OpenCL

Paddle Lite 利用跨平台计算框架 OpenCL 将计算映射到 GPU 上执行，以充分利用 GPU 硬件算力，提高推理性能。在执行时会优先在 GPU 上执行算子，如果算子没有 GPU 实现，则该算子会回退到 CPU 上执行。

支持现状

已支持的芯片

高通骁龙 Adreno 系列 GPU：Adreno 888+/888/875/865/855/845/835/625 等
ARM Mali 系列 GPU(具体为支持 Midgard、Bifrost、Valhall 这三个 GPU 架构下的 GPU)：Mali G76 MP16 (Valhall 架构，华为 P40 Pro), Mali-G72 MP3 (Bifrost 架构，OPPO R15), Mali T860（Midgard 架构，RK3399）等
PowerVR 系列 GPU：如 PowerVR Rogue GE8320，对应芯片联发科 MT8768N 等
macOS 系统下：
- Intel 集成显卡
- Apple Silicon 芯片，如 M1, M1 Pro
Windows 64 位系统下：
- Intel 集成显卡
- NVIDIA/AMD 独立显卡

已支持的设备

包括但不限于包含上述 GPU 的设备

已验证支持的 Paddle 模型

模型

图像分类
- AlexNet
- DarkNet53
- DeiT
- DenseNet121
- DPN68
- EfficientNetB0
- GhostNet
- GoogLeNet
- HRNet-W18
- Inception-v3
- Inception-v4
- MobileNet-v1
- MobileNet-v2
- MobileNetV3_large
- MobileNetV3_small
- PP-LCNet
- Res2Net50
- ResNet-101
- ResNet-18
- ResNet-50
- ResNeXt50
- SE_ResNet50
- ShuffleNetV2
- SqueezeNet-v1
- VGG16
- VGG19
- ViT
目标检测
姿态检测
- PP-TinyPose
人脸检测
- BlazeFace
- FaceBoxes
关键点检测
- HigherHRNet
- HRNet
文本检测 & 文本识别 & 端到端检测识别
自然语言处理 & 语义理解
- BERT
- ERNIE
- ERNIE-TINY
- Transformer
生成网络
- ESRGAN
推荐系统
- DeepFM
- NAML
- NCF
- Wide&Deep
图像分割
视频分类
- PP-TSN
开源模型支持列表

参考示例演示

准备本地编译环境

在 Android 系统上运行 Paddle Lite 同时支持在 Linux x86 环境和 macOS 环境下编译适用于 Android 的库。
- 如果宿主机是 Linux x86 环境，请根据 Linux x86 环境下编译适用于 Android 的库中的说明，依次准备编译环境、了解基础编译参数、执行编译步骤。
- 如果宿主机是 macOS 环境，请根据 macOS 环境下编译适用于 Android 的库中的说明，依次准备编译环境、了解基础编译参数、执行编译步骤。
在 ARMLinux 系统上运行 Paddle Lite 同时支持在 Linux x86 环境下和 ARMLinux 环境下编译适用于 ARMLinux 的库。
- 如果宿主机是 Linux x86 环境，请根据 Linux x86 环境下编译适用于 ARMLinux 的库中的说明，依次准备编译环境、了解基础编译参数、执行编译步骤。
- 如果宿主机是 ARMLinux 环境，请根据 ARMLinux 环境下编译适用于 ARMLinux 的库中的说明，依次准备编译环境、了解基础编译参数、执行编译步骤。
在 macOS 系统上运行 Paddle Lite 支持在 macOS 环境下编译适用于 macOS 的库。
- 宿主机必须是 macOS 环境，请根据 macOS 环境下编译适用于 macOS 的库中的说明，依次准备编译环境、了解基础编译参数、执行编译步骤。
在 Windows 64 位系统上运行 Paddle Lite 支持在 Windows 环境下编译适用于 Windows 的库。
- 宿主机必须是 Windows 环境，请根据 Windows 环境下编译适用于 Windows 的库中的说明，依次准备编译环境、了解基础编译参数、执行编译步骤。

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
            - include # Paddle Lite 头文件
            - lib # Paddle Lite 库文件
              - opencl
                - 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
          - armeabi-v7a
            - include # Paddle Lite 头文件
            - lib # Paddle Lite 库文件
              - opencl
                - 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
        - linux
          - amd64
            ...
          - arm64
            ...
          - armhf
            ...
      - 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 android arm64-v8a
$ ./run_with_adb.sh mobilenet_v1_fp32_224 imagenet_224.txt test android arm64-v8a opencl <adb设备号>

