Java 完整示例¶
本章节包含2部分内容：(1) Java 示例程序；(2) Java 应用开发说明。
Java 示例程序¶
本章节展示的所有Java 示例代码位于 demo/java 。
2. 下载预编译的预测库¶
预测库下载界面位于Lite预编译库下载，可根据您的手机型号选择合适版本。
以Android-ARMv8架构为例，可以下载以下版本：
| Arch | with_extra | arm_stl | with_cv | 下载 |
|---|---|---|---|---|
| armv8 | OFF | c++_static | OFF | release/v2.6.1 |
解压后内容结构如下：
inference_lite_lib.android.armv8 Paddle-Lite 预测库
├── cxx C++ 预测库
│ ├── include C++ 预测库头文件
│ └── lib C++ 预测库文件
├── demo 示例 Demo
│ ├── cxx C++ 示例 Demo
│ └── java Java 示例 Demo
│ ├── README.md Java Demo Readme 文件
│ └── android Java Andriod Demo
└── java Java 预测库
├── jar
│ └── PaddlePredictor.jar Java JAR 包
├── so
│ └── libpaddle_lite_jni.so Java JNI 动态链接库
└── src
3. 准备预测部署模型¶
自动化脚本方法¶
在Java Andriod Demo文件夹下，我们准备了一个脚本prepare_demo.bash，输入手机架构参数例如arm64-v8a，即可自动打包所有预测部署所需文件。
cd inference_lite_lib.android.armv8/demo/java/android
bash prepare_demo.bash arm8
以上命令自动进行了以下三步操作：
拷贝JNI动态链接库
libpaddle_lite_jni.so到PaddlePredictor/app/src/main/jniLibs/arm64-v8a/拷贝JAR包
PaddlePredictor.jar到PaddlePredictor/app/libs/自动下载并解压所有模型文件，拷贝到
PaddlePredictor/app/src/main/assets/
注意： 目前脚本输入手机架构参数仅支持 arm7 | arm8 | armeabi-v7a | arm64-v8a。
手动拷贝方法¶
(1) 把Java JNI动态链接库和Java JAR包拷贝进安卓demo程序文件夹下：
cd inference_lite_lib.android.armv8/demo/java/android
# 请替换<架构文件夹>为手机架构名称，例如 arm64-v8a
cp ../../../java/so/libpaddle_lite_jni.so PaddlePredictor/app/src/main/jniLibs/<架构文件夹>
cp ../../../java/jar/PaddlePredictor.jar PaddlePredictor/app/libs/
(2) 下载模型文件
下载以下5个模型，并解压缩到 PaddlePredictor/app/src/main/assets 文件夹中。解压之后，assets文件夹里要包含解压后的五个以.nb结尾的模型文件，但不需要保存原压缩.tar.gz文件。
| 模型 | 下载地址 |
|---|---|
| inception_v4_simple_opt.nb | http://paddle-inference-dist.bj.bcebos.com/inception_v4_simple_opt.nb.tar.gz |
| lite_naive_model_opt.nb | http://paddle-inference-dist.bj.bcebos.com/lite_naive_model_opt.nb.tar.gz |
| mobilenet_v1_opt.nb | http://paddle-inference-dist.bj.bcebos.com/mobilenet_v1_opt.nb.tar.gz |
| mobilenet_v2_relu_opt.nb | http://paddle-inference-dist.bj.bcebos.com/mobilenet_v2_relu_opt.nb.tar.gz |
| resnet50_opt.nb | http://paddle-inference-dist.bj.bcebos.com/resnet50_opt.nb.tar.gz |
注意：模型要求为naive buffer格式，您可以通过 opt工具 将Paddle模型转为naive buffer存储格式。
4. 运行预测示例程序¶
用AndroidStudio打开
inference_lite_lib.android.armv8/demo/java/android/PaddlePredictor文件夹（需要联网），打开后工程会自动build完成。设置手机：手机USB连接电脑，打开
设置 -> 开发者模式 -> USB调试 -> 允许（授权）当前电脑调试手机，并确认AndroidStudio可以识别接入的手机设备。按下AndroidStudio的Run按钮，AndroidStudio会自动编译APP并安装到手机。在手机上打开安装成功的APP，大概会等10秒，然后看到类似以下输出：
lite_naive_model output: 50.213173, -28.872887
expected: 50.2132, -28.8729
inception_v4_simple test:true
time: xxx ms
resnet50 test:true
time: xxx ms
mobilenet_v1 test:true
time: xxx ms
mobilenet_v2 test:true
time: xxx ms
该 demo 程序跑我们的 5 个模型，第一个模型结果将真正的头两个数字输出，并在第二行附上期望的正确值。你应该要看到他们的误差小于0.001。后面四个模型如果你看到 test:true 字样，说明模型输出通过了我们在 demo 程序里对其输出的测试。time 代表该测试花费的时间。
注意： 在这一步中，如果遇到Andriod Studio编译/安装失败等问题，请参考Andriod示例中部署方法章节的详细步骤和注意事项。
Java 应用开发说明¶
Java代码调用Paddle-Lite执行预测库仅需以下五步：
(1) 设置config信息
MobileConfig config = new MobileConfig();
config.setModelDir(modelPath);
config.setPowerMode(PowerMode.LITE_POWER_HIGH);
config.setThreads(1);
(2) 创建predictor
PaddlePredictor predictor = PaddlePredictor.createPaddlePredictor(config);
(3) 设置模型输入 (下面以全一输入为例)
float[] inputBuffer = new float[10000];
for (int i = 0; i < 10000; ++i) {
inputBuffer[i] = i;
}
Tensor input = predictor.getInput(0);
input.resize({100, 100});
input.setData(inputBuffer);
(4) 执行预测
predictor.run();
(5) 获得预测结果
Tensor output = predictor.getOutput(0);
详细的Java API说明文档位于Java API。更多Java应用预测开发可以参考位于位于Paddle-Lite-Demo的工程示例代码。