docs/demo_guides/arm_cpu.md
Paddle Lite 支持在 Android/iOS/ARMLinux 等移动端设备上运行高性能的 CPU 预测库，目前支持 Ubuntu 环境下 armv8、armv7 的交叉编译。
下载 Paddle Lite 通用示例程序 PaddleLite-generic-demo.tar.gz ，解压后目录主体结构如下：
- PaddleLite-generic-demo
- image_classification_demo
- assets
- configs
- imagenet_224.txt # config 文件
- synset_words.txt # 1000 分类 label 文件
- datasets
- test # dataset
- inputs
- tabby_cat.jpg # 输入图片
- outputs
- tabby_cat.jpg # 输出图片
- list.txt # 图片清单
- models
- resnet50_fp32_224 # Paddle non-combined 格式的 resnet50 float32 模型
- __model__ # Paddle fluid 模型组网文件，可拖入 https://lutzroeder.github.io/netron/ 进行可视化显示网络结构
- bn2a_branch1_mean # Paddle fluid 模型参数文件
- bn2a_branch1_scale
...
- shell
- CMakeLists.txt # 示例程序 CMake 脚本
- build.linux.amd64 # 已编译好的，适用于 amd64
- demo # 已编译好的，适用于 amd64 的示例程序
- build.linux.arm64 # 已编译好的，适用于 arm64
- demo # 已编译好的，适用于 arm64 的示例程序
...
...
- demo.cc # 示例程序源码
- build.sh # 示例程序编译脚本
- run.sh # 示例程序本地运行脚本
- run_with_ssh.sh # 示例程序 ssh 运行脚本
- run_with_adb.sh # 示例程序 adb 运行脚本
- libs
- PaddleLite
- android
- arm64-v8a
- armeabi-v7a
- linux
- arm64
- include # Paddle Lite 头文件
- lib # Paddle Lite 库文件
- libpaddle_full_api_shared.so # 预编译 Paddle Lite full api 库
- libpaddle_light_api_shared.so # 预编译 Paddle Lite light api 库
- armhf
- include
- lib
- OpenCV # OpenCV 预编译库
- object_detection_demo # 目标检测示例程序
进入 PaddleLite-generic-demo/image_classification_demo/shell/；
执行以下命令观察 mobilenet_v1_int8_224_per_layer 模型的性能和结果；
运行 mobilenet_v1_int8_224_per_layer 模型
For android arm64-v8a
$ ./run_with_adb.sh mobilenet_v1_int8_224_per_layer imagenet_224.txt test android arm64-v8a cpu <adb设备号>
Top1 Egyptian cat - 0.503239
Top2 tabby, tabby cat - 0.419854
Top3 tiger cat - 0.065506
Top4 lynx, catamount - 0.007992
Top5 cougar, puma, catamount, mountain lion, painter, panther, Felis concolor - 0.000494
[0] Preprocess time: 6.712000 ms Prediction time: 16.859000 ms Postprocess time: 6.026000 ms
Preprocess time: avg 6.712000 ms, max 6.712000 ms, min 6.712000 ms
Prediction time: avg 16.859000 ms, max 16.859000 ms, min 16.859000 ms
Postprocess time: avg 6.026000 ms, max 6.026000 ms, min 6.026000 ms
For android armeabi-v7a
$ ./run_with_adb.sh mobilenet_v1_int8_224_per_layer imagenet_224.txt test android armeabi-v7a cpu <adb设备号>
Top1 Egyptian cat - 0.502124
Top2 tabby, tabby cat - 0.413927
Top3 tiger cat - 0.071703
Top4 lynx, catamount - 0.008436
Top5 cougar, puma, catamount, mountain lion, painter, panther, Felis concolor - 0.000563
[0] Preprocess time: 6.717000 ms Prediction time: 44.779000 ms Postprocess time: 6.444000 ms
Preprocess time: avg 6.717000 ms, max 6.717000 ms, min 6.717000 ms
Prediction time: avg 44.779000 ms, max 44.779000 ms, min 44.779000 ms
Postprocess time: avg 6.444000 ms, max 6.444000 ms, min 6.444000 ms
For linux arm64
本地执行
$ ./run.sh mobilenet_v1_int8_224_per_layer imagenet_224.txt test linux arm64 cpu
通过 SSH 远程执行
$ ./run_with_ssh.sh mobilenet_v1_int8_224_per_layer imagenet_224.txt test linux arm64 cpu <IP地址> 22 <用户名> <密码>
Top1 Egyptian cat - 0.503239
Top2 tabby, tabby cat - 0.419854
Top3 tiger cat - 0.065506
Top4 lynx, catamount - 0.007992
Top5 cougar, puma, catamount, mountain lion, painter, panther, Felis concolor - 0.000494
Preprocess time: 12.637000 ms, avg 12.637000 ms, max 12.637000 ms, min 12.637000 ms
Prediction time: 78.751000 ms, avg 78.751000 ms, max 78.751000 ms, min 78.751000 ms
Postprocess time: 9.969000 ms, avg 9.969000 ms, max 9.969000 ms, min 9.969000 ms
