PaddleLite使用华为麒麟NPU预测部署

PaddleLite使用华为麒麟NPU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。

支持现状

已支持的芯片

Kirin 810/820/985/990/990 5G/9000E/9000

已支持的设备

Kirin 9000：HUAWEI Mate 40pro系列
Kirin 9000E：HUAWEI Mate 40系列
Kirin 990 5G：HUAWEI Mate 30pro系列，P40pro系列
Kirin 990：HUAWEI Mate 30系列，荣耀 V20系列，nova 6系列，P40系列，Mate Xs
Kirin 985：HUAWEI nova 7 5G，nova 7 Pro 5G，荣耀 30
Kirin 820：HUAWEI nova 7 SE 5G，荣耀 30S
Kirin 810：HUAWEI nova 5系列，nova 6 SE，荣耀 9X系列，荣耀 Play4T Pro

已支持的Paddle模型

模型

MobileNetV1
MobileNetV2
ResNet系列（例如ResNet18、ResNet50）
SqueezeNetV1
MnasNet
SSD-MobileNetV1 *
YOLOv3系列（例如YOLOv3-MobileNetV3） *
Transformer *
CycleGAN
百度内部业务模型（由于涉密，不方便透露具体细节）

性能

测试环境
- 编译环境
  - Ubuntu 16.04，NDK-r17c with GCC for Android arm64-v8a
  - HIAI DDK 版本：v330
- 硬件环境
  - Kirin 810
    - HUAWEI Nova 5，Kirin 810
    - CPU：2 x Cortex A76 2.27GHz + 6 x Cortex A55 1.88GHz
    - NPU：Da Vinci架构，1 x Ascend D100 Lite
  - Kirin 990
    - HUAWEI Mate 30，Kirin 990
    - CPU：2 x Cortex-A76 Based 2.86 GHz + 2 x Cortex-A76 Based 2.09 GHz + 4 x Cortex-A55 1.86 GHz
    - NPU：Da Vinci架构，1 x Ascend Lite + 1 x Ascend Tiny
  - Kirin 990 5G
    - HUAWEI P40pro，Kirin 990 5G
    - CPU：2 x Cortex-A76 Based 2.86GHz + 2 x Cortex-A76 Based 2.36GHz + 4 x Cortex-A55 1.95GHz
    - NPU：Da Vinci架构，2 x Ascend Lite + 1 x Ascend Tiny
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}，检测模型YOLOv3的维度是{1，3，300，300}
测试结果

模型	Kirin 810		Kirin 990		Kirin 990 5G
	CPU(ms)	NPU(ms)	CPU(ms)	NPU(ms)	CPU(ms)	NPU(ms)
MobileNetV1	40.6692	5.54013	31.7788	2.87613	33.7056	2.56747
MobileNetV2	28.8675	6.07687	22.0599	3.29	21.915	3.0198
SqueezeNetV1	24.3369	4.2882	17.2335	2.64507	16.441	1.99127
MobileNetV3_small_x1_0	8.56147	5.73127	6.1622	3.6188	6.161	3.07933
MobileNetV3_large_x1_0	24.2411	8.8436	17.6282	5.17007	17.7403	4.46753
ResNet50	243.362	18.2089	188.278	9.52347	195.01	7.22413
ResNet18	83.4019	8.95044	59.1979	4.4132	60.6379	3.2484
MnasNet	26.0265	5.67727	19.3513	2.9928	19.674	2.70053
Inception-v4	424.817	29.7705	321.639	17.4933	344.484	12.3104
SSD-MobileNetV1	-	-	65.67	18.21	71.8	16.6
YOLOv3-MobileNetV3	65.3149	36.2999	45.7647	22.9404	46.8137	24.4829

