使用Ubuntu编译服务器的终端。
指定native工具链路径来编译代码，可以使用DevEco Studio来下载对应的SDK来进行编译。
DevEco Studio安装目录下的SDK路径可以在DevEco Studio工程界面，点击File > Settings... > 在settings中搜索SDK，下载对应的SDK即可。

接口说明

以下为Neural Network Runtime开发流程中的常用接口，具体可见NeuralNetworkRuntime。

结构体

展开

结构体名称	描述
typedef struct OH_NNModel OH_NNModel	Neural Network Runtime的模型句柄，用于构造模型。
typedef struct OH_NNCompilation OH_NNCompilation	Neural Network Runtime的编译器句柄，用于编译AI模型。
typedef struct OH_NNExecutor OH_NNExecutor	Neural Network Runtime的执行器句柄，用于在指定设备上执行推理计算。
typedef struct NN_QuantParam NN_QuantParam	Neural Network Runtime的量化参数句柄，用于在构造模型时指定张量的量化参数。
typedef struct NN_TensorDesc NN_TensorDesc	Neural Network Runtime的张量描述句柄，用于描述张量的各类属性，例如数据布局、数据类型、形状等。
typedef struct NN_Tensor NN_Tensor	Neural Network Runtime的张量句柄，用于设置执行器的推理输入和输出张量。

模型构造接口

展开

接口名称	描述
OH_NNModel_Construct()	创建OH_NNModel类型的模型实例。
OH_NN_ReturnCode OH_NNModel_AddTensorToModel(OH_NNModel model, const NN_TensorDesc tensorDesc)	向模型实例中添加张量。
OH_NN_ReturnCode OH_NNModel_SetTensorData(OH_NNModel model, uint32_t index, const void dataBuffer, size_t length)	设置张量的数值。
OH_NN_ReturnCode OH_NNModel_AddOperation(OH_NNModel model, OH_NN_OperationType op, const OH_NN_UInt32Array paramIndices, const OH_NN_UInt32Array inputIndices, const OH_NN_UInt32Array outputIndices)	向模型实例中添加算子。
OH_NN_ReturnCode OH_NNModel_SpecifyInputsAndOutputs(OH_NNModel model, const OH_NN_UInt32Array inputIndices, const OH_NN_UInt32Array *outputIndices)	指定模型的输入和输出张量的索引值。
OH_NN_ReturnCode OH_NNModel_Finish(OH_NNModel *model)	完成模型构图。
void OH_NNModel_Destroy(OH_NNModel **model)	销毁模型实例。

模型编译接口

展开

接口名称	描述
OH_NNCompilation OH_NNCompilation_Construct(const OH_NNModel model)	基于模型实例创建OH_NNCompilation类型的编译实例。
OH_NNCompilation OH_NNCompilation_ConstructWithOfflineModelFile(const char modelPath)	基于离线模型文件路径创建OH_NNCompilation类型的编译实例。
OH_NNCompilation OH_NNCompilation_ConstructWithOfflineModelBuffer(const void modelBuffer, size_t modelSize)	基于离线模型文件内存创建OH_NNCompilation类型的编译实例。
OH_NNCompilation *OH_NNCompilation_ConstructForCache()	创建一个空的编译实例，以便稍后从模型缓存中恢复。
OH_NN_ReturnCode OH_NNCompilation_ExportCacheToBuffer(OH_NNCompilation compilation, const void buffer, size_t length, size_t *modelSize)	将模型缓存写入到指定内存区域。
OH_NN_ReturnCode OH_NNCompilation_ImportCacheFromBuffer(OH_NNCompilation compilation, const void buffer, size_t modelSize)	从指定内存区域读取模型缓存。
OH_NN_ReturnCode OH_NNCompilation_AddExtensionConfig(OH_NNCompilation compilation, const char configName, const void *configValue, const size_t configValueSize)	为自定义硬件属性添加扩展配置，具体硬件的扩展属性名称和属性值需要从硬件厂商的文档中获取。
OH_NN_ReturnCode OH_NNCompilation_SetDevice(OH_NNCompilation *compilation, size_t deviceID)	指定模型编译和计算的硬件，可通过设备管理接口获取。
OH_NN_ReturnCode OH_NNCompilation_SetCache(OH_NNCompilation compilation, const char cachePath, uint32_t version)	设置编译模型的缓存目录和版本。
OH_NN_ReturnCode OH_NNCompilation_SetPerformanceMode(OH_NNCompilation *compilation, OH_NN_PerformanceMode performanceMode)	设置模型计算的性能模式。
OH_NN_ReturnCode OH_NNCompilation_SetPriority(OH_NNCompilation *compilation, OH_NN_Priority priority)	设置模型计算的优先级。
OH_NN_ReturnCode OH_NNCompilation_EnableFloat16(OH_NNCompilation *compilation, bool enableFloat16)	是否以float16的浮点数精度计算。
OH_NN_ReturnCode OH_NNCompilation_Build(OH_NNCompilation *compilation)	执行模型编译。
void OH_NNCompilation_Destroy(OH_NNCompilation **compilation)	销毁编译实例。

