性能测试

当我们已经有一个 Paddle 格式的模型后，我们可以使用 Benchmark 工具对该模型进行性能测试。Benchmark 工具可以输出的性能指标包括但不限于：

初始化耗时
首帧耗时
平均耗时

Benchmark 工具的详细功能包括但不限于：

支持 Paddle combined / uncombined 格式模型作为输入模型
支持 Paddle Lite .nb 格式模型作为输入模型
支持单输入和多输入模型
支持从文本读取输入数据
支持设置不同的运行时精度
支持时间 profile 和精度 profile

适用场景

Benchmark 工具可方便快捷地评测给定模型在如下硬件上运行时的性能：

安卓系统下的 ARM CPU / GPU / NNAdapter
Linux 系统下的 x86 CPU / ARM CPU / ARM GPU / NNAdapter
macOS 系统下的 x86 CPU / ARM CPU / GPU

在 Android 上运行性能测试

编译

根据源码编译准备编译环境，建议使用 Docker 配置交叉编译环境。拉取 Paddle Lite 代码，切换到特定分支，然后在 Paddle Lite 根目录下执行编译命令：

shell

./lite/tools/build_android.sh --toolchain=clang --with_benchmark=ON full_publish

可选参数：

参数	说明	可选值	默认值
arch	目标 ARM 架构	armv7hf / armv7 / armv8	armv8
toolchain	工具链	gcc / clang	gcc
with_profile	逐层时间 profile	ON / OFF	OFF
with_precision_profile	逐层精度 profile	ON / OFF	OFF

编译完成后，会生成build.lite.*./lite/api/tools/benchmark/benchmark_bin二进制文件。

运行

需要将如下文件通过adb上传至手机：

Paddle 模型（combined 或 uncombined 格式均可）或已经opt工具离线优化后的.nb文件
二进制文件benchmark_bin

在 Host 端机器上操作例子如下：

shell

# 获取模型文件
wget https://paddle-inference-dist.bj.bcebos.com/AI-Rank/mobile/MobileNetV1.tar.gz
tar zxvf MobileNetV1.tar.gz

# 上传文件
adb shell mkdir /data/local/tmp/benchmark
adb push MobileNetV1 /data/local/tmp/benchmark
adb push build.lite.android.armv8.clang/lite/api/tools/benchmark/benchmark_bin /data/local/tmp/benchmark

# 执行性能测试
adb shell "cd /data/local/tmp/benchmark;
  ./benchmark_bin \
    --model_file=MobileNetV1/inference.pdmodel \
    --param_file=MobileNetV1/inference.pdiparams \
    --input_shape=1,3,224,224 \
    --warmup=10 \
    --repeats=20 \
    --backend=arm"

会输出如下信息：

shell

======= Opt Info =======
Load paddle model from inference.pdmodel and inference.pdiparams
Save optimized model to .nb

======= Device Info =======
Brand: Xiaomi
Device: cepheus
Model: MI 9
Android Version: 10
Android API Level: 29

======= Model Info =======
optimized_model_file: .nb
input_data_path:
input_shape: 1,3,224,224
output tensor num: 1
--- output tensor 0 ---
output shape(NCHW): 1 1000
output tensor 0 elem num: 1000
output tensor 0 mean value: 0.001
output tensor 0 standard deviation: 0.00219647

======= Runtime Info =======
benchmark_bin version: acf6614
threads: 1
power_mode: 0
warmup: 10
repeats: 20
result_path:

======= Backend Info =======
backend: arm
cpu precision: fp32

======= Perf Info =======
Time(unit: ms):
init  = 15.305
first = 43.670
min   = 32.577
max   = 32.895
avg   = 32.723

在 ARM Linux 上运行性能测试

编译

根据源码编译准备编译环境，建议使用 Docker 配置交叉编译环境。拉取 Paddle Lite 代码，切换到特定分支，然后在 Paddle Lite 根目录下执行编译命令：

shell

./lite/tools/build_linux.sh --arch=armv8 --with_benchmark=ON full_publish

可选参数：

参数	说明	可选值	默认值
arch	目标 ARM 架构	armv7 / armv8	armv8
toolchain	工具链	gcc / clang	gcc
with_profile	逐层时间 profile	ON / OFF	OFF
with_precision_profile	逐层精度 profile	ON / OFF	OFF

