使用流程
Lite是一种轻量级、灵活性强、易于扩展的高性能的深度学习预测框架,它可以支持诸如ARM、OpenCL、NPU等等多种终端,同时拥有强大的图优化及预测加速能力。如果您希望将Lite框架集成到自己的项目中,那么只需要如下几步简单操作即可。
一. 准备模型
Lite框架目前支持的模型结构为PaddlePaddle深度学习框架产出的模型格式。因此,在您开始使用 Lite 框架前您需要准备一个由PaddlePaddle框架保存的模型。 如果您手中的模型是由诸如Caffe2、Tensorflow等框架产出的,那么我们推荐您使用 X2Paddle 工具进行模型格式转换。
二. 模型优化
Lite框架拥有强大的加速、优化策略及实现,其中包含诸如量化、子图融合、Kernel优选等等优化手段,为了方便您使用这些优化策略,我们提供了opt帮助您轻松进行模型优化。优化后的模型更轻量级,耗费资源更少,并且执行速度也更快。
opt的详细介绍,请您参考 模型优化方法 。
使用opt,您只需编译后在开发机上执行以下代码:
$ cd <PaddleLite_base_path>
$ cd build.opt/lite/api/
$ ./opt \
--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=(arm|opencl|x86) \
--prefer_int8_kernel=(ture|false)
其中,optimize_out为您希望的优化模型的输出路径。optimize_out_type则可以指定输出模型的序列化方式,其目前支持Protobuf与Naive Buffer两种方式,其中Naive Buffer是一种更轻量级的序列化/反序列化实现。如果你需要使用Lite在mobile端进行预测,那么您需要设置optimize_out_type=naive_buffer。
三. 使用Lite框架执行预测
在上一节中,我们已经通过opt
获取到了优化后的模型,使用优化模型进行预测也十分的简单。为了方便您的使用,Lite进行了良好的API设计,隐藏了大量您不需要投入时间研究的细节。您只需要简单的五步即可使用Lite在移动端完成预测(以C++ API进行说明):
- 声明MobileConfig。在config中可以设置从文件加载模型也可以设置从memory加载模型。从文件加载模型需要声明模型文件路径,如
config.set_model_from_file(FLAGS_model_file)
;从memory加载模型方法现只支持加载优化后模型的naive buffer,实现方法为:void set_model_from_buffer(model_buffer)
- 创建Predictor。Predictor即为Lite框架的预测引擎,为了方便您的使用我们提供了
CreatePaddlePredictor
接口,你只需要简单的执行一行代码即可完成预测引擎的初始化,std::shared_ptr<PaddlePredictor> predictor = CreatePaddlePredictor(config)
。 - 准备输入。执行predictor->GetInput(0)您将会获得输入的第0个field,同样的,如果您的模型有多个输入,那您可以执行
predictor->GetInput(i)
来获取相应的输入变量。得到输入变量后您可以使用Resize方法指定其具体大小,并填入输入值。 - 执行预测。您只需要执行
predictor->Run()
即可使用Lite框架完成预测。 - 获取输出。与输入类似,您可以使用
predictor->GetOutput(i)
来获得输出的第i个变量。您可以通过其shape()方法获取输出变量的维度,通过data<T>()
模板方法获取其输出值。
四. Lite API
为了方便您的使用,我们提供了C++、Java、Python三种API,并且提供了相应的api的完整使用示例:C++完整示例、Java完整示例、Python完整示例,您可以参考示例中的说明快速了解C++/Java/Python的API使用方法,并集成到您自己的项目中去。需要说明的是,为了减少第三方库的依赖、提高Lite预测框架的通用性,在移动端使用Lite API您需要准备Naive Buffer存储格式的模型,具体方法可参考第2节模型优化
。
五. 测试工具
为了使您更好的了解并使用Lite框架,我们向有进一步使用需求的用户开放了 Debug工具 和 Profile工具。Lite Model Debug Tool可以用来查找Lite框架与PaddlePaddle框架在执行预测时模型中的对应变量值是否有差异,进一步快速定位问题Op,方便复现与排查问题。Profile Monitor Tool可以帮助您了解每个Op的执行时间消耗,其会自动统计Op执行的次数,最长、最短、平均执行时间等等信息,为性能调优做一个基础参考。您可以通过 相关专题 了解更多内容。