带*表示该模型的部分算子不支持华为Kirin NPU加速，而是采用ARM CPU+华为Kirin NPU异构计算方式获得支持。

已支持（或部分支持）的Paddle算子

sigmoid
relu
tanh
relu_clipped
relu6
leaky_relu
softsign
hard_sigmoid
log
sqrt
square
thresholded_relu
batch_norm
less_than
concat
conv2d
depthwise_conv2d
conv2d_transpose
dropout
elementwise_add
elementwise_sub
elementwise_mul
elementwise_div
expand
fusion_elementwise_add_activation
fusion_elementwise_sub_activation
fusion_elementwise_mul_activation
fusion_elementwise_div_activation
increment
instance_norm (需要HiAI DDK330)
fc
bilinear_interp
nearest_interp
layer_norm (需要HiAI DDK330)
matmul
mul
pad2d
pool2d
reduce_mean
reshape
reshape2
scale
shuffle_channel
softmax
split
transpose
transpose2
unsqueeze
unsqueeze2

可以通过访问https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/kernels/npu/bridges/paddle_use_bridges.h获得最新的算子支持列表。

参考示例演示

测试设备(HUAWEI Mate30 5G)

准备设备环境

由于HiAI DDK可能依赖特定版本的ROM，建议用户更新至最新版EMUI系统，具体参考华为官方手机升级指南。

准备交叉编译环境

为了保证编译环境一致，建议参考编译环境准备中的Docker开发环境进行配置。

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 # 基于MobileNetV1的图像分类示例程序
    - assets
      - images 
        - tabby_cat.jpg # 测试图片
      - labels
        - synset_words.txt # 1000分类label文件
      - models
        - mobilenet_v1_fp32_224_fluid # Paddle fluid non-combined格式的mobilenetv1 float32模型
        - mobilenet_v1_fp32_224_for_cpu
          - model.nb # 已通过opt转好的、适合ARM CPU的mobilenetv1模型
        - mobilenet_v1_fp32_224_for_huawei_kirin_npu
          - model.nb # 已通过opt转好的、适合华为Kirin NPU的mobilenetv1模型
    - shell # android shell端的示例程序，注意：HiAI存在限制，拥有ROOT权限才能正常运行shell端程序
      - CMakeLists.txt # android shell端的示例程序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 # android shell端的示例程序编译脚本
      - run.sh # android shell端的示例程序运行脚本
    - apk # 常规android应用程序，无需ROOT
      - app
        - src
          - main
            - java # java层代码
            - cpp # 自定义的jni实现
        - app.iml
        - build.gradle
      - gradle
      ...
  - libs
    - PaddleLite
      - bin
        - opt # 适合Ubuntu x86平台、预编译的模型优化工具
      - armeabi-v7a # 适合armv7架构的PaddleLite预编译库以及HiAI运行时库
        - include # PaddleLite头文件，每次版本更新时记得替换掉，否则可能会出现segmentation fault或精度无法对齐的问题
        - lib
          - libc++_shared.so # HiAI DDK中的so库是基于c++_shared编译生成的，部署时记得带上它
          - 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）
          - libhiai.so # HiAI runtime库函数，主要实现模型加载、执行和Tensor的操作 
          - libhiai_ir.so # HiAI IR/Graph的定义
          - libhiai_ir_build.so # HiAI IRGraph转om模型的接口
          - libhcl.so # HiAI NPU高性能算子库
          - libcpucl.so # HiAI的CPU算子库，PaddleLite中没有用到，理论上可以删掉
      - arm64-v8a # 适合armv8架构的PaddleLite预编译库以及HiAI运行时库
    - OpenCV # OpenCV 4.2 for android
  - object_detection_demo # 基于YOLOv3_MobileNetV3的目标检测示例程序（手动子图划分章节会详细介绍）