编译完成后，会生成build.lite.*./lite/api/tools/benchmark/benchmark_bin二进制文件。

运行

需要将如下文件通过scp或其他方式上传至 ARM Linux 设备：

Paddle 文件（combined 或 uncombined 格式均可）或已经opt工具离线优化后的.nb文件
二进制文件benchmark_bin

在 Host 端机器上操作例子如下：

shell

# 获取模型文件
wget https://paddle-inference-dist.bj.bcebos.com/AI-Rank/mobile/MobileNetV1.tar.gz
tar zxvf MobileNetV1.tar.gz

# 上传文件到 ARM Linux 设备

然后通过ssh登录到 ARM Linux 设备，执行：

shell

# 性能测试
cd /path/to/benchmark_bin; \
./benchmark_bin \
    --model_file=MobileNetV1/inference.pdmodel \
    --param_file=MobileNetV1/inference.pdiparams \
    --input_shape=1,3,224,224 \
    --warmup=10 \
    --repeats=20 \
    --backend=arm

会输出如下信息：

shell

======= Opt Info =======
Load paddle model from inference.pdmodel and inference.pdiparams
Save optimized model to .nb

======= Model Info =======
optimized_model_file: .nb
input_data_path:
input_shape: 1,3,224,224
output tensor num: 1
--- output tensor 0 ---
output shape(NCHW): 1 1000
output tensor 0 elem num: 1000
output tensor 0 mean value: 0.001
output tensor 0 standard deviation: 0.00219647

======= Runtime Info =======
benchmark_bin version: acf6614
threads: 1
power_mode: 0
warmup: 10
repeats: 20
result_path:

======= Backend Info =======
backend: arm
cpu precision: fp32

======= Perf Info =======
Time(unit: ms):
init  = 15.305
first = 43.670
min   = 32.577
max   = 32.895
avg   = 32.723

在 Linux 上运行性能测试

编译

根据源码编译准备编译环境，建议使用 Docker 配置环境。拉取 Paddle Lite 代码，切换到特定分支，然后在 Paddle Lite 根目录下执行编译命令：

shell

./lite/tools/build_linux.sh --arch=x86 --with_benchmark=ON full_publish

可选参数：

参数	说明	可选值	默认值
toolchain	工具链	gcc / clang	gcc
with_profile	逐层时间 profile	ON / OFF	OFF
with_precision_profile	逐层精度 profile	ON / OFF	OFF

编译完成后，会生成build.lite.*./lite/api/tools/benchmark/benchmark_bin二进制文件。

运行

运行所需文件：

Paddle 文件（combined 或 uncombined 格式均可）或已经opt工具离线优化后的.nb文件
二进制文件benchmark_bin
libmklml_intel.so

在待测试的 Linux 机器上操作例子如下：

shell

# 获取模型文件
wget https://paddle-inference-dist.bj.bcebos.com/AI-Rank/mobile/MobileNetV1.tar.gz
tar zxvf MobileNetV1.tar.gz

# 设置环境变量
export LD_LIBRARY_PATH=build.lite.x86.gcc/third_party/install/mklml/lib/:$LD_LIBRARY_PATH

# 执行性能测试
./build.lite.linux.x86.gcc/lite/api/tools/benchmark/benchmark_bin \
    --model_file=MobileNetV1/inference.pdmodel \
    --param_file=MobileNetV1/inference.pdiparams \
    --input_shape=1,3,224,224 \
    --warmup=10 \
    --repeats=20 \
    --backend=x86

会输出如下信息：

shell

======= Opt Info =======
Load paddle model from MobileNetV1/inference.pdmodel and MobileNetV1/inference.pdiparams
Save optimized model to .nb


======= Model Info =======
optimized_model_file: .nb
input_data_path: All 1.f
input_shape: 1,3,224,224
output tensor num: 1
--- output tensor 0 ---
output shape(NCHW): 1 1000
output tensor 0 elem num: 1000
output tensor 0 mean value: 0.001
output tensor 0 standard deviation: 0.00219647

