{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Integração CoreML do RusTorch - Bindings Python\n",
"\n",
"Este notebook demonstra como usar a funcionalidade CoreML do RusTorch através de bindings Python."
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Configuração e Importações"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"# Importar bindings Python do RusTorch\n",
"try:\n",
" import rustorch\n",
" print(f\"✅ Versão do RusTorch: {rustorch.__version__}\")\n",
" print(f\"📝 Descrição: {rustorch.__description__}\")\n",
" print(f\"👥 Autor: {rustorch.__author__}\")\n",
"except ImportError as e:\n",
" print(f\"❌ Falha ao importar RusTorch: {e}\")\n",
" print(\"Por favor, compile com maturin develop\")\n",
" exit(1)\n",
"\n",
"import numpy as np\n",
"import platform\n",
"\n",
"print(f\"🖥️ Plataforma: {platform.system()} {platform.release()}\")\n",
"print(f\"🐍 Versão do Python: {platform.python_version()}\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Verificar Disponibilidade do CoreML"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"# Verificar funcionalidade CoreML\n",
"try:\n",
" # Verificar se CoreML está disponível\n",
" coreml_available = rustorch.is_coreml_available()\n",
" print(f\"🍎 CoreML disponível: {coreml_available}\")\n",
" \n",
" if coreml_available:\n",
" print(\"🎉 CoreML está disponível!\")\n",
" \n",
" # Obter informações do dispositivo\n",
" device_info = rustorch.get_coreml_device_info()\n",
" print(\"📱 Informações do dispositivo CoreML:\")\n",
" print(device_info)\n",
" else:\n",
" print(\"⚠️ CoreML não está disponível\")\n",
" if platform.system() != \"Darwin\":\n",
" print(\"CoreML está disponível apenas no macOS\")\n",
" else:\n",
" print(\"Recursos CoreML podem não estar habilitados\")\n",
" \n",
"except AttributeError:\n",
" print(\"❌ Funções CoreML não encontradas\")\n",
" print(\"Pode não estar compilado com recursos CoreML\")\n",
" coreml_available = False\n",
"except Exception as e:\n",
" print(f\"❌ Erro ao verificar CoreML: {e}\")\n",
" coreml_available = False"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Criação de Dispositivo CoreML e Operações"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"if coreml_available:\n",
" try:\n",
" # Criar dispositivo CoreML\n",
" device = rustorch.CoreMLDevice(device_id=0)\n",
" print(f\"🖥️ Dispositivo CoreML criado: {device}\")\n",
" \n",
" # Obter informações do dispositivo\n",
" print(f\"🆔 ID do dispositivo: {device.device_id()}\")\n",
" print(f\"✅ Disponível: {device.is_available()}\")\n",
" print(f\"💾 Limite de memória: {device.memory_limit()} bytes\")\n",
" print(f\"🧮 Limite de unidades de computação: {device.compute_units_limit()}\")\n",
" print(f\"📚 Tamanho do cache do modelo: {device.model_cache_size()}\")\n",
" \n",
" # Limpeza do cache\n",
" device.cleanup_cache()\n",
" print(\"🧹 Cache limpo\")\n",
" \n",
" except Exception as e:\n",
" print(f\"❌ Erro na operação do dispositivo CoreML: {e}\")\n",
"else:\n",
" print(\"⚠️ Pulando operações do dispositivo pois CoreML não está disponível\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Configuração do Backend CoreML"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"if coreml_available:\n",
" try:\n",
" # Criar configuração do 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\"⚙️ Configuração do backend: {config}\")\n",
" \n",
" # Verificar e modificar valores de configuração\n",
" print(f\"📊 Habilitar cache: {config.enable_caching}\")\n",
" print(f\"🗂️ Tamanho máximo do cache: {config.max_cache_size}\")\n",
" print(f\"📈 Habilitar profiling: {config.enable_profiling}\")\n",
" print(f\"🔄 Fallback automático: {config.auto_fallback}\")\n",
" \n",
" # Modificar configuração\n",
" config.enable_profiling = False\n",