Android shell端的示例程序

按照以下命令分别运行转换后的ARM CPU模型和华为Kirin NPU模型，比较它们的性能和结果；

注意：
1）由于HiAI的限制，需要root权限才能执行shell示例程序；
2）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；
3）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；
4）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模型
$ cd PaddleLite-android-demo/image_classification_demo/assets/models
$ cp mobilenet_v1_fp32_224_for_cpu/model.nb mobilenet_v1_fp32_224_fluid.nb
$ cd ../../shell
$ ./run.sh
  ...
  iter 0 cost: 34.467999 ms
  iter 1 cost: 34.514999 ms
  iter 2 cost: 34.646000 ms
  iter 3 cost: 34.713001 ms
  iter 4 cost: 34.612000 ms
  iter 5 cost: 34.551998 ms
  iter 6 cost: 34.741001 ms
  iter 7 cost: 34.655998 ms
  iter 8 cost: 35.035000 ms
  iter 9 cost: 34.661999 ms
  warmup: 5 repeat: 10, average: 34.659999 ms, max: 35.035000 ms, min: 34.467999 ms
  results: 3
  Top0  tabby, tabby cat - 0.475008
  Top1  Egyptian cat - 0.409487
  Top2  tiger cat - 0.095745
  Preprocess time: 2.040000 ms
  Prediction time: 40.704300 ms
  Postprocess time: 0.105000 ms
运行适用于华为Kirin NPU的mobilenetv1模型
$ cd PaddleLite-android-demo/image_classification_demo/assets/models
$ cp mobilenet_v1_fp32_224_for_huawei_kirin_npu/model.nb mobilenet_v1_fp32_224_fluid.nb
$ cd ../../shell
$ ./run.sh
  ...
  iter 0 cost: 2.426000 ms
  iter 1 cost: 2.428000 ms
  iter 2 cost: 2.465000 ms
  iter 3 cost: 2.401000 ms
  iter 4 cost: 2.406000 ms
  iter 5 cost: 2.492000 ms
  iter 6 cost: 2.411000 ms
  iter 7 cost: 2.397000 ms
  iter 8 cost: 2.441000 ms
  iter 9 cost: 2.402000 ms
  warmup: 5 repeat: 10, average: 2.426900 ms, max: 2.492000 ms, min: 2.397000 ms
  results: 3
  Top0  tabby, tabby cat - 0.477539
  Top1  Egyptian cat - 0.408447
  Top2  tiger cat - 0.094788
  Preprocess time: 1.724000 ms
  Prediction time: 2.426900 ms
  Postprocess time: 0.127000 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。

常规Android应用程序

（如果不想按照以下步骤编译Android应用程序，可以直接在Android设备上通过浏览器下载和安装已编译好的apkimage_classification_demo.apk）
- 访问https://developer.android.google.cn/studio下载安装Android Studio（当前Android demo app是基于Android Studio3.4开发的），如果无法访问，可以从http://www.android-studio.org下载；
- 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；
- 待工程加载完成后，首先，点击菜单栏的File->Sync Project with Gradle Files手动同步项目构建；然后，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，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模型进行推理，如下图所示，推理耗时34.8ms，整个流程（含预处理和后处理）的帧率约22fps；
- 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_fp32_for_huawei_kirin_npu”，点击返回按钮后，app将切换到华为Kirin NPU模型，如下图所示，推理耗时下降到3.4ms，帧率提高到29fps（由于代码中帧率统计限制在30fps以内，因此实际帧率会更高，具体地，您可以手动计算截图中Read GLFBO time、Write GLTexture time、Predict time和Postprocess time的总耗时）。

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；

参考模型转化方法，利用opt工具转换生成华为Kirin NPU模型，仅需将valid_targets设置为npu,arm即可。

注意：需要保证opt工具和库版本一致。
$ cd PaddleLite-android-demo/image_classification_demo/assets/models
$ GLOG_v=5 ./opt --model_dir=mobilenet_v1_fp32_224_fluid \
    --optimize_out_type=naive_buffer \
    --optimize_out=opt_model \
    --valid_targets=npu,arm
  ...
  [I  8/12  6:56:25.460 ...elease/Paddle-Lite/lite/core/optimizer.h:229 RunPasses] == Running pass: memory_optimize_pass
  [I  8/12  6:56:25.460 ...elease/Paddle-Lite/lite/core/optimizer.h:242 RunPasses]    - Skip memory_optimize_pass because the target or kernel does not match.
  [I  8/12  6:56:25.461 ...te/lite/core/mir/generate_program_pass.h:37 GenProgram] insts.size 1
  [I  8/12  6:56:25.683 ...e-Lite/lite/model_parser/model_parser.cc:593 SaveModelNaive] Save naive buffer model in 'opt_model.nb' successfully
替换自带的华为Kirin NPU模型
$ cp opt_model.nb mobilenet_v1_fp32_224_for_huawei_kirin_npu/model.nb