======= Runtime Info =======
benchmark_bin version: 380d8d0
threads: 1
power_mode: 0
warmup: 10
repeats: 20
result_path:

======= Backend Info =======
backend: x86
cpu precision: fp32

======= Perf Info =======
Time(unit: ms):
init  = 18.135
first = 80.052
min   = 31.982
max   = 38.947
avg   = 33.918

在 macOS 上运行性能测试

编译

根据源码编译准备编译环境，可以使用 Docker 配置环境，也可以使用系统原生开发环境。拉取 Paddle Lite 代码，切换到特定分支，然后在 Paddle Lite 根目录下执行编译命令：

shell

# 芯片为 x86 架构时，执行：
./lite/tools/build_macos.sh --with_benchmark=ON x86

# 芯片为 ARM 架构时，执行：
./lite/tools/build_macos.sh --with_benchmark=ON arm64

可选参数：

参数	说明	可选值	默认值
toolchain	工具链	gcc / clang	gcc
with_profile	逐层时间 profile	ON / OFF	OFF
with_precision_profile	逐层精度 profile	ON / OFF	OFF

编译完成后，会生成build.lite.*./lite/api/tools/benchmark/benchmark_bin二进制文件。

运行

运行所需文件：

Paddle 文件（combined 或 uncombined 格式均可）或已经opt工具离线优化后的.nb文件
二进制文件benchmark_bin
libmklml.dylib

在 macOS 机器上操作例子如下：

shell

# 获取模型文件
wget https://paddle-inference-dist.bj.bcebos.com/AI-Rank/mobile/MobileNetV1.tar.gz
tar zxvf MobileNetV1.tar.gz

# 设置环境变量
export LD_LIBRARY_PATH=build.lite.x86.opencl/third_party/install/mklml/lib/:$LD_LIBRARY_PATH

# 执行性能测试
./build.lite.x86.opencl/lite/api/tools/benchmark/benchmark_bin \
    --model_file=MobileNetV1/inference.pdmodel \
    --param_file=MobileNetV1/inference.pdiparams \
    --input_shape=1,3,224,224 \
    --warmup=10 \
    --repeats=20 \
    --backend=x86

会输出如下信息：

shell

======= Opt Info =======
Load paddle model from MobileNetV1/inference.pdmodel and MobileNetV1/inference.pdiparams
Save optimized model to MobileNetV1/opt.nb


======= Model Info =======
optimized_model_file: MobileNetV1/opt.nb
input_data_path: All 1.f
input_shape: 1,3,224,224
output tensor num: 1
--- output tensor 0 ---
output shape(NCHW): 1 1000
output tensor 0 elem num: 1000
output tensor 0 mean value: 0.001
output tensor 0 standard deviation: 0.00219646

======= Runtime Info =======
benchmark_bin version: 380d8d004
threads: 1
power_mode: 0
warmup: 0
repeats: 1
result_path:

======= Backend Info =======
backend: x86
cpu precision: fp32

======= Perf Info =======
Time(unit: ms):
init  = 11.410
first = 53.964
min   = 53.964
max   = 53.964
avg   = 53.964

高阶用法

Benchnark 工具提供了丰富的运行时选项，来满足不同的运行时参数设置。用户可以通过在目标设备上执行./benchmark_bin --help获取所有选项介绍。

指定不同的 backend

在 CPU 上运行模型

设备 OS 为 Android 或 ARM Linux 时，通过使用--backend=arm来实现
设备 OS 为 Linux 或 macOS(x86 芯片) 时，通过使用--backend=x86来实现

在 GPU 上运行模型

设备 OS 为 Android 或 ARM Linux 时，通过使用--backend=opencl,arm来实现
设备 OS 为 macOS(arm 芯片，如 m1) 时，通过使用--backend=opencl,arm来实现, 只支持精度为fp32，需设置--gpu_precision=fp32
设备 OS 为 macOS(x86 芯片) 时，通过使用--backend=opencl,x86来实现

