解码器开发

解码器包含加载器、深度学习计算模块、及适配两者的中间件。其中加载器由平台处下载获取，中间件及计算模块由AI能力开发者进行开发

• 开发流程

• 开发包获取：

  • 通过AI引擎托管平台对应工具包下载页，依据不同系统及开发语言，下载对应版本的加载器开发包

• 中间件开发：

  ​ 开发者根据中间件接口文档及AI能力自身的交互属性，选择对应的中间件接口进行开发。其中[1]必须实现，[2]/[3]实现其一

  • [1] 通用接口：wrapperInit/wrapperFini/wrapperError

  • [2] 流式交互接口集合(如实时语音流识别)，对应服务接口类型为WebSocket：wrapperCreate/wrapperWrite/wrapperRead/wrapperDestroy

  • [3] 单次交互接口集合(如图像识别)，对应服务接口类型为http：

    wrapperExec/wrapperExecFree

• 中间件构建：

  • 构建输出产物libwrapper.so，共计12个接口符号均导出可见

• 解码器运行：

  • 创建解码器运行目录：/example

  • 将加载器开发包中内容拷贝至解码器目录：cp -r ./ailoader/* /example/

  • 将libwrapper.so拷贝至解码器目录，保证libwrapper.so与加载器主程序(AIservice)处于同一目录：cp ./libwrapper.so /example/

  • 创建配置文件local.toml，配置section为[wrapper]，编辑中间件初始化接口所需传入的配置对，其中key及value均为string类型，如下：

    [wrapper]

    “key1” = "value1"

    "key2" = "value2"

  • 使用解码器运行目录中的start.sh脚本启动解码器

• 解码器测试：

  • 通过AI引擎托管平台工具包下载页，下载解码器测试工具，参考测试文档进行测试验证

• 解码器打包：

  • 测试通过后，将解码器目录进行压缩打包：tar zcvf example.tar.gz ./example (注:不包含模型部分)
  • 通过AI引擎托管平台对应上传工具，将解码器包上传至S3云存储空间

• 使用开发包中通用测试工具，通过接口文档输入进行测试验证

• 验证成功后将整体运行环境进行打包，上传至S3云存储空间