注意：opt生成的模型只是标记了华为Kirin NPU支持的Paddle算子，并没有真正生成华为Kirin NPU模型，只有在执行时才会将标记的Paddle算子转成HiAI IR并组网得到HiAI IRGraph，然后生成并执行华为Kirin NPU模型（具体原理请参考Pull Request#2576）；
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ARM CPU版算子进行运算完成整个预测任务。

更新支持华为Kirin NPU的PaddleLite库

下载PaddleLite源码和最新版HiAI 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/huawei/kirin/hiai_ddk_lib_330.tar.gz
$ tar -xvf hiai_ddk_lib_330.tar.gz

编译并生成PaddleLite+HuaweiKirinNPU for armv8 and armv7的部署库

For armv8

tiny_publish编译

$ ./lite/tools/build_android.sh --android_stl=c++_shared --with_extra=ON --with_log=ON --with_huawei_kirin_npu=ON --huawei_kirin_npu_sdk_root=./hiai_ddk_lib_330
将tiny_publish模式下编译生成的build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.npu/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

$ ./lite/tools/build_android.sh --android_stl=c++_shared --with_extra=ON --with_log=ON --with_huawei_kirin_npu=ON --huawei_kirin_npu_sdk_root=./hiai_ddk_lib_330 full_publish
将full_publish模式下编译生成的build.lite.android.armv8.gcc/inference_lite_lib.android.armv8.npu/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.npu/cxx/include替换PaddleLite-android-demo/libs/PaddleLite/arm64-v8a/include目录；

For armv7

tiny_publish编译

$ ./lite/tools/build_android.sh --arch=armv7 --android_stl=c++_shared --with_extra=ON --with_log=ON --with_huawei_kirin_npu=ON --huawei_kirin_npu_sdk_root=./hiai_ddk_lib_330
将tiny_publish模式下编译生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.npu/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

$ ./lite/tools/build_android.sh --arch=armv7 --android_stl=c++_shared --with_extra=ON --with_log=ON --with_huawei_kirin_npu=ON --huawei_kirin_npu_sdk_root=./hiai_ddk_lib_330 full_publish
将full_publish模式下编译生成的build.lite.android.armv7.gcc/inference_lite_lib.android.armv7.npu/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.npu/cxx/include替换PaddleLite-android-demo/libs/PaddleLite/armeabi-v7a/include目录；

备注：由于HiAI DDK的so库均基于c++_shared构建，建议将android stl设置为c++_shared，更多选项还可以通过 “./lite/tools/build_android.sh help” 查看。

替换头文件后需要重新编译示例程序

如何支持CPU+华为Kirin NPU异构计算？

上述示例中所使用的MobileNetv1 foat32模型mobilenet_v1_fp32_224_fluid，它的所有算子均能成功转成华为Kirin NPU的HiAI IR，因此，能够获得非常好的加速效果；
而实际情况是，你的模型中可能存在华为Kirin NPU不支持的算子，尽管opt工具可以成功生成ARM CPU+华为Kirin NPU的异构模型，但可能因为一些限制等原因，模型最终执行失败或性能不够理想；
我们首先用一个简单的目标检测示例程序让你直观感受到ARM CPU+华为Kirin NPU异构模型带来的性能提升；然后，简要说明一下华为Kirin NPU接入PaddleLite的原理；最后，详细介绍如何使用『自定义子图分割』功能生成正常运行的ARM CPU+华为Kirin NPU异构模型。