张量描述接口

展开

接口名称	描述
NN_TensorDesc *OH_NNTensorDesc_Create()	创建一个张量描述实例，用于后续创建张量。
OH_NN_ReturnCode OH_NNTensorDesc_SetName(NN_TensorDesc tensorDesc, const char name)	设置张量描述的名称。
OH_NN_ReturnCode OH_NNTensorDesc_GetName(const NN_TensorDesc tensorDesc, const char *name)	获取张量描述的名称。
OH_NN_ReturnCode OH_NNTensorDesc_SetDataType(NN_TensorDesc *tensorDesc, OH_NN_DataType dataType)	设置张量描述的数据类型。
OH_NN_ReturnCode OH_NNTensorDesc_GetDataType(const NN_TensorDesc tensorDesc, OH_NN_DataType dataType)	获取张量描述的数据类型。
OH_NN_ReturnCode OH_NNTensorDesc_SetShape(NN_TensorDesc tensorDesc, const int32_t shape, size_t shapeLength)	设置张量描述的形状。
OH_NN_ReturnCode OH_NNTensorDesc_GetShape(const NN_TensorDesc tensorDesc, int32_t shape, size_t shapeLength)	获取张量描述的形状。
OH_NN_ReturnCode OH_NNTensorDesc_SetFormat(NN_TensorDesc *tensorDesc, OH_NN_Format format)	设置张量描述的数据布局。
OH_NN_ReturnCode OH_NNTensorDesc_GetFormat(const NN_TensorDesc tensorDesc, OH_NN_Format format)	获取张量描述的数据布局。
OH_NN_ReturnCode OH_NNTensorDesc_GetElementCount(const NN_TensorDesc tensorDesc, size_t elementCount)	获取张量描述的元素个数。
OH_NN_ReturnCode OH_NNTensorDesc_GetByteSize(const NN_TensorDesc tensorDesc, size_t byteSize)	获取基于张量描述的形状和数据类型计算的数据占用字节数。
OH_NN_ReturnCode OH_NNTensorDesc_Destroy(NN_TensorDesc **tensorDesc)	销毁张量描述实例。

张量接口

展开

接口名称	描述
NN_Tensor* OH_NNTensor_Create(size_t deviceID, NN_TensorDesc *tensorDesc)	从张量描述创建张量实例，会申请设备共享内存。
NN_Tensor* OH_NNTensor_CreateWithSize(size_t deviceID, NN_TensorDesc *tensorDesc, size_t size)	按照指定内存大小和张量描述创建张量实例，会申请设备共享内存。
NN_Tensor* OH_NNTensor_CreateWithFd(size_t deviceID, NN_TensorDesc *tensorDesc, int fd, size_t size, size_t offset)	按照指定共享内存的文件描述符和张量描述创建张量实例，从而可以复用其他张量的设备共享内存。
NN_TensorDesc* OH_NNTensor_GetTensorDesc(const NN_Tensor *tensor)	获取张量内部的张量描述实例指针，从而可读取张量的属性，例如数据类型、形状等。
void* OH_NNTensor_GetDataBuffer(const NN_Tensor *tensor)	获取张量数据的内存地址，可以读写张量数据。
OH_NN_ReturnCode OH_NNTensor_GetFd(const NN_Tensor tensor, int fd)	获取张量数据所在共享内存的文件描述符，文件描述符fd对应了一块设备共享内存。
OH_NN_ReturnCode OH_NNTensor_GetSize(const NN_Tensor tensor, size_t size)	获取张量数据所在共享内存的大小。
OH_NN_ReturnCode OH_NNTensor_GetOffset(const NN_Tensor tensor, size_t offset)	获取张量数据所在共享内存上的偏移量，张量数据可使用的大小为所在共享内存的大小减去偏移量。
OH_NN_ReturnCode OH_NNTensor_Destroy(NN_Tensor **tensor)	销毁张量实例。