  Top1 Egyptian cat - 0.481445
  Top2 tabby, tabby cat - 0.470215
  Top3 tiger cat - 0.042389
  Top4 lynx, catamount - 0.002506
  Top5 ping-pong ball - 0.000542
  [0] Preprocess time: 10.048000 ms Prediction time: 12.671000 ms Postprocess time: 12.871000 ms
  Preprocess time: avg 10.048000 ms, max 10.048000 ms, min 10.048000 ms
  Prediction time: avg 12.671000 ms, max 12.671000 ms, min 12.671000 ms
  Postprocess time: avg 12.871000 ms, max 12.871000 ms, min 12.871000 ms

For android armeabi-v7a
$ ./run_with_adb.sh mobilenet_v1_fp32_224 imagenet_224.txt test android armeabi-v7a opencl <adb设备号>

  Top1 Egyptian cat - 0.481445
  Top2 tabby, tabby cat - 0.470215
  Top3 tiger cat - 0.042389
  Top4 lynx, catamount - 0.002506
  Top5 ping-pong ball - 0.000542
  [0] Preprocess time: 10.223000 ms Prediction time: 12.882000 ms Postprocess time: 11.180000 ms
  Preprocess time: avg 10.223000 ms, max 10.223000 ms, min 10.223000 ms
  Prediction time: avg 12.882000 ms, max 12.882000 ms, min 12.882000 ms
  Postprocess time: avg 11.180000 ms, max 11.180000 ms, min 11.180000 ms

For linux arm64
本地执行
$ ./run.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux arm64 opencl
通过 SSH 远程执行
$ ./run_with_ssh.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux arm64 opencl <IP地址> 22 <用户名> <密码>

For linux armhf
本地执行
$ ./run.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux armhf opencl
通过 SSH 远程执行
$ ./run_with_ssh.sh mobilenet_v1_fp32_224 imagenet_224.txt test linux armhf opencl <IP地址> 22 <用户名> <密码>

如果需要更改测试模型为 resnet50，执行命令修改为如下：

shell

For android arm64-v8a
$ ./run_with_adb.sh resnet50_fp32_224 imagenet_224.txt test android arm64-v8a opencl <adb设备号>

For android armeabi-v7a
$ ./run_with_adb.sh resnet50_fp32_224 imagenet_224.txt test android armeabi-v7a opencl <adb设备号>

For linux arm64
本地执行
$ ./run.sh resnet50_fp32_224 imagenet_224.txt test linux arm64 opencl
通过 SSH 远程执行
$ ./run_with_ssh.sh resnet50_fp32_224 imagenet_224.txt test linux arm64 opencl <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 opencl
通过 SSH 远程执行
$ ./run_with_ssh.sh resnet50_fp32_224 imagenet_224.txt test linux armhf opencl <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 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

更新支持 OpenCL 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 armv8 和 armv7 的部署库

For android arm64-v8a

tiny_publish 编译

shell

$ ./lite/tools/build_android.sh --arch=armv8 --toolchain=clang --with_extra=ON --with_cv=ON --with_exception=ON --with_opencl=ON

full_publish 编译

shell

$ ./lite/tools/build_android.sh --arch=armv8 --toolchain=clang --with_extra=ON --with_cv=ON --with_exception=ON --with_opencl=ON full_publish

替换头文件和库

shell

替换 include 目录
$ cp -rf build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.opencl/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/android/arm64-v8a/include/

替换 libpaddle_light_api_shared.so
$ cp -rf build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.opencl/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/android/arm64-v8a/lib/opencl/

替换 libpaddle_full_api_shared.so (仅在 full_publish 编译方式下)
$ cp -rf build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.opencl/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/android/arm64-v8a/lib/opencl/

For android armeabi-v7a

tiny_publish 编译

shell

$ ./lite/tools/build_android.sh --arch=armv7 --toolchain=clang --with_extra=ON --with_cv=ON --with_exception=ON --with_opencl=ON

full_publish 编译

shell

$ ./lite/tools/build_android.sh --arch=armv7 --toolchain=clang --with_extra=ON --with_cv=ON --with_exception=ON --with_opencl=ON full_publish