For linux armhf
本地执行
$ ./run.sh mobilenet_v1_int8_224_per_layer imagenet_224.txt test linux armhf cpu
通过 SSH 远程执行
$ ./run_with_ssh.sh mobilenet_v1_int8_224_per_layer imagenet_224.txt test linux armhf cpu <IP地址> 22 <用户名> <密码>
Top1 Egyptian cat - 0.502124
Top2 tabby, tabby cat - 0.413927
Top3 tiger cat - 0.071703
Top4 lynx, catamount - 0.008436
Top5 cougar, puma, catamount, mountain lion, painter, panther, Felis concolor - 0.000563
Preprocess time: 12.541000 ms, avg 12.541000 ms, max 12.541000 ms, min 12.541000 ms
Prediction time: 96.863000 ms, avg 96.863000 ms, max 96.863000 ms, min 96.863000 ms
Postprocess time: 13.324000 ms, avg 13.324000 ms, max 13.324000 ms, min 13.324000 ms
如果需要更改测试模型为 resnet50 ，执行命令修改为如下：
For android arm64-v8a
$ ./run_with_adb.sh resnet50_fp32_224 imagenet_224.txt test android arm64-v8a cpu <adb设备号>
For android armeabi-v7a
$ ./run_with_adb.sh resnet50_fp32_224 imagenet_224.txt test android armeabi-v7a cpu <adb设备号>
For linux arm64
本地执行
$ ./run.sh resnet50_fp32_224 imagenet_224.txt test linux arm64 cpu
通过 SSH 远程执行
$ ./run_with_ssh.sh resnet50_fp32_224 imagenet_224.txt test linux arm64 cpu <IP地址> 22 <用户名> <密码>
For linux armhf
本地执行
$ ./run.sh resnet50_fp32_224 imagenet_224.txt test linux armhf cpu
通过 SSH 远程执行
$ ./run_with_ssh.sh resnet50_fp32_224 imagenet_224.txt test linux armhf cpu <IP地址> 22 <用户名> <密码>
如果需要更改测试图片，可将图片拷贝到 PaddleLite-generic-demo/image_classification_demo/assets/datasets/test/inputs 目录下，同时将图片文件名添加到 PaddleLite-generic-demo/image_classification_demo/assets/datasets/test/list.txt 中；
如果需要重新编译示例程序，直接运行
For android arm64-v8a
$ ./build.sh android arm64-v8a
For android armeabi-v7a
$ ./build.sh android armeabi-v7a
For linux arm64
$ ./build.sh linux arm64
For linux armhf
$ ./build.sh linux armhf
下载 Paddle Lite 源码
$ git clone https://github.com/PaddlePaddle/Paddle-Lite.git
$ cd Paddle-Lite
$ git checkout <release-version-tag>
编译并生成 armv8 和 armv7 的部署库
For android arm64-v8a（注：--with_arm82_fp16=ON 编译选项可在部分机型启用 FP16 能力，但要求 NDK 版本 > 19 ）
tiny_publish 编译
$ ./lite/tools/build_android.sh --arch=armv8 --toolchain=clang --with_extra=ON --with_cv=ON --with_exception=ON
full_publish 编译
$ ./lite/tools/build_android.sh --arch=armv8 --toolchain=clang --with_extra=ON --with_cv=ON --with_exception=ON full_publish
替换头文件和库
替换 include 目录
$ cp -rf build.lite.android.armv8.clang/inference_lite_lib.android.armv8/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/android/arm64-v8a/include/
替换 libpaddle_light_api_shared.so
$ cp -rf build.lite.android.armv8.clang/inference_lite_lib.android.armv8/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/android/arm64-v8a/lib/
替换 libpaddle_full_api_shared.so (仅在 full_publish 编译方式下)
$ cp -rf build.lite.android.armv8.clang/inference_lite_lib.android.armv8/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/android/arm64-v8a/lib/
For android armeabi-v7a（注：--with_arm82_fp16=ON 编译选项可在部分机型启用 FP16 能力，但要求 NDK 版本 > 19 ）
tiny_publish 编译
$ ./lite/tools/build_android.sh --arch=armv7 --toolchain=clang --with_extra=ON --with_cv=ON --with_exception=ON
full_publish 编译
$ ./lite/tools/build_android.sh --arch=armv7 --toolchain=clang --with_extra=ON --with_cv=ON --with_exception=ON full_publish
替换头文件和库
替换 include 目录
$ cp -rf build.lite.android.armv7.clang/inference_lite_lib.android.armv7/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/android/armeabi-v7a/include/
替换 libpaddle_light_api_shared.so
