PaddleLite使用联发科APU预测部署¶
Paddle Lite已支持MediaTek APU的预测部署。 其接入原理是与之前华为Kirin NPU类似，即加载并分析Paddle模型，将Paddle算子转成MTK的Neuron adapter API（类似Android NN API）进行网络构建，在线生成并执行模型。
支持现状¶
已支持的设备¶
MT8168-P2V1 Tablet
已支持的Paddle模型¶
性能¶
测试环境
编译环境
Ubuntu 16.04，NDK-r17c with GCC for Android armeabi-v7a
硬件环境
MT8168
MT8168-P2V1 Tablet
CPU：4 x Cortex-A53 2.0 GHz
APU：0.3 TOPs
测试方法
warmup=10，repeats=30，统计平均时间，单位是ms
线程数为1，
DeviceInfo::Global().SetRunMode设置LITE_POWER_HIGH分类模型的输入图像维度是{1，3，224，224}
测试结果
| 模型 | MT8168 | |
|---|---|---|
| CPU(ms) | NPU(ms) | |
| MobileNetV1-int8 | 131.622305 | 31.453601 |
已支持（或部分支持）的Paddle算子¶
relu
conv2d
depthwise_conv2d
elementwise_add
elementwise_mul
fc
pool2d
softmax
参考示例演示¶
准备设备环境¶
由于需要依赖特定版本的firmware，感兴趣的同学通过MTK官网https://www.mediatek.cn/about/contact-us提供的联系方式（类别请选择”销售”），获取测试设备和firmware；
运行图像分类示例程序¶
下载示例程序PaddleLite-android-demo.tar.gz，解压后清单如下：
- PaddleLite-android-demo - image_classification_demo - assets - images - tabby_cat.jpg # 测试图片 - labels - synset_words.txt # 1000分类label文件 - models - mobilenet_v1_int8_224_for_cpu_fluid # Paddle fluid non-combined格式的、适用于ARM CPU的mobilenetv1量化模型 - mobilenet_v1_int8_224_for_mediatek_apu_fluid # Paddle fluid non-combined格式的、适用于MediaTek APU的mobilenetv1全量化模型 - mobilenet_v1_int8_224_for_cpu - model.nb # 已通过opt转好的、适合ARM CPU的mobilenetv1量化模型 - mobilenet_v1_int8_224_for_mediatek_apu - model.nb # 已通过opt转好的、适合MediaTek APU的mobilenetv1全量化模型 - shell # android shell端的示例程序 - CMakeLists.txt # 示例程序CMake脚本 - build - image_classification_demo # 已编译好的android shell端的示例程序 - image_classification_demo.cc # 示例程序源码 - build.sh # 示例程序编译脚本 - run.sh # 示例程序运行脚本 - apk # 常规android应用程序 - app - src - main - java # java层代码 - cpp # 自定义的jni实现 - app.iml - build.gradle - gradle ... - libs - PaddleLite - arm64-v8a - include # PaddleLite头文件 - lib - libc++_shared.so - libpaddle_light_api_shared.so # 用于最终移动端部署的预编译PaddleLite库（tiny publish模式下编译生成的库） - libpaddle_full_api_shared.so # 用于直接加载Paddle模型进行测试和Debug的预编译PaddleLite库（full publish模式下编译生成的库） - armeabi-v7a - OpenCV # OpenCV 4.2 for androidAndroid shell端的示例程序
按照以下命令分别运行转换后的ARM CPU模型和MediaTek APU模型，比较它们的性能和结果；
注意： 1）run.sh只能在连接设备的系统上运行，不能在docker环境执行（可能无法找到设备），也不能在设备上运行； 2）build.sh需要在docker环境中执行，否则，需要将build.sh的ANDROID_NDK修改为当前环境下的NDK路径； 3）以下执行结果均由armeabi-v7a库生成，如果需要测试arm64-v8a库，可将build.sh的ANDROID_ABI修改成arm64-v8a后重新生成image_classification_demo，同时将run.sh的ANDROID_ABI也修改成arm64-v8a即可)。 