替换头文件和库

shell

替换 include 目录
$ cp -rf build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.opencl/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/android/armeabi-v7a/include/

替换 libpaddle_light_api_shared.so
$ cp -rf build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.opencl/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/android/armeabi-v7a/lib/opencl/

替换 libpaddle_full_api_shared.so (仅在 full_publish 编译方式下)
$ cp -rf build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.opencl/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/android/armeabi-v7a/lib/opencl/

编译并生成 arm64 和 armhf 的部署库

For linux arm64

tiny_publish 编译

shell

$ ./lite/tools/build_linux.sh --arch=armv8 --with_extra=ON --with_cv=ON --with_exception=ON --with_opencl=ON

full_publish 编译

shell

$ ./lite/tools/build_linux.sh --arch=armv8 --with_extra=ON --with_cv=ON --with_exception=ON --with_opencl=ON full_publish

替换头文件和库

shell

替换 include 目录
$ cp -rf build.lite.linux.armv8.gcc.opencl/inference_lite_lib.armlinux.armv8.opencl/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/include/

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

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

For linux armhf

tiny_publish 编译

shell

$ ./lite/tools/build_linux.sh --arch=armv7hf --with_extra=ON --with_cv=ON --with_exception=ON --with_opencl=ON

full_publish 编译

shell

$ ./lite/tools/build_linux.sh --arch=armv7hf --with_extra=ON --with_cv=ON --with_exception=ON --with_opencl=ON full_publish

替换头文件和库

shell

替换 include 目录
$ cp -rf build.lite.linux.armv7hf.gcc.opencl/inference_lite_lib.armlinux.armv7hf.opencl/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/include/

替换 libpaddle_light_api_shared.so
$ cp -rf build.lite.linux.armv7hf.gcc.opencl/inference_lite_lib.armlinux.armv7hf.opencl/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/lib/opencl/

替换 libpaddle_full_api_shared.so (仅在 full_publish 编译方式下)
$ cp -rf build.lite.linux.armv7hf.gcc.opencl/inference_lite_lib.armlinux.armv7hf.opencl/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/lib/opencl/

替换头文件后需要重新编译示例程序

高级特性

性能分析和精度分析

关于性能和精度分析，请详细查阅性能测试中的【逐层耗时和精度分析】章节。

在编译预测库时，使能性能分析和精度分析功能的命令如下： Android 平台下：

shell

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_android.sh --arch=armv7 --toolchain=clang --with_opencl=ON --with_extra=ON --with_profile=ON full_publish

开启精度分析，会打印出每个 op 输出数据的均值和标准差信息
$ ./lite/tools/build_android.sh --arch=armv7 --toolchain=clang --with_opencl=ON --with_extra=ON --with_precision_profile=ON full_publish

macOS x86 平台下：

shell

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 --build_opencl=ON --build_extra=ON --with_profile=ON x86

开启精度分析，会打印出每个 op 输出数据的均值和标准差信息
$ ./lite/tools/build.sh --build_opencl=ON --build_extra=ON --with_precision_profile=ON x86

Windows x86 平台下：

shell

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_windows.bat with_opencl with_extra with_profile

开启精度分析，会打印出每个 op 输出数据的均值和标准差信息
$ .\lite\tools\build_windows.bat with_opencl with_extra with_precision_profile

判断设备是否支持 OpenCL 函数 IsOpenCLBackendValid 用来检查设备是否支持 OpenCL，该函数内部会依次进行 OpenCL 驱动库检查、库函数检查、精度检查，检查均通过后返回 true，否则返回 false.
- 函数声明 paddle_api.h
- 使用示例 mobilenetv1_light_api.cc

设置 OpenCL kernel 缓存文件的路径函数 set_opencl_binary_path_name 用来开启 OpenCL kernel 缓存功能，并设置缓存文件名和存放路径。使用该函数可以避免在线编译 OpenCL kernel，进而提高首帧运行速度。推荐在工程代码中使用该函数。

c++

  /// \brief Set path and file name of generated OpenCL compiled kernel binary.
  ///
  /// If you use GPU of specific soc, using OpenCL binary will speed up the
  /// initialization.
  ///
  /// \param path  Path that OpenCL compiled kernel binay file stores in. Make
  /// sure the path exist and you have Read&Write permission.
  /// \param name  File name of OpenCL compiled kernel binay.
  /// \return void
  void set_opencl_binary_path_name(const std::string& path,
                                   const std::string& name);