" config.max_cache_size = 150\n",
" print(f\"\\n🔧 Configuração atualizada: {config}\")\n",
" \n",
" # Criar backend CoreML\n",
" backend = rustorch.CoreMLBackend(config)\n",
" print(f\"🚀 Backend CoreML: {backend}\")\n",
" print(f\"✅ Backend disponível: {backend.is_available()}\")\n",
" \n",
" # Obter estatísticas do backend\n",
" stats = backend.get_stats()\n",
" print(f\"📊 Estatísticas do backend: {stats}\")\n",
" print(f\" Operações totais: {stats.total_operations}\")\n",
" print(f\" Acertos de cache: {stats.cache_hits}\")\n",
" print(f\" Erros de cache: {stats.cache_misses}\")\n",
" print(f\" Operações de fallback: {stats.fallback_operations}\")\n",
" print(f\" Taxa de acerto de cache: {stats.cache_hit_rate():.2%}\")\n",
" print(f\" Taxa de fallback: {stats.fallback_rate():.2%}\")\n",
" print(f\" Tempo médio de execução: {stats.average_execution_time_ms:.2f}ms\")\n",
" \n",
" # Limpeza do cache\n",
" backend.cleanup_cache()\n",
" print(\"\\n🧹 Cache do backend limpo\")\n",
" \n",
" except Exception as e:\n",
" print(f\"❌ Erro na operação do backend CoreML: {e}\")\n",
"else:\n",
" print(\"⚠️ Pulando operações do backend pois CoreML não está disponível\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Operações Básicas de Tensor (CPU)\n",
"\n",
"Para comparar com CoreML, vamos primeiro realizar operações básicas na CPU."
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"try:\n",
" # Criação e operações básicas de tensor\n",
" print(\"🧮 Operações básicas de tensor (CPU)\")\n",
" \n",
" # Criar tensores a partir de arrays NumPy (interface simplificada)\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 da matriz A: {data_a.shape}\")\n",
" print(f\"📐 Forma da matriz B: {data_b.shape}\")\n",
" \n",
" # Multiplicação de matrizes com NumPy (para comparação)\n",
" numpy_result = np.matmul(data_a, data_b)\n",
" print(f\"✅ Forma do resultado matmul NumPy: {numpy_result.shape}\")\n",
" print(f\"📊 Resultado (primeiros elementos): {numpy_result.flatten()[:4]}\")\n",
" \n",
" print(\"\\n🚀 Operações CPU completadas\")\n",
" \n",
"except Exception as e:\n",
" print(f\"❌ Erro na operação de tensor: {e}\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Simulação de Comparação de Performance"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"import time\n",
"\n",
"def benchmark_matrix_operations():\n",
" \"\"\"Comparar performance com diferentes tamanhos de matriz\"\"\"\n",
" \n",
" sizes = [(64, 64), (128, 128), (256, 256), (512, 512)]\n",
" \n",
" print(\"🏁 Comparação de performance:\")\n",
" print(\"Tamanho\\t\\tTempo CPU (ms)\\tCoreML Esperado (ms)\")\n",
" print(\"-\" * 58)\n",
" \n",
" for size in sizes:\n",
" # Medir tempo de execução 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 esperado (hipotético)\n",
" # Na implementação real, usar medições reais do backend CoreML\n",
" expected_coreml_time = cpu_time * 0.6 # Suposição: CoreML é 40% mais rápido\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: Os tempos CoreML são hipotéticos. Valores reais dependem da implementação específica.\")"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Simulação de Seleção de Dispositivo"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"def simulate_device_selection():\n",
" \"\"\"Simular seleção inteligente de dispositivo\"\"\"\n",
" \n",
" operations = [\n",
" (\"Multiplicação de matriz pequena\", (16, 16), \"CPU\"),\n",
" (\"Multiplicação de matriz média\", (128, 128), \"Metal GPU\"),\n",
" (\"Multiplicação de matriz grande\", (512, 512), \"CoreML\" if coreml_available else \"Metal GPU\"),\n",
" (\"Função de ativação\", (32, 64, 128, 128), \"Metal GPU\"),\n",
" (\"Convolução pequena\", (1, 3, 32, 32), \"CPU\"),\n",
" (\"Convolução grande\", (16, 64, 224, 224), \"CoreML\" if coreml_available else \"Metal GPU\"),\n",
