PaddleLite使用NPU(华为)预测部署

Paddle Lite是首款支持华为自研达芬奇架构NPU（Kirin 810/990 SoC搭载的NPU）的预测框架。 原理是在线分析Paddle模型，将Paddle算子转成HiAI IR后，调用HiAI IR/Builder/Runtime APIs生成并执行HiAI模型。

已支持的设备

  • 华为nova5、nova5i pro、mate30、mate30 pro、mate30 5G、荣耀v30，以及即将推出的mate40、p40。据华为透露，今后上市的大部分手机都会搭载其自研达芬奇架构NPU。

已支持的模型

  • MobileNetV1

  • MobileNetV2

  • ResNet-18/50

  • ShuffleNetV2

  • CycleGAN (暂时需要华为内部rom的支持)

  • 百度内部业务模型（由于涉密，不方便透露具体细节）

已支持（或部分支持）的Paddle算子

  • sigmoid

  • relu

  • tanh

  • relu_clipped

  • leaky_relu

  • softsign

  • hard_sigmoid

  • batch_norm

  • concat

  • conv2d

  • depthwise_conv2d

  • conv2d_transpose

  • dropout

  • elementwise_add

  • elementwise_sub

  • elementwise_mul

  • elementwise_div

  • fusion_elementwise_add_activation

  • fusion_elementwise_sub_activation

  • fusion_elementwise_mul_activation

  • fusion_elementwise_div_activation

  • fc

  • bilinear_interp

  • nearest_interp

  • matmul

  • mul

  • pad2d

  • pool2d

  • reduce_mean

  • reshape

  • reshape2

  • scale

  • shuffle_channel

  • softmax

  • split

  • sqrt

  • square

  • transpose

  • transpose2

  • unsqueeze

  • unsqueeze2

  • instance_norm (暂时需要华为内部rom的支持)

  • layer_norm (暂时需要华为内部rom的支持)

编译支持NPU的Paddle Lite库

  • 从https://developer.huawei.com/consumer/cn/hiai/下载华为HiAI DDK后解压到任意路径（注意：华为提供了多个版本的DDK，我们需要下载针对麒麟810/990芯片HiAI Foundation开发套件，例如最新的HiAI DDK v310）

  • 将HiAI DDK中的ai_ddk_lib目录拷贝至Paddle Lite源码根目录后，使用NPU编译脚本编译full_publish和tiny_publish。

注意：以下是HiAI DDK V310版解压后的目录结构，需要将ai_ddk_lib目录拷贝至Paddle Lite源码根目录。

- app_sample
- ddk
  - ai_ddk_lib
    - include
    - lib # for armv7
    - lib64 # for armv8
- document
- tools

  • full_publish and tiny_publish for armv8，由于HiAI DDK的armv7和armv8的so库均基于c++_shared构建，因此，建议使用c++_shared编译Paddle Lite。

$ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv8 --arm_lang=gcc --android_stl=c++_shared full_publish
$ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv8 --arm_lang=gcc --android_stl=c++_shared tiny_publish

  • full_publish and tiny_publish for armv7

$ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv7 --arm_lang=gcc --android_stl=c++_shared full_publish
$ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv7 --arm_lang=gcc --android_stl=c++_shared tiny_publish

注意：为了保证编译环境一致，建议参考源码编译中的Docker开发环境进行配置，然后再执行上述命令。

优化生成NPU模型

  • model_optimize_tool工具已经支持生成NPU模型，仅需要将valid_targets设置为npu,arm即可，具体参考模型转化方法。

./model_optimize_tool --model_dir=<model_param_dir> \
    --model_file=<model_path> \
    --param_file=<param_path> \
    --optimize_out_type=(protobuf|naive_buffer) \
    --optimize_out=<output_optimize_model_dir> \
    --valid_targets=npu,arm \
    --prefer_int8_kernel=(true|false) \
    --record_tailoring_info =(true|false)

  • model_optimize_tool生成的模型只是标记了NPU支持的Paddle算子，并没有真正生成NPU HiAI模型，只有在执行时才会将标记的Paddle算子转成HiAI IR，最终生成并执行HiAI模型，具体实现参考PR2576。

  • 不同模型，不同型号（ROM版本）的华为手机，在执行阶段，由于某些Paddle算子无法完全转成HiAI IR，或目标手机的HiAI版本过低等原因，可能导致HiAI模型无法成功生成，在这种情况下，Paddle Lite会调用CPU版算子进行运算完成整个预测任务。

通过JAVA接口加载并执行NPU模型

  • 使用方法和Java实例一致，无需额外设置任何参数，只需将模型换成NPU模型即可。Paddle-Lite-Demo中的Image Classification Demo for Android是同时支持CPU和NPU两种模型的图像分类Demo。

注意：在拷贝libpaddle_lite_jni.so的时候，由于依赖HiAI DDK so和libc++_shared.so库，需要将HiAI DDK中ai_ddk_lib/lib或ai_ddk_lib/lib64目录下的所有so和libc++_shared.so，拷到libpaddle_lite_jni.so同级目录下。

通过C++接口加载并执行NPU模型

  • 使用方法和C++实例一致，同样无需额外设置任何参数，只需将模型换成NPU模型即可。

注意：1）不能使用安卓模拟器，需要使用真实设备，且必须是支持NPU的华为手机。2）在使用adb push命令向手机推送目标程序时，需要将HiAI DDK中ai_ddk_lib/lib或ai_ddk_lib/lib64目录下的所有so和libc++_shared.so，推送到目标程序同级目录下。

其它说明

  • 华为达芬奇架构的NPU内部大量采用float16进行运算，因此，预测结果会存在偏差，但大部分情况下精度不会有较大损失，可参考Paddle-Lite-Demo中Image Classification Demo for Android对同一张图片CPU与NPU的预测结果。

  • 华为Kirin 810/990 Soc搭载的自研达芬奇架构的NPU，与Kirin 970/980 Soc搭载的寒武纪NPU不一样，同样的，与Hi3559A、Hi3519A使用的NNIE也不一样，Paddle Lite只支持华为自研达芬奇架构NPU。

  • 我们正在持续增加能够适配HiAI IR的Paddle算子bridge/converter，以便适配更多Paddle模型，同时华为研发同学也在持续对HiAI IR性能进行优化。