{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Integrazione CoreML di RusTorch - Binding Python\n",
"\n",
"Questo notebook dimostra come utilizzare la funzionalità CoreML di RusTorch tramite i binding Python."
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Configurazione e Importazioni"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"# Importare i binding Python di RusTorch\n",
"try:\n",
" import rustorch\n",
" print(f\"✅ Versione RusTorch: {rustorch.__version__}\")\n",
" print(f\"📝 Descrizione: {rustorch.__description__}\")\n",
" print(f\"👥 Autore: {rustorch.__author__}\")\n",
"except ImportError as e:\n",
" print(f\"❌ Importazione di RusTorch fallita: {e}\")\n",
" print(\"Si prega di compilare con maturin develop\")\n",
" exit(1)\n",
"\n",
"import numpy as np\n",
"import platform\n",
"\n",
"print(f\"🖥️ Piattaforma: {platform.system()} {platform.release()}\")\n",
"print(f\"🐍 Versione Python: {platform.python_version()}\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Verificare la Disponibilità di CoreML"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"# Verificare la funzionalità CoreML\n",
"try:\n",
" # Verificare se CoreML è disponibile\n",
" coreml_available = rustorch.is_coreml_available()\n",
" print(f\"🍎 CoreML disponibile: {coreml_available}\")\n",
" \n",
" if coreml_available:\n",
" print(\"🎉 CoreML è disponibile!\")\n",
" \n",
" # Ottenere informazioni sul dispositivo\n",
" device_info = rustorch.get_coreml_device_info()\n",
" print(\"📱 Informazioni dispositivo CoreML:\")\n",
" print(device_info)\n",
" else:\n",
" print(\"⚠️ CoreML non è disponibile\")\n",
" if platform.system() != \"Darwin\":\n",
" print(\"CoreML è disponibile solo su macOS\")\n",
" else:\n",
" print(\"Le funzionalità CoreML potrebbero non essere abilitate\")\n",
" \n",
"except AttributeError:\n",
" print(\"❌ Funzioni CoreML non trovate\")\n",
" print(\"Potrebbe non essere compilato con funzionalità CoreML\")\n",
" coreml_available = False\n",
"except Exception as e:\n",
" print(f\"❌ Errore nella verifica di CoreML: {e}\")\n",
" coreml_available = False"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Creazione Dispositivo CoreML e Operazioni"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"if coreml_available:\n",
" try:\n",
" # Creare dispositivo CoreML\n",
" device = rustorch.CoreMLDevice(device_id=0)\n",
" print(f\"🖥️ Dispositivo CoreML creato: {device}\")\n",
" \n",
" # Ottenere informazioni sul dispositivo\n",
" print(f\"🆔 ID dispositivo: {device.device_id()}\")\n",
" print(f\"✅ Disponibile: {device.is_available()}\")\n",
" print(f\"💾 Limite memoria: {device.memory_limit()} byte\")\n",
" print(f\"🧮 Limite unità di calcolo: {device.compute_units_limit()}\")\n",
" print(f\"📚 Dimensione cache modello: {device.model_cache_size()}\")\n",
" \n",
" # Pulizia cache\n",
" device.cleanup_cache()\n",
" print(\"🧹 Cache pulita\")\n",
" \n",
" except Exception as e:\n",
" print(f\"❌ Errore operazione dispositivo CoreML: {e}\")\n",
"else:\n",
" print(\"⚠️ Saltando operazioni dispositivo poiché CoreML non è disponibile\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Configurazione Backend CoreML"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"if coreml_available:\n",
" try:\n",
" # Creare configurazione backend CoreML\n",
" config = rustorch.CoreMLBackendConfig(\n",
" enable_caching=True,\n",
" max_cache_size=200,\n",
" enable_profiling=True,\n",
" auto_fallback=True\n",
" )\n",
" print(f\"⚙️ Configurazione backend: {config}\")\n",
" \n",
" # Verificare e modificare valori di configurazione\n",
" print(f\"📊 Abilita caching: {config.enable_caching}\")\n",
" print(f\"🗂️ Dimensione max cache: {config.max_cache_size}\")\n",
" print(f\"📈 Abilita profiling: {config.enable_profiling}\")\n",
" print(f\"🔄 Fallback automatico: {config.auto_fallback}\")\n",
" \n",
" # Modificare configurazione\n",
" config.enable_profiling = False\n",
" config.max_cache_size = 150\n",
" print(f\"\\n🔧 Configurazione aggiornata: {config}\")\n",
" \n",
" # Creare backend CoreML\n",
" backend = rustorch.CoreMLBackend(config)\n",
" print(f\"🚀 Backend CoreML: {backend}\")\n",
" print(f\"✅ Backend disponibile: {backend.is_available()}\")\n",
" \n",
" # Ottenere statistiche backend\n",
" stats = backend.get_stats()\n",
" print(f\"📊 Statistiche backend: {stats}\")\n",
" print(f\" Operazioni totali: {stats.total_operations}\")\n",
" print(f\" Hit cache: {stats.cache_hits}\")\n",
" print(f\" Miss cache: {stats.cache_misses}\")\n",
" print(f\" Operazioni fallback: {stats.fallback_operations}\")\n",
" print(f\" Tasso hit cache: {stats.cache_hit_rate():.2%}\")\n",
" print(f\" Tasso fallback: {stats.fallback_rate():.2%}\")\n",
" print(f\" Tempo esecuzione medio: {stats.average_execution_time_ms:.2f}ms\")\n",
" \n",
" # Pulizia cache\n",
" backend.cleanup_cache()\n",
" print(\"\\n🧹 Cache backend pulita\")\n",
" \n",
" except Exception as e:\n",
" print(f\"❌ Errore operazione backend CoreML: {e}\")\n",
"else:\n",
" print(\"⚠️ Saltando operazioni backend poiché CoreML non è disponibile\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Operazioni Tensore di Base (CPU)\n",
"\n",
"Per confrontare con CoreML, eseguiamo prima operazioni di base su CPU."