执行推理接口

展开

接口名称	描述
OH_NNExecutor OH_NNExecutor_Construct(OH_NNCompilation compilation)	创建OH_NNExecutor类型的执行器实例。
OH_NN_ReturnCode OH_NNExecutor_GetOutputShape(OH_NNExecutor executor, uint32_t outputIndex, int32_t shape, uint32_t shapeLength)	获取输出张量的维度信息，用于输出张量具有动态形状的情况。
OH_NN_ReturnCode OH_NNExecutor_GetInputCount(const OH_NNExecutor executor, size_t inputCount)	获取输入张量的数量。
OH_NN_ReturnCode OH_NNExecutor_GetOutputCount(const OH_NNExecutor executor, size_t outputCount)	获取输出张量的数量。
NN_TensorDesc* OH_NNExecutor_CreateInputTensorDesc(const OH_NNExecutor *executor, size_t index)	由指定索引值创建一个输入张量的描述，用于读取张量的属性或创建张量实例。
NN_TensorDesc* OH_NNExecutor_CreateOutputTensorDesc(const OH_NNExecutor *executor, size_t index)	由指定索引值创建一个输出张量的描述，用于读取张量的属性或创建张量实例。
OH_NN_ReturnCode OH_NNExecutor_GetInputDimRange(const OH_NNExecutor executor, size_t index, size_t minInputDims, size_t maxInputDims, size_t shapeLength)	获取所有输入张量的维度范围。当输入张量具有动态形状时，不同设备可能支持不同的维度范围。
OH_NN_ReturnCode OH_NNExecutor_SetOnRunDone(OH_NNExecutor *executor, NN_OnRunDone onRunDone)	设置异步推理结束后的回调处理函数，回调函数定义详见接口文档。
OH_NN_ReturnCode OH_NNExecutor_SetOnServiceDied(OH_NNExecutor *executor, NN_OnServiceDied onServiceDied)	设置异步推理执行期间设备驱动服务突然死亡时的回调处理函数，回调函数定义详见接口文档。
OH_NN_ReturnCode OH_NNExecutor_RunSync(OH_NNExecutor executor, NN_Tensor inputTensor[], size_t inputCount, NN_Tensor *outputTensor[], size_t outputCount)	执行同步推理。
OH_NN_ReturnCode OH_NNExecutor_RunAsync(OH_NNExecutor executor, NN_Tensor inputTensor[], size_t inputCount, NN_Tensor outputTensor[], size_t outputCount, int32_t timeout, void userData)	执行异步推理。
void OH_NNExecutor_Destroy(OH_NNExecutor **executor)	销毁执行器实例。

设备管理接口

展开

接口名称	描述
OH_NN_ReturnCode OH_NNDevice_GetAllDevicesID(const size_t *allDevicesID, uint32_t deviceCount)	获取对接到Neural Network Runtime的所有硬件ID。
OH_NN_ReturnCode OH_NNDevice_GetName(size_t deviceID, const char **name)	获取指定硬件的名称。
OH_NN_ReturnCode OH_NNDevice_GetType(size_t deviceID, OH_NN_DeviceType *deviceType)	获取指定硬件的类别信息。

开发步骤

Neural Network Runtime的开发流程主要包含模型构造、模型编译和推理执行三个阶段。以下开发步骤以Add单算子模型为例，介绍调用Neural Network Runtime接口，开发应用的过程。

创建应用样例文件。

首先，创建Neural Network Runtime应用样例的源文件。在项目目录下执行以下命令，创建nnrt_example/目录，并在目录下创建 nnrt_example.cpp 源文件。
收起
自动换行
深色代码主题
复制
```
mkdir ~/nnrt_example && cd ~/nnrt_example
touch nnrt_example.cpp
```
导入Neural Network Runtime。

在 nnrt_example.cpp 文件的开头添加以下代码，引入Neural Network Runtime。
收起
自动换行
深色代码主题
复制
```
#include <iostream>
#include <cstdarg>
#include "neural_network_runtime/neural_network_runtime.h"
```

定义日志打印、设置输入数据、数据打印等辅助函数。

收起
自动换行
深色代码主题
复制
// 返回值检查宏
#define CHECKNEQ(realRet, expectRet, retValue, ...) \
    do { \
        if ((realRet) != (expectRet)) { \
            printf(__VA_ARGS__); \
            return (retValue); \
        } \
    } while (0)

#define CHECKEQ(realRet, expectRet, retValue, ...) \
    do { \
        if ((realRet) == (expectRet)) { \
            printf(__VA_ARGS__); \
            return (retValue); \
        } \
    } while (0)

