PaddleLite使用X86预测部署

Paddle-Lite 支持在Docker或Linux环境编译x86预测库。环境搭建参考环境准备。

(注意：非docker Linux环境需要是Ubuntu16.04)

编译

1、 下载代码

git clone https://github.com/PaddlePaddle/Paddle-Lite.git
# 切换到release分支
git checkout release/v2.3

2、 源码编译

cd Paddle-Lite
./lite/tools/build.sh x86

编译结果说明

x86编译结果位于 build.lite.x86/inference_lite_lib 具体内容说明：

1、 bin文件夹：可执行工具文件 test_model_bin

2、 cxx文件夹：包含c++的库文件与相应的头文件

• include : 头文件

• lib : 库文件

  • 打包的静态库文件：

    • libpaddle_api_full_bundled.a ：包含 full_api 和 light_api 功能的静态库

    • libpaddle_api_light_bundled.a ：只包含 light_api 功能的静态库

  • 打包的动态态库文件：

    • libpaddle_full_api_shared.so ：包含 full_api 和 light_api 功能的动态库

    • libpaddle_light_api_shared.so：只包含 light_api 功能的动态库

3、 third_party 文件夹：第三方库文件

x86预测API使用示例

1、我们提供Linux环境下x86 API运行mobilenet_v1的示例：mobilenet_full_x86demo。下载解压后内容如下：

mobilenet_v1为模型文件、lib和include分别是Paddle-Lite的预测库和头文件、third_party下是编译时依赖的第三方库mklml、mobilenet_full_api.cc是x86示例的源代码、build.sh为编译的脚本。

2、demo内容与使用方法

# 1、编译
sh build.sh

编译结果为当前目录下的 mobilenet_full_api

# 2、执行预测
mobilenet_full_api mobilenet_v1

mobilenet_v1为当前目录下的模型路径，mobilenet_full_api为第一步编译出的可执行文件。

3、示例源码mobilenet_full_api.cc

#include <iostream>
#include <vector>
#include "paddle_api.h"


using namespace paddle::lite_api;  // NOLINT

int64_t ShapeProduction(const shape_t& shape) {
  int64_t res = 1;
  for (auto i : shape) res *= i;
  return res;
}

void RunModel(std::string model_dir) {
   // 1. Create CxxConfig
   CxxConfig config;
   config.set_model_dir(model_dir);
   config.set_valid_places({
     Place{TARGET(kX86), PRECISION(kFloat)},
     Place{TARGET(kHost), PRECISION(kFloat)}
   });
  // 2. Create PaddlePredictor by CxxConfig
  std::shared_ptr<PaddlePredictor> predictor =
      CreatePaddlePredictor<CxxConfig>(config);

  // 3. Prepare input data
  std::unique_ptr<Tensor> input_tensor(std::move(predictor->GetInput(0)));
  input_tensor->Resize({1, 3, 224, 224});
  auto* data = input_tensor->mutable_data<float>();
  for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) {
    data[i] = 1;
  }

  // 4. Run predictor
  predictor->Run();

  // 5. Get output
  std::unique_ptr<const Tensor> output_tensor(
      std::move(predictor->GetOutput(0)));
  std::cout << "Output shape " << output_tensor->shape()[1] << std::endl;
  for (int i = 0; i < ShapeProduction(output_tensor->shape()); i += 100) {
    std::cout << "Output[" << i << "]: " << output_tensor->data<float>()[i]
              << std::endl;
  }
}

int main(int argc, char** argv) {
  if (argc < 2) {
    std::cerr << "[ERROR] usage: ./" << argv[0] << " naive_buffer_model_dir\n";
    exit(1);
  }
  std::string model_dir = argv[1];
  RunModel(model_dir);
  return 0;
}