ContextQMD
Back to Paddle Lite

昆仑芯 XPU

docs/demo_guides/kunlunxin_xpu.md

2.1222.4 KB
Original Source

昆仑芯 XPU

Paddle Lite 已支持昆仑芯 XPU 在 x86 和 Arm 服务器（例如飞腾 FT-2000+/64）上进行预测部署, 支持 Kernel 接入方式。

支持现状

已支持的芯片

  • 昆仑 818-100（推理芯片）
  • 昆仑 818-300（训练芯片）

已支持的设备

  • K100/K200 昆仑 AI 加速卡
  • R200 昆仑芯 AI 加速卡

已验证支持的 Paddle 模型

模型

性能

性能仅供参考,以实际运行效果为准。

模型x86 + R200 性能 (ms）arm64 + R200 性能 (ms）
AlexNet0.57621.27252
DarkNet531.046763.15686
DenseNet1213.490810.35096
DPN682.57578.11432
EfficientNetB01.517624.92276
GhostNet2.218467.01912
GoogLeNet1.257484.20796
Inception-v31.861285.69168
Inception-v42.845988.1627
MobileNet-v10.485361.72218
MobileNet-v20.719522.5511
Res2Net502.48587.46974
ResNet-1011.552883.48088
ResNet-180.413041.35338
ResNet-500.908942.27986
ResNeXt501.03452.47522
SE_ResNet501.442985.42808
SqueezeNet-v10.55191.97804
VGG161.40111.94392
VGG191.516842.02728
ch_PP-OCRv2_det2.56312.648
ch_PP-OCRv2_rec2.8517.069
ch_ppocr_server_v2.0_det4.2112.643
ch_ppocr_server_v2.0_rec23.84325.78
CRNN-mv3-CTC1.6065.363
NCF0.1250.493
PP-TSN145.632179.704
YOLOv3-DarkNet537.147418.8239
YOLOv3-MobileNetV15.086418.2639

已支持（或部分支持）的 Paddle 算子（ Kernel 接入方式）

参考示例演示

测试设备(昆仑芯 AI 加速卡 R200)

准备设备环境

  • 昆仑芯 AI 加速卡 R200 产品手册；
  • R200 为全高全长 PCI-E 卡，要求使用 PCIe4.0 x16 插槽，且需要单独的 8 针供电线进行供电；
  • 安装 R200 XRE 驱动，目前支持 Ubuntu 和 CentOS 系统，由于驱动依赖 Linux kernel 版本，请正确安装对应版本的驱动安装包。

准备本地编译环境

运行图像分类示例程序

  • 下载示例程序 PaddleLite-generic-demo.tar.gz ,解压后清单如下：

    shell
      - 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
          - amd64
            - include # Paddle Lite 头文件
            - lib # Paddle Lite 库文件
              - cpu
                - libiomp5.so # Intel OpenMP 库
                - libmklml_intel.so # Intel MKL 库
                - libmklml_gnu.so # GNU MKL 库
              - xpu # 昆仑芯 XPU API 库、XPU runtime 库
                - libxpuapi.so # XPU API 库，提供设备管理和算子实现。
                - libxpurt.so # XPU runtime 库
                ...
                - 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
          - arm64
            - include
            - lib
              - xpu
      - 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_fp32_224 模型的性能和结果；

    shell
    运行 mobilenet_v1_fp32_224 模型

For amd64
(intel x86 cpu only)
本地执行
$ ./run.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux amd64 cpu
通过 SSH 远程执行
$ ./run_with_ssh.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux amd64 cpu <IP地址> 22 <用户名> <密码>

  Top1 Egyptian cat - 0.482870
  Top2 tabby, tabby cat - 0.471594
  Top3 tiger cat - 0.039779
  Top4 lynx, catamount - 0.002430
  Top5 ping-pong ball - 0.000508
  [0] Preprocess time: 4.173000 ms Prediction time: 29.930000 ms Postprocess time: 5.028000 ms
  Preprocess time: avg 4.173000 ms, max 4.173000 ms, min 4.173000 ms
  Prediction time: avg 29.930000 ms, max 29.930000 ms, min 29.930000 ms
  Postprocess time: avg 5.028000 ms, max 5.028000 ms, min 5.028000 ms

