# 前言

本篇通过流程脑图和代码介绍 Tengine 推理引擎的推理流程。本篇是第一部分。Tengine 工程地址。

作为初学者，错误在所难免，还望不吝赐教。

# 介绍

Tengine 由 OPEN AI LAB 主导开发，该项目实现了深度学习神经网络模型在嵌入式设备上的快速、高效部署需求。为实现在众多 AIoT 应用中的跨平台部署，该项目使用 C 语言进行核心模块开发，针对嵌入式设备资源有限的特点进行了深度框架裁剪。同时采用了完全分离的前后端设计，有利于 CPU、GPU、NPU 等异构计算单元的快速移植和部署，降低评估、迁移成本。

# 推理流程

不了解 AI 推理引擎的人，可能难以理解推理引擎做了哪些工作。所以我画了一张流程图，该流程图介绍了 Tengine 推理引擎在推理神经网络的时候做了哪些事情。通过这张图，不仅能全局掌握 Tengine 的推理流程，还能对推理引擎有更深刻的认识。

直接上图：

图中是一大批函数名字和他们之间的链接关系。我们先从左边入手，左边红色连线分别是 init_tengine() 、 Create_graph() 、 prerun_graph_multithread() 、 run_graph() 、 get_graph_output_tensor() 、 postrun_graoh() 和 destroy_graph() 。这些函数名通俗易懂，我们挨个来描述他们的详细功能。

# init_tengine()

顾名思义，该函数完成推理引擎的初始化。分为三个步骤：注册算子原型、注册序列化工具、注册设备。

# 1. 注册算子原型：register_all_op_prototype ()

该函数将在编译的过程中生成在 build 文件夹里。该函数将调用一百多个算子原型的注册函数。如下：

int register_all_op_prototype(){

    ...

    ret = register_argmax_op();

    ret = register_const_op();

    ret = register_convolution_op();

    ret = register_crop_op();

    ret = register_deconvolution_op();

    ...

}

以注册卷积算子为例， register_convolution_op() 函数注册了卷积算子对应的初始化函数 init_op 和释放函数 release_op 。

int register_convolution_op()

{

    ir_method_t m;

    m.version = 1;

    m.init = init_op;

    m.release = release_op;

    return register_op(OP_CONV, OP_CONV_NAME, &m);

}

初始化函数 init_op 为卷积参数 conv_param 开辟空间（保存 kernel shape、pad 等信息），同时注册了维度推理函数 infer_shape （根据输入 tensor 和 kernel 维度推理输出 tensor 维度）。

# 2. 注册序列化工具：register_all_serializer ()

它调用了两个函数。

1. register_tm2_serializer() ，就是注册序列化 tmfile 模型文件的工具。该工具静态结构体 tm2_serializer 如下所示，可用来读取内存，加载模型等。

static struct tm2_serializer tm2_serializer = {

    .base = {

        .get_name = get_name,

        .load_model = load_model,

        .load_mem = load_mem,

        .unload_graph = unload_graph,

        .register_op_loader = register_op_loader,

        .unregister_op_loader = unregister_op_loader,

        .init = init_tm2_serializer,

        .release = release_tm2_serializer,

    },

    .loader_list = NULL,

};

2. register_all_tm2_ops() 函数用于注册所有算子的加载工具。不同的算子参数不同，数据不同，需要注册不同的加载函数。

int register_all_tm2_ops(){

    ...

    ret = register_tm2_concat_op();

    ret = register_tm2_conv_op();

    ret = register_tm2_crop_op();

    ...

}

以卷积算子为例， register_tm2_conv_op() 函数的内容是：调用前述静态结构体 tm2_serializer 的 register_op_loader() 函数，将卷积算子的加载函数 tm2_load_conv 注册进去，用于模型中卷积节点的加载。

# 3. 注册设备：register_all_devices ()

作为支持多平台设备的推理引擎，设备管理也必不可少。编译阶段需要指定目标设备，我们以 CPU 为例，该函数将调用 register_cpu_device() 来注册 CPU 设备。

cpu_device 是个静态结构体，其包含了接口 interface 、分配器 allocator 、优化器 optimizer 。

static struct cpu_device cpu_dev = {

    .base = {

        .name = CPU_DEVICE_NAME,

        .interface = &cpu_interface,

        .allocator = &cpu_allocator,

        .optimizer = &cpu_optimizer,

        .scheduler = NULL,

        .privacy = NULL,

    },

    .master_cpu = 0,

    .cpu_model = 0,

};

着重看一下 CPU 设备的接口，接口 cpu_interface 也是一个静态结构体：

static struct interface cpu_interface = {

    .init = init_cpu,

    .pre_run = prerun,

    .run = run,

    .post_run = postrun,

    .async_run = NULL,

    .async_wait = NULL,

    .release_graph = cpu_dev_release_exec_graph,

    .release_device = release_cpu,

};

接口包含 CPU 设备初始化 init 、预运行 pre_run 、运行 run 、后运行 post_run 。

当前会调用 CPU 设备初始化 init ，其余的会在后续调用到。

CPU 设备初始化函数 init_cpu 会调用 register_all_cpu_ops() 函数，来注册所有 CPU 算子实现。

int register_all_cpu_ops(){

    ...

    ret = register_concat_ref_op();

    ret = register_conv_ref_op();

    ret = register_conv_dw_hcl_x86_op();

    ret = register_conv_hcl_x86_op();

    ret = register_crop_ref_op();

    ...

}

从这段代码中看到，卷积算子的推理方式注册了三个。这是因为即使同一个设备的同一个算子，也可能有不同的实现方法，有些推理方法速度更快，但是有限制条件。所以具体使用哪个方法，会在后续流程中介绍。

# Create_graph()

该函数完成模型图结构的创建过程。

# 1. 创建上下文：create_context ()

Context 是图执行的上下文，它会绑定调度器、设备等信息。这里不过多解释。

typedef struct context

{

    char* name;

    struct scheduler* scheduler; 

    struct device* device;       

    void* default_options;       

    void* device_options;        

} ir_context_t;

# 2. 创建图：create_ir_graph ()

该函数主要创建一个新的图，并调用 init_ir_graph() 初始化一些信息，如图的节点数量、tensor 数量、输入输出等，做的事情相当有限。

# 3. 加载图结构：load_mem ()

通过 find_serializer_via_name() 函数找到前述的序列化工具 serializer ，调用其
运行序列化工具的 load_mem() 函数，解析 tmfile 文件。其中 load_graph 函数会依次调用加载 tensor load_graph_tensors() 、加载节点 load_graph_nodes() 、加载输入输出节点 load_graph_io_nodes() 、加载子图信息 load_graph_sub_info() 。

后半部分的流程介绍将在下一篇完成。

# 后记

本博客目前以及可预期的将来都不会支持评论功能。各位大侠如若有指教和问题，可以在我的 github 项目 或随便一个项目下提出 issue，并指明哪一篇博客，我看到一定及时回复！