函数声明 paddle_api.h
使用示例 mobilenetv1_light_api.cc

设置 OpenCL Auto-tune 策略函数 set_opencl_tune 用来自动选择当前硬件和模型下的最优 OpenCL 卷积算子实现方案，并将找到的算法配置序列化到文件中。该函数通过预先试跑，找到最优的算法。推荐在 benchmark 时使用该函数。

c++


  /// \brief Set path and file name of generated OpenCL algorithm selecting file.
  ///
  /// If you use GPU of specific soc, using OpenCL binary will speed up the
  /// running time in most cases. But the first running for algorithm selecting
  /// is timg-costing.
  ///
  /// \param tune_mode  Set a tune mode:
  ///        CL_TUNE_NONE: turn off
  ///        CL_TUNE_RAPID: find the optimal algorithm in a rapid way(less time-cost)
  ///        CL_TUNE_NORMAL: find the optimal algorithm in a noraml way(suggestion)
  ///        CL_TUNE_EXHAUSTIVE: find the optimal algorithm in a exhaustive way(most time-costing)
  /// \param path  Path that OpenCL algorithm selecting file stores in. Make
  /// sure the path exist and you have Read&Write permission.
  /// \param name  File name of OpenCL algorithm selecting file.
  /// \param lws_repeats  Repeat number for find the optimal local work size .
  /// \return void
  void set_opencl_tune(CLTuneMode tune_mode = CL_TUNE_NONE,
                       const std::string& path = "",
                       const std::string& name = "",
                       size_t lws_repeats = 4);

函数声明 paddle_api.h
使用示例 mobilenetv1_light_api.cc

设置运行时精度函数 set_opencl_precision 用来设置 OpenCL 运行时精度为 fp32 或 fp16。

OpenCL 的 fp16 特性是 OpenCL 标准的一个扩展，当前绝大部分移动端设备都支持该特性。Paddle-Lite 的 OpenCL 实现同时支持如上两种运行时精度。
- 在 Android/ARMLinux 系统下默认使用 fp16 计算，可通过调用该函数配置为 fp32 精度计算；
- 在 macOS/Windows 64 位系统下默认使用 fp32 计算，其中 macOS 系统下由于苹果驱动原因只能支持 fp32 精度；Windows 64 位系统下，Intel 集成显卡只能支持 fp32 精度计算，NVIDIA 独立显卡可以支持 fp32/fp16 两种精度计算。如果设备不支持 fp16，在编译预测库时开启 log 的前提下，Paddle-Lite OpenCL 后端代码会有报错提示。
c++
```
  /// \brief Set runtime precision on GPU using OpenCL backend.
  ///
  /// \param p
  ///          CL_PRECISION_AUTO: first fp16 if valid, default
  ///          CL_PRECISION_FP32: force fp32
  ///          CL_PRECISION_FP16: force fp16
  /// \return void
  void set_opencl_precision(CLPrecisionType p = CL_PRECISION_AUTO);
```
- 函数声明 paddle_api.h
- 使用示例 mobilenetv1_light_api.cc
设置 OpenCL 混合内存对象推理 OpenCL 大部分算子支持 cl::Image2D 数据排布，少部分算子支持 cl::Buffer（正在持续扩充），出于以下背景原因考虑
1. 不同的设备采用 cl::Image2D 和 cl::Buffer 性能优势不同。
2. 设备本身对 cl::Image2D 的 CL_DEVICE_IMAGE2D_MAX_HEIGHT 和 CL_DEVICE_IMAGE2D_MAX_WIDTH 有限制，导致部分 op 尺寸过大时会报错：malloc image is out of max image size(w,h)。
3. 部分 op 采用 cl::Buffer 内存对象会有很好的性能，比如 reshape，transpose，keep_dims 为 false 的 argmax，reduce 等。支持两种内存对象可配置，通过环境变量 OPENCL_MEMORY_CONFIG_FILE 设置『OpenCL 内存对象配置文件』，实现人为指定部分 op使用 cl::Buffer 实现；