// 设置输入数据用于推理
OH_NN_ReturnCode SetInputData(NN_Tensor* inputTensor[], size_t inputSize)
{
    OH_NN_DataType dataType(OH_NN_FLOAT32);
    OH_NN_ReturnCode ret{OH_NN_FAILED};
    size_t elementCount = 0;
    for (size_t i = 0; i < inputSize; ++i) {
        // 获取张量的数据内存
        auto data = OH_NNTensor_GetDataBuffer(inputTensor[i]);
        CHECKEQ(data, nullptr, OH_NN_FAILED, "Failed to get data buffer.");
        // 获取张量的描述
        auto desc = OH_NNTensor_GetTensorDesc(inputTensor[i]);
        CHECKEQ(desc, nullptr, OH_NN_FAILED, "Failed to get desc.");
        // 获取张量的数据类型
        ret = OH_NNTensorDesc_GetDataType(desc, &dataType);
        CHECKNEQ(ret, OH_NN_SUCCESS, OH_NN_FAILED, "Failed to get data type.");
        // 获取张量的元素个数
        ret = OH_NNTensorDesc_GetElementCount(desc, &elementCount);
        CHECKNEQ(ret, OH_NN_SUCCESS, OH_NN_FAILED, "Failed to get element count.");
        switch(dataType) {
            case OH_NN_FLOAT32: {
                float* floatValue = reinterpret_cast<float*>(data);
                for (size_t j = 0; j < elementCount; ++j) {
                    floatValue[j] = static_cast<float>(j);
                }
                break;
            }
            case OH_NN_INT32: {
                int* intValue = reinterpret_cast<int*>(data);
                for (size_t j = 0; j < elementCount; ++j) {
                    intValue[j] = static_cast<int>(j);
                }
                break;
            }
            default:
                return OH_NN_FAILED;
        }
    }
    return OH_NN_SUCCESS;
}

OH_NN_ReturnCode Print(NN_Tensor* outputTensor[], size_t outputSize)
{
    OH_NN_DataType dataType(OH_NN_FLOAT32);
    OH_NN_ReturnCode ret{OH_NN_FAILED};
    size_t elementCount = 0;
    for (size_t i = 0; i < outputSize; ++i) {
        auto data = OH_NNTensor_GetDataBuffer(outputTensor[i]);
        CHECKEQ(data, nullptr, OH_NN_FAILED, "Failed to get data buffer.");
        auto desc = OH_NNTensor_GetTensorDesc(outputTensor[i]);
        CHECKEQ(desc, nullptr, OH_NN_FAILED, "Failed to get desc.");
        ret = OH_NNTensorDesc_GetDataType(desc, &dataType);
        CHECKNEQ(ret, OH_NN_SUCCESS, OH_NN_FAILED, "Failed to get data type.");
        ret = OH_NNTensorDesc_GetElementCount(desc, &elementCount);
        CHECKNEQ(ret, OH_NN_SUCCESS, OH_NN_FAILED, "Failed to get element count.");
        switch(dataType) {
            case OH_NN_FLOAT32: {
                float* floatValue = reinterpret_cast<float*>(data);
                for (size_t j = 0; j < elementCount; ++j) {
                    std::cout << "Output index: " << j << ", value is: " << floatValue[j] << "." << std::endl;
                }
                break;
            }
            case OH_NN_INT32: {
                int* intValue = reinterpret_cast<int*>(data);
                for (size_t j = 0; j < elementCount; ++j) {
                    std::cout << "Output index: " << j << ", value is: " << intValue[j] << "." << std::endl;
                }
                break;
            }
            default:
                return OH_NN_FAILED;
        }
    }

    return OH_NN_SUCCESS;
}

构造模型。

使用Neural Network Runtime的模型构造接口，构造Add单算子样例模型。

收起
自动换行
深色代码主题
复制
OH_NN_ReturnCode BuildModel(OH_NNModel** pmodel)
{
    // 创建模型实例model，进行模型构造
    OH_NNModel* model = OH_NNModel_Construct();
    CHECKEQ(model, nullptr, OH_NN_FAILED, "Create model failed.");

