一个神经odvalue,它是一个张量。这将添加元数据功能(维度、类型、num元素等),但不允许数据访问。             

dneuropodtensor<T>是一种特殊类型的神经网络张量tensor。此层次结构级别添加类型安全数据访问。             

这就是类层次结构的表示:

要从neuromodvalue转换为neuromodtensor,可以使用as_tensor()。

auto my_value = ...

auto my_tensor = my_value->as_tensor();

要从一个NeuropodValue或NeuropodTensor转换为一个特定类型的TypedNeuropodTensor,可以使用as_typed_tensor<T>)。这将对请求的类型进行类型检查,如果请求的类型与张量的实际类型不匹配,则抛出错误。

auto my_value = ...

auto my_float_tensor = my_value->as_typed_tensor<float>();

// This will throw an error

auto my_uint_tensor = my_value->as_typed_tensor<uint8_t>();

下面的部分将介绍更多的用法和示例。

提示

大多数用例不需要使用这些方法(因为工厂和模板分配器已经返回TypedNeuropodTensors)。

通常,数据访问需要一个TypedNeuropodTensor<T>类型,而元数据访问至少需要一个NeuropodTensor。

将数据copy到Tensor张量

Requires TypedNeuropodTensor<T>

如果要复制数据(并且无法使用上面的tensor_from_memory API包装数据),可以执行以下操作:

float * my_data = ...;

size_t num_elements = ...;

tensor->copy_from(my_data, num_elements);

可用向量vectorcopy数据

std::vector<float> my_data;

tensor->copy_from(my_data);

直接设置/获取数据

Requires TypedNeuropodTensor<T>

您可以使用访问器接口来实现这一点,该接口与PyTorch的访问器接口非常相似。

auto tensor = allocator->allocate_tensor<float>({6, 6});

// 2 is the number of dimensions of this tensor

auto accessor = tensor->accessor<2>();

accessor[5][3] = 1.0;

基于范围的for循环也适用于访问器:

auto tensor = allocator->allocate_tensor<float>({3, 5});

// 2 is the number of dimensions of this tensor

auto accessor = tensor->accessor<2>();

for (const auto &row : accessor)

{

    for (const auto &item : row)

    {

        // Do something

    }

}

张量Tensor字符示例:

auto tensor = allocator->allocate_tensor<std::string>({3, 5});

// 2 is the number of dimensions of this tensor

auto accessor = tensor->accessor<2>();

for (int i = 0; i < 3; i++)

{

    for (int j = 0; j < 5; j++)

    {

        accessor[i][j] = std::to_string(i * 5 + j);

    }

}

使用访问器的单个元素访问非常高效,与优化生成期间的原始指针操作相当。

提示

有关最适合您的用例的方法的指南,请参见高效张量创建页面。使用

获取张量Tensor维数

Requires NeuropodTensor

const auto &dims = tensor->get_dims();

获取张量Tensor中元素数目

Requires NeuropodTensor

auto num_elements = tensor->get_num_elements();

获取张量Tensor类型

Requires NeuropodTensor

auto tensor_type = tensor->get_tensor_type();

获取指向基础数据的原始指针

Requires TypedNeuropodTensor<T>

auto data = tensor->get_raw_data_ptr();

提示

此方法不适用于字符串张量。改用访问器。

获取向量vector的数据

Requires TypedNeuropodTensor<T>

auto data = tensor->get_data_as_vector();

warning

此方法执行复制。

推论            

基本推断方法如下:

std::unique_ptr<NeuropodValueMap> infer(const NeuropodValueMap &inputs);

neuromodvaluemap只是从std::stringstd::shared_ptr<NeuropodValue>             

与它的交互等同于与std::unordered_map的交互。

示例

// Get an allocator

auto alloctor = neuropod.get_tensor_allocator();

// Create some tensors

auto x = allocator->randn<float>({5, 5});

auto y = allocator->ones<float>({5, 5});

// Run inference

const auto output_data = neuropod.infer({

    {"x", x},

    {"y", y}

});

// Get the outputs

auto z = output_data->at("z")->as_typed_tensor<float>();

还可以通过提供请求的输出列表来获取模型输出的子集:

std::unique_ptr<NeuropodValueMap> infer(const NeuropodValueMap &inputs, const std:: vector<std::string> requested_outputs);

例如,如果要返回仅包含张量“z”的映射,可以执行以下操作:

const auto output_data = neuropod.infer(input_data, {"z"});

序列化             

所有内置的神经网络Value类型都是可序列化的。此外,NeuropodValueMap也是可序列化的。

// A stream to serialize to. Any ostream is allowed, but we use a

// stringstream in this example

std::stringstream ss;

neuropod::NeuropodValueMap data = ...;

neuropod::serialize(my_stream, data);

同样,反序列化也同样容易。

auto deserialized = neuropod::deserialize<neuropod::NeuropodValueMap>(ss, allocator);

提示

序列化和反序列化工作在Python和C++之间。有关更多信息,请参见Python绑定文档。

Warning

这个API的目标是支持临时序列化。不能保证向后兼容,因此此API不应用于数据的长期存储。

 

 

 

 

 

 

 

 

 

标签:指南,tensor,auto,张量,C++,neuropod,data,Guide,allocator
来源: https://www.cnblogs.com/wujianming-110117/p/13130984.html