运行目标检测示例程序

『运行图像分类示例程序』章节中的PaddleLite-android-demo.tar.gz同样包含基于YOLOv3_MobileNetV3的目标检测示例程序；

- PaddleLite-android-demo
  - image_classification_demo # 基于MobileNetV1的图像分类示例程序
    - libs # PaddleLite和OpenCV预编译库
    - object_detection_demo # 基于YOLOv3_MobileNetV3的目标检测示例程序
    - assets
      - images 
        - kite.jpg # 测试图片
      - labels
        - coco-labels-2014_2017.txt # coco数据集的label文件
      - models
        - yolov3_mobilenet_v3_prune86_FPGM_fp32_320_fluid # Paddle fluid combined格式的、剪枝后的YOLOv3_MobileNetV3 float32模型
        - yolov3_mobilenet_v3_prune86_FPGM_fp32_320_for_cpu
          - model.nb # 已通过opt转好的、适合ARM CPU的YOLOv3_MobileNetV3模型
        - yolov3_mobilenet_v3_prune86_FPGM_fp32_320_for_hybrid_cpu_huawei_kirin_npu
          - model.nb # 已通过opt转好的、适合ARM CPU+华为Kirin NPU的YOLOv3_MobileNetV3异构模型
         - subgraph_custom_partition_config_file.txt # YOLOv3_MobileNetV3自定义子图分割配置文件
    - shell # android shell端的示例程序，注意：HiAI存在限制，拥有ROOT权限才能正常运行shell端程序
      - CMakeLists.txt # android shell端的示例程序CMake脚本
      - build
        - object_detection_demo # 已编译好的android shell端的示例程序
      - object_detection_demo.cc.cc # 示例程序源码
      - build.sh # android shell端的示例程序编译脚本
      - run.sh # android shell端的示例程序运行脚本
    - apk # 常规android应用程序，无需ROOT

运行Android shell端的示例程序

参考『运行图像分类示例程序』章节的类似步骤，通过以下命令比较ARM CPU模型、ARM CPU+华为Kirin NPU异构模型的性能和结果；

运行YOLOv3_MobileNetV3 ARM CPU模型
$ cd PaddleLite-android-demo/object_detection_demo/assets/models
$ cp yolov3_mobilenet_v3_prune86_FPGM_fp32_320_for_cpu/model.nb yolov3_mobilenet_v3_prune86_FPGM_fp32_320_fluid.nb
$ cd ../../shell
$ ./run.sh
  ...
  warmup: 5 repeat: 10, average: 53.963000 ms, max: 54.161999 ms, min: 53.562000 ms
  results: 24
  [0] person - 0.986361 211.407288,334.633301,51.627228,133.759537
  [1] person - 0.879052 261.493347,342.849823,40.597961,120.775108
  ...
  [22] kite - 0.272905 362.982941,119.011330,14.060059,11.157372
  [23] kite - 0.254866 216.051910,175.607956,70.241974,23.265827
  Preprocess time: 4.882000 ms
  Prediction time: 53.963000 ms
  Postprocess time: 0.548000 ms
运行YOLOv3_MobileNetV3 ARM CPU+华为Kirin NPU异构模型
$ cd PaddleLite-android-demo/object_detection_demo/assets/models
$ cp yolov3_mobilenet_v3_prune86_FPGM_fp32_320_for_hybrid_cpu_huawei_kirin_npu/model.nb yolov3_mobilenet_v3_prune86_FPGM_fp32_320_fluid.nb
$ cd ../../shell
$ ./run.sh
  ...
  warmup: 5 repeat: 10, average: 23.767200 ms, max: 25.287001 ms, min: 22.292000 ms
  results: 24
  [0] person - 0.986164 211.420929,334.705780,51.559906,133.627930
  [1] person - 0.879287 261.553680,342.857300,40.531372,120.751106
  ...
  [22] kite - 0.271422 362.977722,119.014709,14.053833,11.162636
  [23] kite - 0.257437 216.123276,175.631500,70.095078,23.248249
  Preprocess time: 4.951000 ms
  Prediction time: 23.767200 ms
  Postprocess time: 1.015000 ms