    // 添加Add算子的第一个输入张量，类型为float32，张量形状为[1, 2, 2, 3]
    NN_TensorDesc* tensorDesc = OH_NNTensorDesc_Create();
    CHECKEQ(tensorDesc, nullptr, OH_NN_FAILED, "Create TensorDesc failed.");

    int32_t inputDims[4] = {1, 2, 2, 3};
    auto returnCode = OH_NNTensorDesc_SetShape(tensorDesc, inputDims, 4);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc shape failed.");

    returnCode = OH_NNTensorDesc_SetDataType(tensorDesc, OH_NN_FLOAT32);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc data type failed.");

    returnCode = OH_NNTensorDesc_SetFormat(tensorDesc, OH_NN_FORMAT_NONE);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc format failed.");

    returnCode = OH_NNModel_AddTensorToModel(model, tensorDesc);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Add first TensorDesc to model failed.");

    returnCode = OH_NNModel_SetTensorType(model, 0, OH_NN_TENSOR);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set model tensor type failed.");

    // 添加Add算子的第二个输入张量，类型为float32，张量形状为[1, 2, 2, 3]
    tensorDesc = OH_NNTensorDesc_Create();
    CHECKEQ(tensorDesc, nullptr, OH_NN_FAILED, "Create TensorDesc failed.");

    returnCode = OH_NNTensorDesc_SetShape(tensorDesc, inputDims, 4);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc shape failed.");

    returnCode = OH_NNTensorDesc_SetDataType(tensorDesc, OH_NN_FLOAT32);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc data type failed.");

    returnCode = OH_NNTensorDesc_SetFormat(tensorDesc, OH_NN_FORMAT_NONE);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc format failed.");

    returnCode = OH_NNModel_AddTensorToModel(model, tensorDesc);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Add second TensorDesc to model failed.");

    returnCode = OH_NNModel_SetTensorType(model, 1, OH_NN_TENSOR);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set model tensor type failed.");

    // 添加Add算子的参数张量，该参数张量用于指定激活函数的类型，张量的数据类型为int8。
    tensorDesc = OH_NNTensorDesc_Create();
    CHECKEQ(tensorDesc, nullptr, OH_NN_FAILED, "Create TensorDesc failed.");

    int32_t activationDims = 1;
    returnCode = OH_NNTensorDesc_SetShape(tensorDesc, &activationDims, 1);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc shape failed.");

    returnCode = OH_NNTensorDesc_SetDataType(tensorDesc, OH_NN_INT8);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc data type failed.");

    returnCode = OH_NNTensorDesc_SetFormat(tensorDesc, OH_NN_FORMAT_NONE);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc format failed.");

    returnCode = OH_NNModel_AddTensorToModel(model, tensorDesc);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Add second TensorDesc to model failed.");

    returnCode = OH_NNModel_SetTensorType(model, 2, OH_NN_ADD_ACTIVATIONTYPE);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set model tensor type failed.");

    // 将激活函数类型设置为OH_NN_FUSED_NONE，表示该算子不添加激活函数。
    int8_t activationValue = OH_NN_FUSED_NONE;
    returnCode = OH_NNModel_SetTensorData(model, 2, &activationValue, sizeof(int8_t));
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set model tensor data failed.");

    // 设置Add算子的输出张量，类型为float32，张量形状为[1, 2, 2, 3]
    tensorDesc = OH_NNTensorDesc_Create();
    CHECKEQ(tensorDesc, nullptr, OH_NN_FAILED, "Create TensorDesc failed.");

    returnCode = OH_NNTensorDesc_SetShape(tensorDesc, inputDims, 4);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc shape failed.");

    returnCode = OH_NNTensorDesc_SetDataType(tensorDesc, OH_NN_FLOAT32);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc data type failed.");

    returnCode = OH_NNTensorDesc_SetFormat(tensorDesc, OH_NN_FORMAT_NONE);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set TensorDesc format failed.");

    returnCode = OH_NNModel_AddTensorToModel(model, tensorDesc);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Add forth TensorDesc to model failed.");

    returnCode = OH_NNModel_SetTensorType(model, 3, OH_NN_TENSOR);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Set model tensor type failed.");

    // 指定Add算子的输入张量、参数张量和输出张量的索引
    uint32_t inputIndicesValues[2] = {0, 1};
    uint32_t paramIndicesValues = 2;
    uint32_t outputIndicesValues = 3;
    OH_NN_UInt32Array paramIndices = {&paramIndicesValues, 1};
    OH_NN_UInt32Array inputIndices = {inputIndicesValues, 2};
    OH_NN_UInt32Array outputIndices = {&outputIndicesValues, 1};

    // 向模型实例添加Add算子
    returnCode = OH_NNModel_AddOperation(model, OH_NN_OPS_ADD, &paramIndices, &inputIndices, &outputIndices);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Add operation to model failed.");

    // 设置模型实例的输入张量、输出张量的索引
    returnCode = OH_NNModel_SpecifyInputsAndOutputs(model, &inputIndices, &outputIndices);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Specify model inputs and outputs failed.");

