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。
编译¶
1、 下载代码
# 下载Paddle-Lite源码
git clone https://github.com/PaddlePaddle/Paddle-Lite.git
# 切换到release分支
git checkout release/v2.6.0
2、 源码编译
cd Paddle-Lite
./lite/tools/build.sh x86
# 其他可选择编译选项
# --with_log=OFF 关闭LOG信息输出
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- 静态库文件:
libpaddle_api_full_bundled.a
:full_api 静态库libpaddle_api_light_bundled.a
:light_api 静态库
- 动态库文件:
libpaddle_full_api_shared.so
:full_api 动态库libpaddle_light_api_shared.so
:light_api 动态库
- 静态库文件:
3、 third_party
文件夹:依赖的第三方预测库mklml
- mklml : Paddle-Lite预测库依赖的mklml数学库
4、 demo/cxx
文件夹:x86预测库的C++ 示例demo
mobilenetv1_full
:使用full_api 执行mobilenet_v1预测的C++ demomobilenetv1_light
:使用light_api 执行mobilenet_v1预测的C++ demo
x86预测API使用示例¶
1、mobilenetv1_full
目录结构
mobilenetv1_full/
|-- CMakeLists.txt
|-- build.sh
`-- mobilenet_full_api.cc
本demo使用cmake构建CMakeLists.txt
为cmake脚本,mobilenet_full_api.cc
是x86示例的源代码、build.sh
为编译的脚本。
2、demo使用方法
# 1、编译
cd mobilenetv1_full
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
下载并解压模型mobilenet_v1
到当前目录,执行以上命令进行预测。
# 3、执行demo后输出结果如下,全一输入下mobilenet_v1的预测结果
Output shape 1000
Output[0]: 0.000191312
Output[100]: 0.000159713
Output[200]: 0.000264313
Output[300]: 0.000210793
Output[400]: 0.00103236
Output[500]: 0.000110071
Output[600]: 0.00482924
Output[700]: 0.00184533
Output[800]: 0.000202116
Output[900]: 0.000585591
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;
}