运行常规Android应用程序

（如果不想按照以下步骤编译Android应用程序，可以直接在Android设备上通过浏览器下载和安装已编译好的apkobject_detection_demo.apk）
- 参考『运行图像分类示例程序』章节的类似步骤，通过Android Studio导入”PaddleLite-android-demo/object_detection_demo/apk”工程，生成和运行常规Android应用程序；
- 默认使用ARM CPU模型进行推理，如下图所示，推理耗时55.1ms，整个流程（含预处理和后处理）的帧率约15fps；
- 选择”yolov3_mobilenet_v3_for_hybrid_cpu_huawei_kirin_npu”后，如下图所示，推理耗时下降到26.9ms，帧率提高到28fps

PaddleLite是如何支持华为Kirin NPU的？

PaddleLite是如何加载Paddle模型并执行一次推理的？
- 如下图左半部分所示，Paddle模型的读取和执行，经历了Paddle推理模型文件的加载和解析、计算图的转化、图分析和优化、运行时程序的生成和执行等步骤：
- Paddle推理模型文件的加载和解析：基于ProtoBuf协议对Paddle推理模型文件进行反序列化，解析生成网络结构（描述算子和张量的关系）和参数信息（包括算子属性和权重张量）；
- 计算图的转化：为了更好的描述网络拓扑结构和方便后续的优化，依据算子的输入、出张量关系，构建一个由算子节点、张量节点组成的有向无环图；
- 图分析和优化：由一些列pass（优化器）组成，pass是用于描述一个计算图优化生成另一个计算图的过程；例如conv2d_bn_fuse_pass，它用于将模型中每一个conv2d、batch_norm相连的算子对融合成一个conv2d算子以便获得性能上的提升；
- 运行时程序的生成和执行：按照拓扑顺序遍历最终优化后的计算图，生成算子kernel列表，依次执行每一个算子kernel后即完成一次模型的推理。
PaddleLite是如何支持华为NPU呢？
- 为了支持华为Kirin NPU，我们额外增加了（如上图标黄的区域）：Subgraph detection pass、NPU subgraph op kernel和Paddle2HiAI op/tensor bridges。其中Subgraph detection pass是后续自定义子图划分涉及的关键步骤；
- Subgraph detection pass：该pass的作用是遍历计算图中所有的算子节点，标记能够转成HiAI IR的算子节点，然后通过图分割算法，将那些支持转为HiAI IR的、相邻的算子节点融合成一个subgraph（子图）算子节点（需要注意的是，这个阶段算子节点并没有真正转为HiAI IR，更没有生成HiAI模型）；
- NPU subgraph op kernel：根据Subgraph detection pass的分割结果，在生成的算子kernel列表中，可能存在多个subgraph算子kernel；每个subgraph算子kernel，都会将它所包裹的、能够转成HiAI IR的、所有Paddle算子，如上图右半部所示，依次调用对应的op bridge，组网生成一个HiAI Graph，最终，调用HiAI Runtime APIs生成并执行华为Kirin NPU模型；
- Paddle2HiAI op/tensor bridges：Paddle算子/张量转HiAI IR/tensor的桥接器，其目的是将Paddle算子、输入、输出张量转为HiAI组网IR和常量张量。

编写配置文件完成自定义子图分割，生成华为Kirin NPU与ARM CPU的异构模型

为什么需要进行手动子图划分？如果模型中存在不支持转HiAI IR的算子，Subgraph detection pass会在没有人工干预的情况下，可能将计算图分割为许多小的子图，而出现如下问题：
- 过多的子图会产生频繁的CPU<->NPU数据传输和NPU任务调度，影响整体性能；
- 由于华为Kirin NPU模型暂时不支持dynamic shape，因此，如果模型中存在输入和输出不定长的算子（例如一些检测类算子，NLP类算子），在模型推理过程中，可能会因输入、输出shape变化而不断生成HiAI模型，从而导致性能变差，更有可能使得HiAI模型生成失败。
实现原理
- Subgraph detection pass在执行分割任务前，通过读取指定配置文件的方式获得禁用华为Kirin NPU的算子列表，实现人为干预分割结果的目的。