    // 完成模型实例的构建
    returnCode = OH_NNModel_Finish(model);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "Build model failed.");

    // 返回模型实例
    *pmodel = model;
    return OH_NN_SUCCESS;
}

查询Neural Network Runtime已经对接的AI加速芯片。

Neural Network Runtime支持通过HDI接口，对接多种AI加速芯片。在执行模型编译前，需要查询当前设备下，Neural Network Runtime已经对接的AI加速芯片。每个AI加速芯片对应唯一的ID值，在编译阶段需要通过设备ID，指定模型编译的芯片。

收起
自动换行
深色代码主题
复制
void GetAvailableDevices(std::vector<size_t>& availableDevice)
{
    availableDevice.clear();

    // 获取可用的硬件ID
    const size_t* devices = nullptr;
    uint32_t deviceCount = 0;
    OH_NN_ReturnCode ret = OH_NNDevice_GetAllDevicesID(&devices, &deviceCount);
    if (ret != OH_NN_SUCCESS) {
        std::cout << "GetAllDevicesID failed, get no available device." << std::endl;
        return;
    }

    for (uint32_t i = 0; i < deviceCount; i++) {
        availableDevice.emplace_back(devices[i]);
    }
}

在指定的设备上编译模型。

Neural Network Runtime使用抽象的模型表达描述AI模型的拓扑结构。在AI加速芯片上执行前，需要通过Neural Network Runtime提供的编译模块来创建编译实例，并由编译实例将抽象的模型表达下发至芯片驱动层，转换成可以直接推理计算的格式，即模型编译。

收起
自动换行
深色代码主题
复制
OH_NN_ReturnCode CreateCompilation(OH_NNModel* model, const std::vector<size_t>& availableDevice,
                                   OH_NNCompilation** pCompilation)
{
    // 创建编译实例compilation，将构图的模型实例或MSLite传下来的模型实例传入
    OH_NNCompilation* compilation = OH_NNCompilation_Construct(model);
    CHECKEQ(compilation, nullptr, OH_NN_FAILED, "OH_NNCore_ConstructCompilationWithNNModel failed.");

    // 设置编译的硬件、缓存路径、性能模式、计算优先级、是否开启float16低精度计算等选项
    // 选择在第一个设备上编译模型
    auto returnCode = OH_NNCompilation_SetDevice(compilation, availableDevice[0]);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNCompilation_SetDevice failed.");

    // 将模型编译结果缓存在/data/local/tmp目录下，版本号指定为1
    returnCode = OH_NNCompilation_SetCache(compilation, "/data/local/tmp", 1);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNCompilation_SetCache failed.");

    // 设置硬件性能模式
    returnCode = OH_NNCompilation_SetPerformanceMode(compilation, OH_NN_PERFORMANCE_EXTREME);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNCompilation_SetPerformanceMode failed.");

    // 设置推理执行优先级
    returnCode = OH_NNCompilation_SetPriority(compilation, OH_NN_PRIORITY_HIGH);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNCompilation_SetPriority failed.");

    // 是否开启FP16计算模式
    returnCode = OH_NNCompilation_EnableFloat16(compilation, false);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNCompilation_EnableFloat16 failed.");

    // 执行模型编译
    returnCode = OH_NNCompilation_Build(compilation);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNCompilation_Build failed.");

    *pCompilation = compilation;
    return OH_NN_SUCCESS;
}

创建执行器。

完成模型编译后，需要调用Neural Network Runtime的执行模块，通过编译实例创建执行器。模型推理阶段中的设置模型输入、触发推理计算以及获取模型输出等操作均需要围绕执行器完成。

收起
自动换行
深色代码主题
复制
OH_NNExecutor* CreateExecutor(OH_NNCompilation* compilation)
{
    // 通过编译实例compilation创建执行器executor
    OH_NNExecutor *executor = OH_NNExecutor_Construct(compilation);
    CHECKEQ(executor, nullptr, nullptr, "OH_NNExecutor_Construct failed.");
    return executor;
}