" (\"Operações de números complexos\", (128, 128), \"Metal GPU\"), # CoreML não suportado\n",
" (\"Distribuição estatística\", (1000,), \"CPU\"), # CoreML não suportado\n",
" ]\n",
" \n",
" print(\"🎯 Simulação de seleção inteligente de dispositivo:\")\n",
" print(\"Operação\\t\\t\\tForma do Tensor\\t\\tDispositivo Selecionado\")\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📝 Lógica de seleção:\")\n",
" print(\" • Operações pequenas: CPU (evitar overhead)\")\n",
" print(\" • Operações médias: Metal GPU (balanceado)\")\n",
" print(\" • Operações grandes: CoreML (otimizado)\")\n",
" print(\" • Operações não suportadas: fallback GPU/CPU\")\n",
"\n",
"simulate_device_selection()"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Exemplo Prático: Camada Simples de Rede Neural"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"def simulate_neural_network_layer():\n",
" \"\"\"Simular camada de rede neural\"\"\"\n",
" \n",
" print(\"🧠 Simulação de camada de rede neural:\")\n",
" \n",
" # Tamanho do lote e configuração da camada\n",
" batch_size = 32\n",
" input_features = 784 # 28x28 MNIST\n",
" hidden_features = 256\n",
" output_features = 10 # 10 classes\n",
" \n",
" print(f\"📊 Tamanho do lote: {batch_size}\")\n",
" print(f\"🔢 Características de entrada: {input_features}\")\n",
" print(f\"🧮 Características ocultas: {hidden_features}\")\n",
" print(f\"🎯 Características de saída: {output_features}\")\n",
" \n",
" # Simulação de forward pass\n",
" steps = [\n",
" (\"Entrada → Oculta\", f\"({batch_size}, {input_features}) @ ({input_features}, {hidden_features})\", \"CoreML\" if coreml_available else \"Metal\"),\n",
" (\"Ativação ReLU\", f\"({batch_size}, {hidden_features})\", \"Metal\"),\n",
" (\"Oculta → Saída\", 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🔄 Simulação de forward pass:\")\n",
" total_time = 0\n",
" \n",
" for step, shape, device in steps:\n",
" # Tempo de execução virtual (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 total do forward pass: {total_time:.2f}ms\")\n",
" print(f\"🚀 Throughput estimado: {1000/total_time:.0f} lotes/segundo\")\n",
"\n",
"simulate_neural_network_layer()"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## Resumo e Próximos Passos"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"print(\"📋 Resumo da Integração CoreML do RusTorch:\")\n",
"print()\n",
"print(\"✅ Itens completados:\")\n",
"print(\" • Configuração do ambiente Jupyter\")\n",
"print(\" • Criação do kernel Rust e bindings Python\")\n",
"print(\" • Verificação de disponibilidade CoreML\")\n",
"print(\" • Gerenciamento de dispositivos e configuração\")\n",
"print(\" • Estatísticas e profiling do backend\")\n",
"print(\" • Seleção inteligente de dispositivo\")\n",
"print()\n",
"print(\"🚧 Desenvolvimento futuro:\")\n",
"print(\" • Implementação real de operações CoreML\")\n",
"print(\" • Benchmarking de performance\")\n",
"print(\" • Mais funções de ativação e tipos de camadas\")\n",
"print(\" • Melhorias no tratamento de erros\")\n",
"print(\" • Otimização de memória\")\n",
"print()\n",
"print(\"🎯 Próximos passos recomendados:\")\n",
"print(\" 1. Carregar e testar modelos CoreML reais\")\n",
"print(\" 2. Comparar performance Metal e CoreML\")\n",
"print(\" 3. Testar com workflows de deep learning reais\")\n",
"print(\" 4. Avaliar em ambiente de produção\")\n",
"\n",
"if coreml_available:\n",
" print(\"\\n🎉 Parabéns! CoreML está disponível e todas as funcionalidades podem ser testadas.\")\n",
"else:\n",
" print(\"\\n⚠️ CoreML não está disponível, mas as funcionalidades básicas estão funcionando.\")\n",
" print(\" Recomendamos compilar com funcionalidades CoreML habilitadas no 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
}