说明：

由于 Linux 上运行 OpenCL 必须提前预装 OpenCL 相关驱动库，因此暂不支持使用 Linux 系统上的 GPU 执行模型推理预测
当指定在 GPU 上运行模型时，有如下 4 个重要运行时参数，不同设置会对性能有较大影响：
- --opencl_cache_dir：设置 opencl cache 文件的存放路径，当显式设置该选项后，会开启 opencl kernel 预编译和 auto-tune 功能
- --opencl_kernel_cache_file：设置 opencl kernel cache 文件名字
- --opencl_tuned_file：设置 opencl auto-tune 文件名字
- --opencl_tune_mode：设置 opencl auto-tune 模式

比如在 Android 设备上使用 GPU 运行模型时，推荐使用：

shell

adb shell "cd /data/local/tmp/benchmark;
  ./benchmark_bin \
    --model_file=MobileNetV1/inference.pdmodel \
    --param_file=MobileNetV1/inference.pdiparams \
    --input_shape=1,3,224,224 \
    --warmup=10 \
    --repeats=20 \
    --backend=opencl,arm \
    --opencl_cache_dir=/data/local/tmp \
    --opencl_kernel_cache_file=MobileNetV1_kernel.bin \
    --opencl_tuned_file=MobileNetV1_tuned.bin"

在 NNAdapter 上运行模型

在 NNAdapter 上运行模型，需配置三个重要参数：

--backend：设置模型运行时的后端，支持 NNAdapter 与 x86、ARM 组合进行异构计算
--nnadapter_device_names：设置 NNAdapter 的实际新硬件后端
--nnadapter_context_properties：设置新硬件硬件资源（目前仅在 Huawei Ascend NPU 上使用）

运行前的数据准备

步骤 1：编译 benchmark_bin

Huawei Kirin NPU / Mediatek NPU 请参考『在 Android 上运行性能测试』进行编译。
Huawei Ascend NPU（arm host） / Imagination NNA 请参考『在 ARM Linux 上运行性能测试』进行编译。
Huawei Ascend NPU（x86 host）请参考『在 Linux 上运行性能测试』进行编译。

编译完成后，会生成build.lite.*./lite/api/tools/benchmark/benchmark_bin二进制文件。

步骤 2：编译 NNAdapter 运行时库与 NNAdapter Device HAL 库

请参考下表编译指南，编译 NNAdapter 运行时库及 NNAdapter Device HAL 库

No.	新硬件名称	Device HAL 库名称	编译指南
1	Huawei Kirin NPU	libhuawei_kirin_npu.so	点击进入
2	Huawei Ascend NPU	libhuawei_ascend_npu.so	点击进入
3	Imagination NNA	libimagination_nna.so	点击进入
4	Mediatek APU	libmediatek_apu.so	点击进入

编译完成后，NNAdapter 运行时库和 Device HAL 库将会生成在build.lite*/inference_lite_lib*/cxx/lib/目录下。

步骤 3：获取新硬件 DDK

请下载 Paddle Lite 通用示例程序，并参照下表路径，获取新硬件所需的 DDK。

No.	新硬件名称	DDK 路径
1	Huawei Kirin NPU	PaddleLite-generic-demo/libs/PaddleLite/android/arm64-v8a/lib/huawei_kirin_npu
PaddleLite-generic-demo/libs/PaddleLite/android/armeabi-v7a/lib/huawei_kirin_npu
2	Huawei Ascend NPU	PaddleLite-generic-demo/libs/PaddleLite/linux/amd64/lib/huawei_ascend_npu
PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/huawei_ascend_npu
3	Imagination NNA	PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/imagination_nna
4	Mediatek APU	PaddleLite-generic-demo/libs/PaddleLite/android/armeabi-v7a/lib/mediatek_apu

步骤 4：拷贝数据到新硬件设备

将 benchmark_bin 及所需动态库全部拷入新硬件设备后，即可开始运行模型并获得性能数据。

对于 Android 设备，我们建议您将全部数据放在/data/local/tmp/benchmark目录下
对于 Linux 设备，我们建议您将全部数据放在~/benchmark目录下

为方便后续命令的表示，我们做以下约定：

用户已在构建机器的~/benchmark路径下归档好包含 benchmark_bin、NNAdapter 运行时库、NNAdapter Device HAL 库、新硬件 DDK、Paddle 模型文件在内的全部数据。