执行推理计算，并打印推理结果。

通过执行模块提供的接口，将推理计算所需要的输入数据传递给执行器，触发执行器完成一次推理计算，获取模型的推理结果并打印。

收起
自动换行
深色代码主题
复制
OH_NN_ReturnCode Run(OH_NNExecutor* executor, const std::vector<size_t>& availableDevice)
{
    // 从executor获取输入输出信息
    // 获取输入张量的个数
    size_t inputCount = 0;
    auto returnCode = OH_NNExecutor_GetInputCount(executor, &inputCount);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNExecutor_GetInputCount failed.");
    std::vector<NN_TensorDesc*> inputTensorDescs;
    NN_TensorDesc* tensorDescTmp = nullptr;
    for (size_t i = 0; i < inputCount; ++i) {
        // 创建输入张量的描述
        tensorDescTmp = OH_NNExecutor_CreateInputTensorDesc(executor, i);
        CHECKEQ(tensorDescTmp, nullptr, OH_NN_FAILED, "OH_NNExecutor_CreateInputTensorDesc failed.");
        inputTensorDescs.emplace_back(tensorDescTmp);
    }
    // 获取输出张量的个数
    size_t outputCount = 0;
    returnCode = OH_NNExecutor_GetOutputCount(executor, &outputCount);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNExecutor_GetOutputCount failed.");
    std::vector<NN_TensorDesc*> outputTensorDescs;
    for (size_t i = 0; i < outputCount; ++i) {
        // 创建输出张量的描述
        tensorDescTmp = OH_NNExecutor_CreateOutputTensorDesc(executor, i);
        CHECKEQ(tensorDescTmp, nullptr, OH_NN_FAILED, "OH_NNExecutor_CreateOutputTensorDesc failed.");
        outputTensorDescs.emplace_back(tensorDescTmp);
    }

    // 创建输入和输出张量
    NN_Tensor* inputTensors[inputCount];
    NN_Tensor* tensor = nullptr;
    for (size_t i = 0; i < inputCount; ++i) {
        tensor = nullptr;
        tensor = OH_NNTensor_Create(availableDevice[0], inputTensorDescs[i]);
        CHECKEQ(tensor, nullptr, OH_NN_FAILED, "OH_NNTensor_Create failed.");
        inputTensors[i] = tensor;
    }
    NN_Tensor* outputTensors[outputCount];
    for (size_t i = 0; i < outputCount; ++i) {
        tensor = nullptr;
        tensor = OH_NNTensor_Create(availableDevice[0], outputTensorDescs[i]);
        CHECKEQ(tensor, nullptr, OH_NN_FAILED, "OH_NNTensor_Create failed.");
        outputTensors[i] = tensor;
    }

    // 设置输入张量的数据
    returnCode = SetInputData(inputTensors, inputCount);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "SetInputData failed.");

    // 执行推理
    returnCode = OH_NNExecutor_RunSync(executor, inputTensors, inputCount, outputTensors, outputCount);
    CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNExecutor_RunSync failed.");

    // 打印输出张量的数据
    Print(outputTensors, outputCount);

    // 清理输入和输出张量以及张量描述
    for (size_t i = 0; i < inputCount; ++i) {
        returnCode = OH_NNTensor_Destroy(&inputTensors[i]);
        CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNTensor_Destroy failed.");
        returnCode = OH_NNTensorDesc_Destroy(&inputTensorDescs[i]);
        CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNTensorDesc_Destroy failed.");
    }
    for (size_t i = 0; i < outputCount; ++i) {
        returnCode = OH_NNTensor_Destroy(&outputTensors[i]);
        CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNTensor_Destroy failed.");
        returnCode = OH_NNTensorDesc_Destroy(&outputTensorDescs[i]);
        CHECKNEQ(returnCode, OH_NN_SUCCESS, OH_NN_FAILED, "OH_NNTensorDesc_Destroy failed.");
    }

    return OH_NN_SUCCESS;
}

构建端到端模型构造-编译-执行流程。

步骤4-步骤8实现了模型的模型构造、编译和执行流程，并封装成多个函数，便于模块化开发。以下示例代码将串联这些函数，形成一个完整的Neural Network Runtime使用流程。

收起
自动换行
深色代码主题
复制
int main(int argc, char** argv)
{
    OH_NNModel* model = nullptr;
    OH_NNCompilation* compilation = nullptr;
    OH_NNExecutor* executor = nullptr;
    std::vector<size_t> availableDevices;

    // 模型构造
    OH_NN_ReturnCode ret = BuildModel(&model);
    if (ret != OH_NN_SUCCESS) {
        std::cout << "BuildModel failed." << std::endl;
        OH_NNModel_Destroy(&model);
        return -1;
    }

    // 获取可执行的设备
    GetAvailableDevices(availableDevices);
    if (availableDevices.empty()) {
        std::cout << "No available device." << std::endl;
        OH_NNModel_Destroy(&model);
        return -1;
    }