设置 OpenCL 与 CPU 异构推理对于 cl::Image2D 和 cl::Buffer 均无法支持或者性能差的算子，可以人为指定部分 op 跑 CPU 的实现，可通过环境变量 OPENCL_MEMORY_CONFIG_FILE 设置『OpenCL 内存对象配置文件』实现。如下的例子使用 benchmark 工具，输入为 PaddlePaddle 的部署模型格式，网络模型为 ch_PP-OCRv3_rec_infer，其中 conv2d，depthwise_conv2d 和 pool2d 三个 op 指定为跑 CPU 实现，剩余 op 跑 OpenCL 后端默认实现(大部分为 cl::Image2D)。

shell

$ cd /data/local/tmp/opencl
$ cat ./ch_PP-OCRv3_rec_infer_buffer.txt
device:cpu
conv2d:elementwise_mul_2:batch_norm_51.tmp_4
depthwise_conv2d:batch_norm_51.tmp_4:batch_norm_52.tmp_4
pool2d:batch_norm_52.tmp_4:pool2d_4.tmp_0
$ export OPENCL_MEMORY_CONFIG_FILE=./ch_PP-OCRv3_rec_infer_buffer.txt
$ ./benchmark_bin  --model_file=./ch_PP-OCRv3_rec_infer/inference.pdmodel \
  --param_file=./ch_PP-OCRv3_rec_infer/inference.pdiparams \
  --input_shape=1,3,48,320 --backend=opencl --repeats=20 --warmup=2

如下的例子为基于 OpenCL 与 CPU 异构推理将 PaddlePaddle 的部署模型格式转化为 Paddle Lite 支持的模型格式，网络模型和 OpenCL 内存对象配置文件同上, 使用 opt 工具方法如下:

shell

$ export OPENCL_MEMORY_CONFIG_FILE=./ch_PP-OCRv3_rec_infer_buffer.txt
$ ./opt --model_file=./ch_PP-OCRv3_rec_infer/inference.pdmodel --param_file=./ch_PP-OCRv3_rec_infer/inference.pdiparams --optimize_out=./ch_PP-OCRv3_rec_infer/opt.nb --valid_targets=opencl

其他说明

OpenCL 计算过程中大多以 cl::Image2D 的数据排布进行计算，不同 gpu 支持的最大 cl::Image2D 的宽度和高度有限制，模型输入的数据格式是 buffer 形式的 NCHW 数据排布方式。要计算你的模型是否超出最大支持（大部分手机支持的 cl::Image2D 最大宽度和高度均为 16384），可以通过公式 image_h = tensor_n * tensor_h, image_w=tensor_w * (tensor_c + 3) / 4 计算当前层 NCHW 排布的 Tensor 所需的 cl::Image2D 的宽度和高度。如果某一层的 Tensor 维度大于如上限制，则会在日志中输出超限提示。
当前版本的 Paddle Lite OpenCL 后端不支持量化模型作为输入；支持 fp32 精度的模型作为输入，在运行时会根据运行时精度配置 API config.set_opencl_precision() 来设定运行时精度（fp32 或 fp16）。
部署时需考虑不支持 OpenCL 的情况，可预先使用 API bool ::IsOpenCLBackendValid() 判断，对于不支持的情况加载 CPU 模型，详见 ./lite/demo/cxx/mobile_light/mobilenetv1_light_api.cc 。
对性能不满足需求的场景，可以考虑使用调优 API config.set_opencl_tune(CL_TUNE_NORMAL)，首次会有一定的初始化耗时，详见 ./lite/demo/cxx/mobile_light/mobilenetv1_light_api.cc 。
对精度要求较高的场景，可以考虑通过 API config.set_opencl_precision(CL_PRECISION_FP32) 强制使用 FP32 精度，详见 ./lite/demo/cxx/mobile_light/mobilenetv1_light_api.cc 。
对首次加载耗时慢的问题，可以考虑使用 API config.set_opencl_binary_path_name(bin_path, bin_name)，提高首次推理时，详见 ./lite/demo/cxx/mobile_light/mobilenetv1_light_api.cc 。
Paddle Lite OpenCL 后端代码尚未完全支持动态 shape，因此在运行动态 shape 的模型时可能会报错。
使用 OpenCL 后端进行部署时，模型推理速度并不一定会比在 CPU 上执行快。GPU 适合运行较大计算强度的负载任务，如果模型本身的单位算子计算密度较低，则有可能出现 GPU 推理速度不及 CPU 的情况。在面向 GPU 设计模型结构时，需要尽量减少低计算密度算子的数量，比如 slice、concat 等，具体可参见使用 GPU 获取最佳性能中的【优化建议】章节。