(intel x86 cpu + xpu)
本地执行
$ ./run.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux amd64 xpu
通过 SSH 远程执行
$ ./run_with_ssh.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux amd64 xpu <IP地址> 22 <用户名> <密码>

  Top1 Egyptian cat - 0.471169
  Top2 tabby, tabby cat - 0.445745
  Top3 tiger cat - 0.070651
  Top4 lynx, catamount - 0.008626
  Top5 cougar, puma, catamount, mountain lion, painter, panther, Felis concolor - 0.000590
  [0] Preprocess time: 54.025000 ms Prediction time: 2.832000 ms Postprocess time: 32.408000 ms
  Preprocess time: avg 54.025000 ms, max 54.025000 ms, min 54.025000 ms
  Prediction time: avg 2.832000 ms, max 2.832000 ms, min 2.832000 ms
  Postprocess time: avg 32.408000 ms, max 32.408000 ms, min 32.408000 ms

For arm64
(arm cpu only)
本地执行
$ ./run.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux arm64 cpu
通过 SSH 远程执行
$ ./run_with_ssh.sh mobilenet_v1_fp32_224 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
  [0] Preprocess time: 10.734000 ms Prediction time: 65.614000 ms Postprocess time: 8.718000 ms
  Preprocess time: avg 10.734000 ms, max 10.734000 ms, min 10.734000 ms
  Prediction time: avg 65.614000 ms, max 65.614000 ms, min 65.614000 ms
  Postprocess time: avg 8.718000 ms, max 8.718000 ms, min 8.718000 ms

(arm cpu + xpu)
本地执行
$ ./run.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux arm64 xpu
通过 SSH 远程执行
$ ./run_with_ssh.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux arm64 xpu <IP地址> 22 <用户名> <密码>

  Top1 Egyptian cat - 0.471169
  Top2 tabby, tabby cat - 0.445745
  Top3 tiger cat - 0.070651
  Top4 lynx, catamount - 0.008626
  Top5 cougar, puma, catamount, mountain lion, painter, panther, Felis concolor - 0.000590
  [0] Preprocess time: 9.742000 ms Prediction time: 4.063000 ms Postprocess time: 8.097000 ms
  Preprocess time: avg 9.742000 ms, max 9.742000 ms, min 9.742000 ms
  Prediction time: avg 4.063000 ms, max 4.063000 ms, min 4.063000 ms
  Postprocess time: avg 8.097000 ms, max 8.097000 ms, min 8.097000 ms

  • 如果需要更改测试模型为 resnet50 ，执行命令修改为如下：

    shell
    For amd64
(intel x86 cpu only)
本地执行
$ ./run.sh resnet50_fp32_224 imagenet_224.txt test linux amd64 cpu
通过 SSH 远程执行
$ ./run_with_ssh.sh resnet50_fp32_224 imagenet_224.txt test linux amd64 cpu <IP地址> 22 <用户名> <密码>

(intel x86 cpu + xpu)
本地执行
$ ./run.sh resnet50_fp32_224 imagenet_224.txt test linux amd64 xpu
通过 SSH 远程执行
$ ./run_with_ssh.sh resnet50_fp32_224 imagenet_224.txt test linux amd64 xpu <IP地址> 22 <用户名> <密码>

For arm64
(arm cpu only)
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>

(arm cpu + xpu)
本地执行
$ ./run.sh resnet50_fp32_224 imagenet_224.txt test linux arm64 xpu
通过 SSH 远程执行
$ ./run_with_ssh.sh resnet50_fp32_224 imagenet_224.txt test linux arm64 xpu <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

    shell
    For amd64
$ ./build.sh linux amd64

For arm64
$ ./build.sh linux arm64

更新支持昆仑芯 XPU 的 Paddle Lite 库

  • 下载 Paddle Lite 源码

    shell
    $ git clone https://github.com/PaddlePaddle/Paddle-Lite.git
$ cd Paddle-Lite
$ git checkout <release-version-tag>