具体步骤（以YOLOv3_MobileNetV3目标检测示例程序为例）

步骤1：查看YOLOv3_MobileNetV3的模型结构，具体是将PaddleLite-android-demo/object_detection_demo/assets/models/yolov3_mobilenet_v3_prune86_FPGM_fp32_320_fluid目录下的model复制并重名为__model__后，拖入Netron页面即得到如下图所示的网络结构（部分）：
步骤2：访问https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/kernels/npu/bridges/paddle_use_bridges.h查看已支持的算子列表，发现华为Kirin NPU不支持yolo_box、multiclass_nms这两个算子；

步骤3：如果直接使用opt工具生成华为Kirin NPU模型，会发现整个网络被分割成3个子图（即3个subgraph op），subgraph1为MobileNetV3 backbone，subgraph2为1个transpose2和1个concat，subgraph3为2个transpose2和1个concat，它们都将运行在华为Kirin NPU上；

$ cd PaddleLite-android-demo/object_detection_demo/assets/models
$ GLOG_v=5 ./opt --model_file=yolov3_mobilenet_v3_prune86_FPGM_fp32_320_fluid/model \
    --param_file=yolov3_mobilenet_v3_prune86_FPGM_fp32_320_fluid/params \
    --optimize_out_type=protobuf \
    --optimize_out=opt_model \
    --valid_targets=npu,arm
  ...
  [4  8/12 14:12:50.559 ...e/Paddle-Lite/lite/core/mir/ssa_graph.cc:27 CheckBidirectionalConnection] node count 398
  [4  8/12 14:12:50.560 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement feed host/any/any
  [4  8/12 14:12:50.560 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement feed host/any/any
  [4  8/12 14:12:50.560 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement subgraph npu/any/NCHW
  [4  8/12 14:12:50.560 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement yolo_box arm/float/NCHW
  [4  8/12 14:12:50.561 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement yolo_box arm/float/NCHW
  [4  8/12 14:12:50.561 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement yolo_box arm/float/NCHW
  [4  8/12 14:12:50.561 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement subgraph npu/any/NCHW
  [4  8/12 14:12:50.561 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement subgraph npu/any/NCHW
  [4  8/12 14:12:50.561 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement multiclass_nms host/float/NCHW
  [4  8/12 14:12:50.561 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement fetch host/any/any
  [I  8/12 14:12:50.561 ...te/lite/core/mir/generate_program_pass.h:37 GenProgram] insts.size 1
  [4  8/12 14:12:50.836 ...e-Lite/lite/model_parser/model_parser.cc:308 SaveModelPb] Save protobuf model in 'opt_model' successfully
注意：为了方便查看优化后的模型，上述命令将`optimize_out_type`参数设置为protobuf，执行成功后将opt_model目录下的model文件复制为__model__并拖入Netron页面进行可视化。

步骤4：为了防止ARM CPU与华为Kirin NPU频繁切换，去除subgraph2和subgraph3，强制让transpose2和concat运行在ARM CPU上。那么，我们就需要通过环境变量SUBGRAPH_CUSTOM_PARTITION_CONFIG_FILE设置『自定义子图分割配置文件』，实现人为干预分割结果；