    // 模型编译
    ret = CreateCompilation(model, availableDevices, &compilation);
    if (ret != OH_NN_SUCCESS) {
        std::cout << "CreateCompilation failed." << std::endl;
        OH_NNModel_Destroy(&model);
        OH_NNCompilation_Destroy(&compilation);
        return -1;
    }

    // 销毁模型实例
    OH_NNModel_Destroy(&model);

    // 创建模型的推理执行器
    executor = CreateExecutor(compilation);
    if (executor == nullptr) {
        std::cout << "CreateExecutor failed, no executor is created." << std::endl;
        OH_NNCompilation_Destroy(&compilation);
        return -1;
    }

    // 销毁编译实例
    OH_NNCompilation_Destroy(&compilation);

    // 使用上一步创建的执行器，执行推理计算
    ret = Run(executor, availableDevices);
    if (ret != OH_NN_SUCCESS) {
        std::cout << "Run failed." << std::endl;
        OH_NNExecutor_Destroy(&executor);
        return -1;
    }

    // 销毁执行器实例
    OH_NNExecutor_Destroy(&executor);

    return 0;
}

调测验证

准备应用样例的编译配置文件。

新建一个 CMakeLists.txt 文件，为开发步骤中的应用样例文件 nnrt_example.cpp 添加编译配置。以下提供简单的 CMakeLists.txt 示例：
收起
自动换行
深色代码主题
复制
```
cmake_minimum_required(VERSION 3.16)
project(nnrt_example C CXX)

add_executable(nnrt_example
    ./nnrt_example.cpp
)

target_link_libraries(nnrt_example
    neural_network_runtime
    neural_network_core
)
```
编译应用样例。

执行以下命令，在当前目录下新建build/目录，在build/目录下编译 nnrt_example.cpp，得到二进制文件 nnrt_example。
收起
自动换行
深色代码主题
复制
```
mkdir build && cd build
cmake -DCMAKE_TOOLCHAIN_FILE={交叉编译工具链的路径}/build/cmake/ohos.toolchain.cmake -DOHOS_ARCH=arm64-v8a -DOHOS_PLATFORM=OHOS -DOHOS_STL=c++_static ..
make
```

执行以下代码，将样例推送到设备上执行。

收起
自动换行
深色代码主题
复制
# 将编译得到的 `nnrt_example` 推送到设备上，执行样例。
hdc_std file send ./nnrt_example /data/local/tmp/.
# 给测试用例可执行文件加上权限。
hdc_std shell "chmod +x /data/local/tmp/nnrt_example"
# 执行测试用例
hdc_std shell "/data/local/tmp/nnrt_example"

如果样例执行正常，应该得到以下输出。

收起
自动换行
深色代码主题
复制
Output index: 0, value is: 0.000000.
Output index: 1, value is: 2.000000.
Output index: 2, value is: 4.000000.
Output index: 3, value is: 6.000000.
Output index: 4, value is: 8.000000.
Output index: 5, value is: 10.000000.
Output index: 6, value is: 12.000000.
Output index: 7, value is: 14.000000.
Output index: 8, value is: 16.000000.
Output index: 9, value is: 18.000000.
Output index: 10, value is: 20.000000.
Output index: 11, value is: 22.000000.

检查模型缓存（可选）。

如果在调测环境下，Neural Network Runtime对接的HDI服务支持模型缓存功能，执行完 nnrt_example, 可以在 /data/local/tmp 目录下找到生成的缓存文件。

说明

模型的IR需要传递到硬件驱动层，由HDI服务将统一的IR图，编译成硬件专用的计算图，编译的过程非常耗时。Neural Network Runtime支持计算图缓存的特性，可以将HDI服务编译生成的计算图，缓存到设备存储中。当下一次在同一个加速芯片上编译同一个模型时，通过指定缓存的路径，Neural Network Runtime可以直接加载缓存文件中的计算图，减少编译消耗的时间。

检查缓存目录下的缓存文件：
收起
自动换行
深色代码主题
复制
```
ls /data/local/tmp
```
以下为打印结果：
收起
自动换行
深色代码主题
复制
```
# 0.nncache 1.nncache 2.nncache cache_info.nncache
```
如果缓存不再使用，需要手动删除缓存，可以参考以下命令，删除缓存文件。
收起
自动换行
深色代码主题
复制
```
rm /data/local/tmp/*nncache
```

Neural Network Runtime Kit简介

Neural Network Runtime Kit术语

意见反馈

以上内容对您是否有帮助？

意见反馈

如果您有其他疑问，您也可以通过开发者社区问答频道来和我们联系探讨。

社区提问 AI 助手提问