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"try:\n",
" # Creazione e operazioni tensore di base\n",
" print(\"🧮 Operazioni tensore di base (CPU)\")\n",
" \n",
" # Creare tensori da array NumPy (interfaccia semplificata)\n",
" data_a = np.random.randn(2, 3).astype(np.float32)\n",
" data_b = np.random.randn(3, 2).astype(np.float32)\n",
" \n",
" print(f\"📐 Forma matrice A: {data_a.shape}\")\n",
" print(f\"📐 Forma matrice B: {data_b.shape}\")\n",
" \n",
" # Moltiplicazione matrici con NumPy (per confronto)\n",
" numpy_result = np.matmul(data_a, data_b)\n",
" print(f\"✅ Forma risultato matmul NumPy: {numpy_result.shape}\")\n",
" print(f\"📊 Risultato (primi elementi): {numpy_result.flatten()[:4]}\")\n",
" \n",
" print(\"\\n🚀 Operazioni CPU completate\")\n",
" \n",
"except Exception as e:\n",
" print(f\"❌ Errore operazione tensore: {e}\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Simulazione Confronto Prestazioni"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"import time\n",
"\n",
"def benchmark_matrix_operations():\n",
" \"\"\"Confrontare prestazioni con diverse dimensioni matrici\"\"\"\n",
" \n",
" sizes = [(64, 64), (128, 128), (256, 256), (512, 512)]\n",
" \n",
" print(\"🏁 Confronto prestazioni:\")\n",
" print(\"Dimensione\\t\\tTempo CPU (ms)\\tCoreML Atteso (ms)\")\n",
" print(\"-\" * 58)\n",
" \n",
" for size in sizes:\n",
" # Misurare tempo esecuzione CPU\n",
" a = np.random.randn(*size).astype(np.float32)\n",
" b = np.random.randn(size[1], size[0]).astype(np.float32)\n",
" \n",
" start_time = time.time()\n",
" result = np.matmul(a, b)\n",
" cpu_time = (time.time() - start_time) * 1000\n",
" \n",
" # Tempo CoreML atteso (ipotetico)\n",
" # Nell'implementazione reale, usare misurazioni reali dal backend CoreML\n",
" expected_coreml_time = cpu_time * 0.6 # Assunzione: CoreML è 40% più veloce\n",
" \n",
" print(f\"{size[0]}x{size[1]}\\t\\t{cpu_time:.2f}\\t\\t{expected_coreml_time:.2f}\")\n",
"\n",
"benchmark_matrix_operations()\n",
"\n",
"print(\"\\n📝 Nota: I tempi CoreML sono ipotetici. I valori reali dipendono dall'implementazione specifica.\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Simulazione Selezione Dispositivo"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"def simulate_device_selection():\n",
" \"\"\"Simulare selezione intelligente dispositivo\"\"\"\n",
" \n",
" operations = [\n",
" (\"Moltiplicazione matrice piccola\", (16, 16), \"CPU\"),\n",
" (\"Moltiplicazione matrice media\", (128, 128), \"Metal GPU\"),\n",
" (\"Moltiplicazione matrice grande\", (512, 512), \"CoreML\" if coreml_available else \"Metal GPU\"),\n",
" (\"Funzione attivazione\", (32, 64, 128, 128), \"Metal GPU\"),\n",
" (\"Convoluzione piccola\", (1, 3, 32, 32), \"CPU\"),\n",
" (\"Convoluzione grande\", (16, 64, 224, 224), \"CoreML\" if coreml_available else \"Metal GPU\"),\n",
" (\"Operazioni numeri complessi\", (128, 128), \"Metal GPU\"), # CoreML non supportato\n",
" (\"Distribuzione statistica\", (1000,), \"CPU\"), # CoreML non supportato\n",
" ]\n",
" \n",
" print(\"🎯 Simulazione selezione intelligente dispositivo:\")\n",
" print(\"Operazione\\t\\t\\tForma Tensore\\t\\tDispositivo Selezionato\")\n",
" print(\"-\" * 78)\n",
" \n",
" for name, shape, device in operations:\n",
" shape_str = \"x\".join(map(str, shape))\n",
" print(f\"{name:<31}\\t{shape_str:<15}\\t{device}\")\n",
" \n",
" print(\"\\n📝 Logica selezione:\")\n",
" print(\" • Operazioni piccole: CPU (evitare overhead)\")\n",
" print(\" • Operazioni medie: Metal GPU (bilanciato)\")\n",
" print(\" • Operazioni grandi: CoreML (ottimizzato)\")\n",