$ cd PaddleLite-android-demo/object_detection_demo/assets/models
$ cat ./subgraph_custom_partition_config_file.txt
  transpose2:yolo_box0.tmp_1:transpose_0.tmp_0,transpose_0.tmp_1
  transpose2:yolo_box1.tmp_1:transpose_1.tmp_0,transpose_1.tmp_1
  transpose2:yolo_box2.tmp_1:transpose_2.tmp_0,transpose_2.tmp_1
  concat:yolo_box0.tmp_0,yolo_box1.tmp_0,yolo_box2.tmp_0:concat_2.tmp_0
  concat:transpose_0.tmp_0,transpose_1.tmp_0,transpose_2.tmp_0:concat_3.tmp_0
$ export SUBGRAPH_CUSTOM_PARTITION_CONFIG_FILE=./subgraph_custom_partition_config_file.txt
$ GLOG_v=5 ./opt --model_file=yolov3_mobilenet_v3_prune86_FPGM_fp32_320_fluid/model \
    --param_file=yolov3_mobilenet_v3_prune86_FPGM_fp32_320_fluid/params \
    --optimize_out_type=protobuf \
    --optimize_out=opt_model \
    --valid_targets=npu,arm
  ...
  [4  8/12 14:15:37.609 ...e/Paddle-Lite/lite/core/mir/ssa_graph.cc:27 CheckBidirectionalConnection] node count 401
  [4  8/12 14:15:37.610 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement feed host/any/any
  [4  8/12 14:15:37.610 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement feed host/any/any
  [4  8/12 14:15:37.610 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement subgraph npu/any/NCHW
  [4  8/12 14:15:37.610 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement yolo_box arm/float/NCHW
  [4  8/12 14:15:37.610 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement transpose2 arm/float/NCHW
  [4  8/12 14:15:37.610 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement yolo_box arm/float/NCHW
  [4  8/12 14:15:37.610 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement transpose2 arm/float/NCHW
  [4  8/12 14:15:37.611 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement yolo_box arm/float/NCHW
  [4  8/12 14:15:37.611 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement transpose2 arm/float/NCHW
  [4  8/12 14:15:37.611 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement concat arm/any/NCHW
  [4  8/12 14:15:37.611 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement concat arm/any/NCHW
  [4  8/12 14:15:37.611 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement multiclass_nms host/float/NCHW
  [4  8/12 14:15:37.611 ...e/lite/core/mir/generate_program_pass.cc:46 Apply] Statement fetch host/any/any
  [I  8/12 14:15:37.611 ...te/lite/core/mir/generate_program_pass.h:37 GenProgram] insts.size 1
  [4  8/12 14:15:37.998 ...e-Lite/lite/model_parser/model_parser.cc:308 SaveModelPb] Save protobuf model in 'opt_model'' successfully

步骤5：上述步骤中，PaddleLite-android-demo/object_detection_demo/assets/models/subgraph_custom_partition_config_file.txt是示例自带的『自定义子图分割配置文件』，它的格式是什么样的呢？

每行记录由『算子类型:输入张量名列表:输出张量名列表』组成（即以分号分隔算子类型、输入和输出张量名列表），以逗号分隔输入、输出张量名列表中的每个张量名；
可省略输入、输出张量名列表中的部分张量名（如果不设置任何输入、输出张量列表，则代表计算图中该类型的所有算子节点均被强制运行在ARM CPU上）；

示例说明：

op_type0:var_name0,var_name1:var_name2          表示将算子类型为op_type0、输入张量为var_name0和var_name1、输出张量为var_name2的节点强制运行在ARM CPU上
op_type1::var_name3                             表示将算子类型为op_type1、任意输入张量、输出张量为var_name3的节点强制运行在ARM CPU上
op_type2:var_name4                              表示将算子类型为op_type2、输入张量为var_name4、任意输出张量的节点强制运行在ARM CPU上
op_type3                                        表示任意算子类型为op_type3的节点均被强制运行在ARM CPU上

步骤6：对于YOLOv3_MobileNetV3的模型，我们如何得到PaddleLite-android-demo/object_detection_demo/assets/models/subgraph_custom_partition_config_file.txt的配置呢？
- 重新在Netron打开PaddleLite-android-demo/object_detection_demo/assets/models/yolov3_mobilenet_v3_prune86_FPGM_fp32_320_fluid模型，如下图所示，1~5号节点需要强制放在ARM CPU上运行。
- 在Netron中依次点击1~5号节点，右侧将显示每个节点的输入、输出张量名称，如下图所示，1号节点为transpose2类型算子，它的输入为yolo_box0.tmp1、输出为transpose_0.tmp_0,transpose_0.tmp_1，即可得到配置文件的第一条记录”transpose2:yolo_box0.tmp_1:transpose_0.tmp_0,transpose_0.tmp_1”；
步骤7：将步骤4中的”optimize_out_type”修改为naive_buffer，重新执行步骤4即可以生成用于部署的ARM CPU+华为Kirin NPU异构模型。

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与华为Kirin 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。