运行适用于ARM CPU的mobilenetv1量化模型 $ cd PaddleLite-android-demo/image_classification_demo/assets/models $ cp mobilenet_v1_int8_224_for_cpu/model.nb mobilenet_v1_int8_224_for_cpu_fluid.nb $ cd ../../shell $ vim ./run.sh MODEL_NAME设置为mobilenet_v1_int8_224_for_cpu_fluid $ ./run.sh ... iter 0 cost: 131.371002 ms iter 1 cost: 131.477005 ms iter 2 cost: 131.676010 ms iter 3 cost: 131.533005 ms iter 4 cost: 131.606003 ms iter 5 cost: 131.537003 ms iter 6 cost: 131.822006 ms iter 7 cost: 131.709000 ms iter 8 cost: 131.542007 ms iter 9 cost: 131.950012 ms warmup: 5 repeat: 10, average: 131.622305 ms, max: 131.950012 ms, min: 131.371002 ms results: 3 Top0 tabby, tabby cat - 0.462754 Top1 Egyptian cat - 0.397135 Top2 tiger cat - 0.119461 Preprocess time: 4.614000 ms Prediction time: 131.622305 ms Postprocess time: 0.084000 ms 运行适用于MediaTeK APU的mobilenetv1全量化模型 $ cd PaddleLite-android-demo/image_classification_demo/assets/models $ cp mobilenet_v1_int8_224_for_mediatek_apu/model.nb mobilenet_v1_int8_224_for_mediatek_apu_fluid.nb $ cd ../../shell $ vim ./run.sh MODEL_NAME设置为mobilenet_v1_int8_224_for_mediatek_apu_fluid $ ./run.sh ... iter 0 cost: 31.512001 ms iter 1 cost: 31.480001 ms iter 2 cost: 31.481001 ms iter 3 cost: 31.390001 ms iter 4 cost: 31.452002 ms iter 5 cost: 31.411001 ms iter 6 cost: 31.348001 ms iter 7 cost: 31.515001 ms iter 8 cost: 31.459002 ms iter 9 cost: 31.488001 ms warmup: 5 repeat: 10, average: 31.453601 ms, max: 31.515001 ms, min: 31.348001 ms results: 3 Top0 tabby, tabby cat - 0.017549 Top1 Egyptian cat - -0.257390 Top2 tiger cat - -0.544028 Preprocess time: 4.361000 ms Prediction time: 31.453601 ms Postprocess time: 0.067000 ms
如果需要更改测试图片，可将图片拷贝到PaddleLite-android-demo/image_classification_demo/assets/images目录下，然后将run.sh的IMAGE_NAME设置成指定文件名即可；
如果需要重新编译示例程序，直接运行./build.sh即可。
由于MediaTek APU暂时只支持NHWC的数据布局格式，而PaddleLite默认使用NCHW的数据布局格式，导致额外增加了预测中输入张量的NCHW到NHWC的转换，大约耗费8~9ms。
常规Android应用程序
安装Android Studio 3.4
打开Android Studio，在”Welcome to Android Studio”窗口点击”Open an existing Android Studio project”，在弹出的路径选择窗口中进入”PaddleLite-android-demo/image_classification_demo/apk”目录，然后点击右下角的”Open”按钮即可导入工程；
通过USB连接Android手机、平板或开发板；
临时关闭selinux模式，允许app调用系统库；
$ adb root $ adb shell # setenforce 0待工程加载完成后，点击菜单栏的Build->Rebuild Project按钮，如果提示CMake版本不匹配，请点击错误提示中的’Install CMake xxx.xxx.xx’按钮，重新安装CMake，然后再次点击菜单栏的Build->Rebuild Project按钮；
待工程编译完成后，点击菜单栏的Run->Run ‘App’按钮，在弹出的”Select Deployment Target”窗口选择已经连接的Android设备，然后点击”OK”按钮；
等待大约1分钟后（第一次时间比较长，需要耐心等待），app已经安装到设备上。默认使用ARM CPU模型进行预测，由于MT8168的CPU由四核Arm-Cortex A53组成，性能较一般手机的A7x系列要弱很多，如下图所示，只有6fps；
点击app界面右下角的设置按钮，在弹出的设置页面点击”Choose pre-installed models”，选择”mobilenet_v1_int8_for_mediatek_apu”，点击返回按钮后，app将切换到MediaTek APU模型，如下图所示，帧率提高到14fps。
更新模型¶
通过Paddle Fluid训练，或X2Paddle转换得到MobileNetv1 foat32模型mobilenet_v1_fp32_224_fluid；
参考模型量化-静态离线量化使用PaddleSlim对float32模型进行量化（注意：由于MTK APU只支持量化OP，在启动量化脚本时请注意相关参数的设置），最终得到全量化MobileNetV1模型mobilenet_v1_int8_224_fluid；
参考模型转化方法，利用opt工具转换生成MTK APU模型，仅需要将valid_targets设置为apu,arm即可。