" print(\" • Operazioni non supportate: fallback GPU/CPU\")\n",
"\n",
"simulate_device_selection()"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Esempio Pratico: Strato Semplice Rete Neurale"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"def simulate_neural_network_layer():\n",
" \"\"\"Simulare strato rete neurale\"\"\"\n",
" \n",
" print(\"🧠 Simulazione strato rete neurale:\")\n",
" \n",
" # Dimensione batch e configurazione strato\n",
" batch_size = 32\n",
" input_features = 784 # 28x28 MNIST\n",
" hidden_features = 256\n",
" output_features = 10 # 10 classi\n",
" \n",
" print(f\"📊 Dimensione batch: {batch_size}\")\n",
" print(f\"🔢 Feature input: {input_features}\")\n",
" print(f\"🧮 Feature nascoste: {hidden_features}\")\n",
" print(f\"🎯 Feature output: {output_features}\")\n",
" \n",
" # Simulazione forward pass\n",
" steps = [\n",
" (\"Input → Nascosto\", f\"({batch_size}, {input_features}) @ ({input_features}, {hidden_features})\", \"CoreML\" if coreml_available else \"Metal\"),\n",
" (\"Attivazione ReLU\", f\"({batch_size}, {hidden_features})\", \"Metal\"),\n",
" (\"Nascosto → Output\", f\"({batch_size}, {hidden_features}) @ ({hidden_features}, {output_features})\", \"CoreML\" if coreml_available else \"Metal\"),\n",
" (\"Softmax\", f\"({batch_size}, {output_features})\", \"CPU\"),\n",
" ]\n",
" \n",
" print(\"\\n🔄 Simulazione forward pass:\")\n",
" total_time = 0\n",
" \n",
" for step, shape, device in steps:\n",
" # Tempo esecuzione virtuale (ms)\n",
" if device == \"CoreML\":\n",
" time_ms = np.random.uniform(0.5, 2.0)\n",
" elif device == \"Metal\":\n",
" time_ms = np.random.uniform(1.0, 3.0)\n",
" else: # CPU\n",
" time_ms = np.random.uniform(0.2, 1.0)\n",
" \n",
" total_time += time_ms\n",
" print(f\" {step:<15} {shape:<30} {device:<8} {time_ms:.2f}ms\")\n",
" \n",
" print(f\"\\n⏱️ Tempo totale forward pass: {total_time:.2f}ms\")\n",
" print(f\"🚀 Throughput stimato: {1000/total_time:.0f} batch/secondo\")\n",
"\n",
"simulate_neural_network_layer()"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Riepilogo e Prossimi Passi"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"print(\"📋 Riepilogo Integrazione CoreML RusTorch:\")\n",
"print()\n",
"print(\"✅ Elementi completati:\")\n",
"print(\" • Configurazione ambiente Jupyter\")\n",
"print(\" • Creazione kernel Rust e binding Python\")\n",
"print(\" • Verifica disponibilità CoreML\")\n",
"print(\" • Gestione dispositivi e configurazione\")\n",
"print(\" • Statistiche e profiling backend\")\n",
"print(\" • Selezione intelligente dispositivo\")\n",
"print()\n",
"print(\"🚧 Sviluppo futuro:\")\n",
"print(\" • Implementazione reale operazioni CoreML\")\n",
"print(\" • Benchmarking prestazioni\")\n",
"print(\" • Più funzioni attivazione e tipi strato\")\n",
"print(\" • Miglioramenti gestione errori\")\n",
"print(\" • Ottimizzazione memoria\")\n",
"print()\n",
"print(\"🎯 Prossimi passi raccomandati:\")\n",
"print(\" 1. Caricare e testare modelli CoreML reali\")\n",
"print(\" 2. Confrontare prestazioni Metal e CoreML\")\n",
"print(\" 3. Testare con workflow deep learning reali\")\n",
"print(\" 4. Valutare in ambiente produzione\")\n",
"\n",
"if coreml_available:\n",
" print(\"\\n🎉 Congratulazioni! CoreML è disponibile e tutte le funzionalità possono essere testate.\")\n",
"else:\n",
" print(\"\\n⚠️ CoreML non è disponibile, ma le funzionalità di base stanno funzionando.\")\n",
" print(\" Raccomandiamo di compilare con funzionalità CoreML abilitate su macOS.\")"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.8.5"
}
},
"nbformat": 4,
"nbformat_minor": 4
}