在 Huawei Kirin NPU 上运行模型

shell

# 拷贝 benchmark 文件夹到新硬件
adb shell "rm -rf /data/local/tmp/benchmark"
adb shell "mkdir /data/local/tmp/benchmark"
adb push ~/benchmark/* /data/local/tmp/benchmark
# 设置环境变量并运行模型
adb shell "cd /data/local/tmp/benchmark;
export LD_LIBRARY_PATH=.:$LD_LIBRARY_PATH;
./benchmark_bin \
  --model_file=MobileNetV1/inference.pdmodel \
  --param_file=MobileNetV1/inference.pdiparams \
  --input_shape=1,3,224,224 \
  --warmup=10 \
  --repeats=20 \
  --backend=nnadapter,arm \
  --nnadapter_device_names=huawei_kirin_npu"

在 Huawei Ascend NPU 上运行模型

shell

# Host 侧为 x86 CPU 时
# 拷贝 benchmark 文件夹到新硬件
ssh name@ip "rm -rf ~/benchmark"
scp -r ~/benchmark name@ip:~
ssh name@ip
cd ~/benchmark
# 设置环境变量
export LD_LIBRARY_PATH=.:$LD_LIBRARY_PATH
# 运行模型
./benchmark_bin \
  --model_file=MobileNetV1/inference.pdmodel \
  --param_file=MobileNetV1/inference.pdiparams \
  --input_shape=1,3,224,224 \
  --warmup=10 \
  --repeats=20 \
  --backend=nnadapter,x86 \
  --nnadapter_device_names=huawei_ascend_npu \
  --nnadapter_context_properties="HUAWEI_ASCEND_NPU_SELECTED_DEVICE_IDS=0"

# Host 侧为 ARM CPU 时
# 拷贝 benchmark 文件夹到新硬件
ssh name@ip "rm -rf ~/benchmark"
scp -r ~/benchmark name@ip:~
ssh name@ip
cd ~/benchmark
# 设置环境变量
export LD_LIBRARY_PATH=.:$LD_LIBRARY_PATH
# 运行模型
./benchmark_bin \
  --model_file=MobileNetV1/inference.pdmodel \
  --param_file=MobileNetV1/inference.pdiparams \
  --input_shape=1,3,224,224 \
  --warmup=10 \
  --repeats=20 \
  --backend=nnadapter,arm \
  --nnadapter_device_names=huawei_ascend_npu \
  --nnadapter_context_properties="HUAWEI_ASCEND_NPU_SELECTED_DEVICE_IDS=0"

在 Imagination NNA 上运行模型

shell

# 拷贝 benchmark 文件夹到新硬件
ssh name@ip "rm -rf ~/benchmark"
scp -r ~/benchmark name@ip:~
ssh name@ip
cd ~/benchmark
# 设置环境变量
export LD_LIBRARY_PATH=.:$LD_LIBRARY_PATH
# 运行模型
./benchmark_bin \
  --uncombined_model_dir=./mobilenet_v1_int8_224_per_layer \
  --input_shape=1,3,224,224 \
  --warmup=10 \
  --repeats=20 \
  --backend=nnadapter,arm \
  --nnadapter_device_names=imagination_nna

在 Mediatek APU 上运行模型

shell

# 拷贝 benchmark 文件夹到新硬件
adb shell "rm -rf /data/local/tmp/benchmark"
adb shell "mkdir /data/local/tmp/benchmark"
adb push ~/benchmark/* /data/local/tmp/benchmark
# 设置环境变量并运行模型
adb shell "cd /data/local/tmp/benchmark;
export LD_LIBRARY_PATH=.:$LD_LIBRARY_PATH;
./benchmark_bin \
  --uncombined_model_dir=./mobilenet_v1_int8_224_per_layer \
  --input_shape=1,3,224,224 \
  --warmup=10 \
  --repeats=20 \
  --backend=nnadapter,arm \
  --nnadapter_device_names=mediatek_apu"

逐层耗时和精度分析

当在编译时设置--with_profile=ON时，运行benchmark_bin时会输出模型每层的耗时信息；当在编译时设置--with_precision_profile=ON时，运行benchmark_bin时会输出模型每层的精度信息。具体可以参见 Profiler 工具。