$ cd PaddleLite-android-demo/image_classification_demo/assets/models $ ./opt --model_dir=mobilenet_v1_int8_224_for_mediatek_apu_fluid \ --optimize_out_type=naive_buffer \ --optimize_out=opt_model \ --valid_targets=apu,arm 替换自带的MediaTek APU模型 $ cp opt_model.nb mobilenet_v1_int8_224_for_mediatek_apu/model.nb
注意：opt生成的模型只是标记了MediaTek APU支持的Paddle算子，并没有真正生成MediaTek APU模型，只有在执行时才会将标记的Paddle算子转成MTK Neuron adapter API调用实现组网，最终生成并执行模型。
更新支持MediaTek APU的Paddle Lite库¶
下载PaddleLite源码和MediaTek APU DDK；
$ git clone https://github.com/PaddlePaddle/Paddle-Lite.git $ cd Paddle-Lite $ git checkout <release-version-tag> $ wget https://paddlelite-demo.bj.bcebos.com/devices/mediatek/apu_ddk.tar.gz $ tar -xvf apu_ddk.tar.gz编译并生成PaddleLite+MediaTekAPU for armv8 and armv7的部署库
For armv8
tiny_publish编译方式
$ ./lite/tools/build_android.sh --android_stl=c++_shared --with_extra=ON --with_log=ON --with_mediatek_apu=ON --mediatek_apu_sdk_root=./apu_ddk 将tiny_publish模式下编译生成的build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.apu/cxx/lib/libpaddle_light_api_shared.so替换PaddleLite-android-demo/libs/PaddleLite/arm64-v8a/lib/libpaddle_light_api_shared.so文件；
full_publish编译方式
$ ./lite/tools/build_android.sh --android_stl=c++_shared --with_extra=ON --with_log=ON --with_mediatek_apu=ON --mediatek_apu_sdk_root=./apu_ddk full_publish 将full_publish模式下编译生成的build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.apu/cxx/lib/libpaddle_full_api_shared.so替换PaddleLite-android-demo/libs/PaddleLite/arm64-v8a/lib/libpaddle_full_api_shared.so文件；
将编译生成的build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.apu/cxx/include替换PaddleLite-android-demo/libs/PaddleLite/arm64-v8a/include目录；
For armv7
tiny_publish编译方式
$ ./lite/tools/build_android.sh --arch=armv7 --android_stl=c++_shared --with_extra=ON --with_log=ON --with_mediatek_apu=ON --mediatek_apu_sdk_root=./apu_ddk 将tiny_publish模式下编译生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.apu/cxx/lib/libpaddle_light_api_shared.so替换PaddleLite-android-demo/libs/PaddleLite/armeabi-v7a/lib/libpaddle_light_api_shared.so文件；
full_publish编译方式
$ ./lite/tools/build_android.sh --arch=armv7 --android_stl=c++_shared --with_extra=ON --with_log=ON --with_mediatek_apu=ON --mediatek_apu_sdk_root=./apu_ddk full_publish 将full_publish模式下编译生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.apu/cxx/lib/libpaddle_full_api_shared.so替换PaddleLite-android-demo/libs/PaddleLite/armeabi-v7a/lib/libpaddle_full_api_shared.so文件。
将编译生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.apu/cxx/include替换PaddleLite-android-demo/libs/PaddleLite/armeabi-v7a/include目录；
替换头文件后需要重新编译示例程序
其它说明¶
由于涉及到License的问题，无法提供用于测试的firmware，我们深感抱歉。如果确实对此非常感兴趣，可以参照之前提到的联系方式，直接联系MTK的销售；
MTK研发同学正在持续增加用于适配Paddle算子bridge/converter，以便适配更多Paddle模型。