$ cp -rf build.lite.android.armv7.clang/inference_lite_lib.android.armv7/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/android/armeabi-v7a/lib/
替换 libpaddle_full_api_shared.so (仅在 full_publish 编译方式下)
$ cp -rf build.lite.android.armv7.clang/inference_lite_lib.android.armv7/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/android/armeabi-v7a/lib/
编译并生成 arm64 和 armhf 的部署库
For linux arm64
tiny_publish 编译
$ ./lite/tools/build_linux.sh --arch=armv8 --with_extra=ON --with_cv=ON --with_exception=ON
full_publish 编译
$ ./lite/tools/build_linux.sh --arch=armv8 --with_extra=ON --with_cv=ON --with_exception=ON full_publish
替换头文件和库
替换 include 目录
$ cp -rf build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/include/
替换 libpaddle_light_api_shared.so
$ cp -rf build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/
替换 libpaddle_full_api_shared.so (仅在 full_publish 编译方式下)
$ cp -rf build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/
For linux armhf
tiny_publish 编译
$ ./lite/tools/build_linux.sh --arch=armv7hf --with_extra=ON --with_cv=ON --with_exception=ON
full_publish 编译
$ ./lite/tools/build_linux.sh --arch=armv7hf --with_extra=ON --with_cv=ON --with_exception=ON full_publish
替换头文件和库
替换 include 目录
$ cp -rf build.lite.linux.armv7hf.gcc/inference_lite_lib.armlinux.armv7hf/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/include/
替换 libpaddle_light_api_shared.so
$ cp -rf build.lite.linux.armv7hf.gcc/inference_lite_lib.armlinux.armv7hf/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/lib/
替换 libpaddle_full_api_shared.so (仅在 full_publish 编译方式下)
$ cp -rf build.lite.linux.armv7hf.gcc/inference_lite_lib.armlinux.armv7hf/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/lib/
替换头文件后需要重新编译示例程序
性能分析和精度分析
android 平台下分析：
$ ./lite/tools/build.sh \
--arm_os=android \
--arm_abi=armv8 \
--build_extra=on \
--build_cv=on \
--arm_lang=clang \
--with_profile=ON \
test
# 开启性能分析，会打印出每个 op 耗时信息和汇总信息
$ ./lite/tools/build.sh \
--arm_os=android \
--arm_abi=armv8 \
--build_extra=on \
--build_cv=on \
--arm_lang=clang \
--with_profile=ON \
--with_precision_profile=ON \
test
详细输出信息的说明可查阅 Profiler 工具。
FP16 模型推理
--build_arm82_fp16=ON 选项，即：$ export NDK_ROOT=/disk/android-ndk-r20b #ndk_version > 19
$ ./lite/tools/build.sh \
--arm_os=android \
--arm_abi=armv8 \
--build_extra=on \
--build_cv=on \
--arm_lang=clang \
--build_arm82_fp16=ON \
test
--enable_fp16=1 选项，完成 FP16 模型转换，即：$ ./build.opt/lite/api/opt \
--optimize_out_type=naive_buffer \
--enable_fp16=1 \
--optimize_out caffe_mv1_fp16 \
--model_dir ./caffe_mv1
执行
use_optimize_nb 设置为1将转换好的模型文件推送到 `/data/local/tmp/arm_cpu` 目录下
$ adb push caffe_mv1_fp16.nb /data/local/tmp/arm_cpu/
$ adb shell chmod +x /data/local/tmp/arm_cpu/test_mobilenetv1
$ adb shell "\
/data/local/tmp/arm_cpu/test_mobilenetv1 \
--use_optimize_nb=1 \
--model_dir=/data/local/tmp/arm_cpu/caffe_mv1_fp16 \
--input_shape=1,3,224,224 \
--warmup=10 \
--repeats=100"
use_optimize_nb 设置为0， use_fp16 设置为1；（use_fp16 默认为0）将 fluid 原始模型文件推送到 `/data/local/tmp/arm_cpu` 目录下
$ adb push caffe_mv1 /data/local/tmp/arm_cpu/
$ adb shell chmod +x /data/local/tmp/arm_cpu/test_mobilenetv1
$ adb shell "export GLOG_v=1; \
/data/local/tmp/arm_cpu/test_mobilenetv1 \
--use_optimize_nb=0 \
--use_fp16=1 \
--model_dir=/data/local/tmp/arm_cpu/caffe_mv1 \
--input_shape=1,3,224,224 \
--warmup=10 \
--repeats=100"
注：如果想输入真实数据，请将预处理好的输入数据用文本格式保存。在执行的时候加上 --in_txt=./*.txt 选项即可