  • 编译并生成 amd64 和 arm64 的部署库

    • For amd64 （如果报找不到 cxx11:: 符号的编译错误，请将 gcc 切换到 4.8 版本。）

      • 编译
      shell
      $ ./lite/tools/build_linux.sh --arch=x86 --with_kunlunxin_xpu=ON
      • 替换头文件和库
      shell
      替换 include 目录
$ cp -rf build.lite.linux.x86.gcc.kunlunxin_xpu/inference_lite_lib/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/linux/amd64/include/

替换 XPU API 库
$ cp build.lite.linux.x86.gcc.kunlunxin_xpu/inference_lite_lib/cxx/lib/libxpuapi.so PaddleLite-generic-demo/libs/PaddleLite/linux/amd64/lib/xpu/

替换 XPU runtime 库
$ cp build.lite.linux.x86.gcc.kunlunxin_xpu/inference_lite_lib/cxx/lib/libxpurt.so* PaddleLite-generic-demo/libs/PaddleLite/linux/amd64/lib/xpu/
  
替换 libpaddle_light_api_shared.so
$ cp build.lite.linux.x86.gcc.kunlunxin_xpu/inference_lite_lib/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/amd64/lib/xpu/

替换 libpaddle_full_api_shared.so(仅在 full_publish 编译方式下)
$ cp build.lite.linux.x86.gcc.kunlunxin_xpu/inference_lite_lib/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/amd64/lib/xpu/

    • For arm64 （arm 环境下需要设置环境变量 CC 和 CXX，分别指定 C 编译器和 C++ 编译器的路径。）

      • 编译
      shell
      $ export CC=<path_to_your_c_compiler>
$ export CXX=<path_to_your_c++_compiler>
$ ./lite/tools/build_linux.sh --arch=armv8 --with_kunlunxin_xpu=ON
      • 替换头文件和库
      shell
      替换 include 目录
$ cp -rf build.lite.linux.armv8.gcc.kunlunxin_xpu/inference_lite_lib.armlinux.armv8.xpu/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/include/

替换 XPU API 库
$ cp build.lite.linux.armv8.gcc.kunlunxin_xpu/inference_lite_lib.armlinux.armv8.xpu/cxx/lib/libxpuapi.so PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/xpu/

替换 XPU runtime 库
$ cp build.lite.linux.armv8.gcc.kunlunxin_xpu/inference_lite_lib.armlinux.armv8.xpu/cxx/lib/libxpurt.so* PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/xpu/

替换 libpaddle_light_api_shared.so
$ cp build.lite.linux.armv8.gcc.kunlunxin_xpu/inference_lite_lib.armlinux.armv8.xpu/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/xpu/

替换 libpaddle_full_api_shared.so(仅在 full_publish 编译方式下)
$ cp build.lite.linux.armv8.gcc.kunlunxin_xpu/inference_lite_lib.armlinux.armv8.xpu/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/xpu/

  • 替换头文件后需要重新编译示例程序

高级特性

  • windows 版本的编译适配

    • Paddle Lite 使用 XPU kernel 的方案
    shell
    $ cd Paddle-Lite
$ lite\\tools\\build_windows.bat with_extra without_python use_vs2017 with_dynamic_crt  with_kunlunxin_xpu kunlunxin_xpu_sdk_root D:\\xpu_toolchain_windows\\output

    编译脚本 build_windows.bat 使用可参考Windows 环境下编译适用于 Windows 的库进行环境配置和查找相应编译参数

其他说明

  • 如需更进一步的了解相关产品的信息，请联系欧阳剑 [email protected]；
  • 昆仑芯的研发同学正在持续适配更多的 Paddle 算子，以便支持更多的 Paddle 模型。