Deep Learning部署TVM Golang运行时Runtime
介绍
TVM是一个开放式深度学习编译器堆栈，用于编译从不同框架到CPU，GPU或专用加速器的各种深度学习模型。TVM支持来自Tensorflow，Onnx，Keras，Mxnet，Darknet，CoreML和Caffe2等各种前端的模型编译。TVM编译模块可以部署在LLVM（Javascript或WASM，AMD GPU，ARM或X86），NVidia GPU（CUDA），OpenCL和Metal等后端上。
TVM支持编程语言（如Javascript，Java，Python，C ++…）以及现在的Golang的运行时绑定。通过广泛的前端，后端和运行时绑定，TVM使开发人员可以通过多种编程语言，将深度学习模型从各种框架集成和部署到各种硬件，并进行部署。
TVM导入和编译过程会生成一个图JSON，一个模块module和一个参数。集成TVM运行时的任何应用程序，都可以加载这些编译的模块并执行推理。可以找到有关使用TVM进行模块导入和编译的详细教程。
TVM现在支持通过Golang部署已编译的模块。Golang应用程序可以利用它通过TVM部署深度学习模型。本文的内容包括gotvm软件包的介绍，软件包的构建过程以及gotvm用于加载已编译模块并进行推理的示例应用程序。
Package
golang软件包gotvm建立在TVM的C运行时接口之上。该软件包中的API提取了本机C类型并提供了与Golang兼容的类型。软件包源可以在gotvm上找到。
该软件包利用golang的接口，切片，函数闭包，并隐式处理API调用之间的必要转换。
TVM运行时上的Golang接口
如何开发
如下图所示，gotvmgolang应用程序可以集成来自各种框架的深度学习模型，而无需了解每个框架相关的接口API。开发人员可以利用TVM导入和编译深度学习模型并生成TVM工件。 gotvm软件包提供了golang友好的API来加载，配置，提供输入和获取输出。
Import, Compile, Integrate and Deploy
TVM编译深度学习模型教程可用于从TVM前端支持的所有框架中编译模型。该编译过程生成了将模型集成并部署到目标上所需的组件工具。
API
gotvm软件包提供了一些数据类型和API函数，用于从golang应用程序初始化，加载和推断。像任何其他golang包一样，我们只需要在gotvm此处导入包即可。
- 模块：模块API可用于将TVM编译的模块加载到TVM运行时并访问任何功能。
- 值：Value API提供了一些辅助函数，用于设置golang类型（例如基本类型或切片）中的参数或获取返回值。
- Function：Function API对于获取函数的句柄并调用它们很有用。
- Array：Array API可用于通过golang slice设置和获取Tensor数据。
- 上下文：上下文API包含用于构建后端上下文句柄的帮助程序函数。
Example
下面显示了一个简单的示例，其中包含内联文档，其中包含加载已编译模块并执行推理的过程。为简单起见，这里忽略了错误处理，但在实际应用中很重要。
package main
// Import compiled gotvm package.
import (
"./gotvm"
)
// Some constants for TVM compiled model paths.
// modLib : Is the compiled library exported out of compilation.
// modJson : TVM graph JSON.
// modParams : Exported params out of TVM compilation process.
const (
modLib = "./libdeploy.so"
modJSON = "./deploy.json"
modParams = "./deploy.params"
)
// main
func main() {
// Some util API to query underlying TVM and DLPack version information.
fmt.Printf("TVM Version : v%v ", gotvm.TVMVersion)
fmt.Printf("DLPACK Version: v%v ", gotvm.DLPackVersion)
// Import tvm module (so).
modp, _ := gotvm.LoadModuleFromFile(modLib)
// Load module on tvm runtime - call tvm.graph_runtime.create
// with module and graph JSON.
bytes, _ := ioutil.ReadFile(modJSON)
jsonStr := string(bytes)
funp, _ := gotvm.GetGlobalFunction("tvm.graph_runtime.create")
graphrt, _ := funp.Invoke(jsonStr, modp, (int64)(gotvm.KDLCPU), (int64)(0))
graphmod := graphrt.AsModule()
// Allocate input & output arrays and fill some data for input.
tshapeIn := []int64{1, 224, 224, 3}
tshapeOut := []int64{1, 1001}
inX, _ := gotvm.Empty(tshapeIn, "float32", gotvm.CPU(0))
out, _ := gotvm.Empty(tshapeOut)
inSlice := make([]float32, (244 * 244 * 3))
rand.Seed(10)
rand.Shuffle(len(inSlice), func(i, j int) {inSlice[i],
inSlice[j] = rand.Float32(),
rand.Float32() })
inX.CopyFrom(inSlice)
// Load params
bytes, _ = ioutil.ReadFile(modParams)
funp, _ = graphmod.GetFunction("load_params")
funp.Invoke(bytes)
// Set module input
funp, _ = graphmod.GetFunction("set_input")
funp.Invoke("input", inX)
// Run or Execute the graph
funp, _ = graphmod.GetFunction("run")
funp.Invoke()
// Get output from runtime.
funp, _ = graphmod.GetFunction("get_output")
funp.Invoke(int64(0), out)
// Access output tensor data.
outIntf, _ := out.AsSlice()
outSlice := outIntf.([]float32)
// outSlice here holds flattened output data as a golang slice.
}
gotvm扩展了TVM打包函数系统，以支持golang函数闭包作为打包函数。 可以使用示例将golang闭包注册为TVM打包函数，并跨编程语言障碍调用相同的示例。