PaddleLite使用Imagination NNA预测部署

Paddle Lite已支持Imagination NNA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Imagination DNN APIs进行网络构建，在线生成并执行模型。

支持现状

已支持的芯片
- 紫光展锐虎贲T7510

已支持的设备
海信F50，Roc1开发板（基于T7510的微型电脑主板）
酷派X10（暂未提供demo）

已支持的Paddle模型

模型
全量化MobileNetV1

性能

• 测试环境
  编译环境：Ubuntu 18.04，GCC 5.4 for ARMLinux aarch64
  硬件环境：
  • 紫光展锐虎贲T7510
    - Roc1开发板
    - CPU：4 x Cortex-A75 2.0 GHz + 4 x Cortex-A55 1.8 GHz
    - NNA：4 TOPs @1.0GHz

• 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	紫光展锐虎贲T7510
  CPU(ms)	NPU(ms)
  MobileNetV1-int8	61.4	18.02

已支持（或部分支持）的Paddle算子

• relu
• conv2d
• depthwise_conv2d
• pool2d
• fc

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

参考示例演示

测试设备(Roc1开发板)

roc1_front
roc1_back

准备设备环境

• 需要依赖特定版本的firmware，请联系Imagination相关研发同学 jason.wang@imgtec.com；
• 确定能够通过SSH方式远程登录Roc 1开发板；
• 由于Roc 1的ARM CPU能力较弱，示例程序和PaddleLite库的编译均采用交叉编译方式。

准备交叉编译环境

按照以下两种方式配置交叉编译环境：

• Docker交叉编译环境：由于Roc1运行环境为Ubuntu 18.04，且Imagination NNA DDK依赖高版本的glibc，因此不能直接使用编译环境准备中的docker image，而需要按照如下方式在Host机器上手动构建Ubuntu 18.04的docker image；

  $ wget https://paddlelite-demo.bj.bcebos.com/devices/imagination/Dockerfile
  $ docker build --network=host -t paddlepaddle/paddle-lite-ubuntu18_04:1.0 .
  $ docker run --name paddle-lite-ubuntu18_04 --net=host -it --privileged -v $PWD:/Work -w /Work paddlepaddle/paddle-lite-ubuntu18_04:1.0 /bin/bash

• Ubuntu交叉编译环境：要求Host为Ubuntu 18.04系统，参考编译环境准备中的"交叉编译ARM Linux"步骤安装交叉编译工具链。

由于需要通过scp和ssh命令将交叉编译生成的PaddleLite库和示例程序传输到设备上执行，因此，在进入Docker容器后还需要安装如下软件：

# apt-get install openssh-client sshpass

运行图像分类示例程序

下载示例程序 PaddleLite-linux-demo.tar.gz，解压后清单如下：

- PaddleLite-linux-demo
  - image_classification_demo
    - assets
      - images 
        - tabby_cat.jpg # 测试图片
        - tabby_cat.raw # 已处理成raw数据的测试图片
      - 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_imagination_nna_fluid # Paddle fluid non-combined格式的、适用于Imagination NNA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_imagination_nna
          - model.nb # 已通过opt转好的、适合Imagination NNA的mobilenetv1全量化模型
    - shell
      - CMakeLists.txt # 示例程序CMake脚本
      - build
        - image_classification_demo # 已编译好的示例程序
      - image_classification_demo.cc # 示例程序源码
      - convert_to_raw_image.py # 将测试图片保存为raw数据的python脚本
      - build.sh # 示例程序编译脚本
      - run.sh # 示例程序运行脚本
  - libs
    - PaddleLite
      - arm64
        - include # PaddleLite头文件
        - lib
          - libcrypto.so.1.1
          - libssl.so.1.1
          - libz.so.1.2.11
          - libgomp.so.1 # gnuomp库
          - libimgcustom.so # Imagination NNA的部分layer的软件实现，PaddleLite暂时没有用到
          - libimgdnn.so # Imagination NNA的DNN组网、编译和执行接口库
          - libnnasession.so # Imagination NNA的推理runtime库
          - nna_config # Imagination NNA硬件和模型编译（mapping）配置文件，运行测试程序时，一定要放在可执行程序的同级目录下
          - 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）

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

注意：
1）run.sh必须在Host机器上运行，且执行前需要配置目标设备的IP地址、SSH账号和密码；
2）build.sh建议在docker环境中执行，目前只支持arm64。

运行适用于ARM CPU的mobilenetv1全量化模型
$ cd PaddleLite-linux-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
  warmup: 5 repeat: 10, average: 61.408800 ms, max: 61.472000 ms, min: 61.367001 ms
  results: 3
  Top0  tabby, tabby cat - 0.522023
  Top1  Egyptian cat - 0.395266
  Top2  tiger cat - 0.073605
  Preprocess time: 0.834000 ms
  Prediction time: 61.408800 ms
  Postprocess time: 0.161000 ms

运行适用于Imagination NNA的mobilenetv1全量化模型
$ cd PaddleLite-linux-demo/image_classification_demo/assets/models
$ cp mobilenet_v1_int8_224_for_imagination_nna/model.nb mobilenet_v1_int8_224_for_imagination_nna_fluid.nb
$ cd ../../shell
$ vim ./run.sh
  MODEL_NAME设置为mobilenet_v1_int8_224_for_imagination_nna_fluid
$ ./run.sh
  warmup: 5 repeat: 10, average: 18.024800 ms, max: 19.073000 ms, min: 17.368999 ms
  results: 3
  Top0  Egyptian cat - 0.039642
  Top1  tabby, tabby cat - 0.039642
  Top2  tiger cat - 0.026363
  Preprocess time: 0.815000 ms
  Prediction time: 18.024800 ms
  Postprocess time: 0.169000 ms

如果需要更改测试图片，可通过convert_to_raw_image.py工具生成；

如果需要重新编译示例程序，直接运行./build.sh即可，注意：build.sh的执行建议在docker环境中，否则可能编译出错。

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Imagination NNA只支持tensor-wise的全量化模型，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Imagination NNA模型，仅需要将valid_targets设置为imagination_nna,arm即可。

$ ./opt --model_dir=mobilenet_v1_int8_224_for_imagination_nna_fluid \
    --optimize_out_type=naive_buffer \
    --optimize_out=opt_model \
    --valid_targets=imagination_nna,arm

替换自带的Imagination NNA模型
$ cp opt_model.nb mobilenet_v1_int8_224_for_imagination_nna/model.nb

注意：opt生成的模型只是标记了Imagination NNA支持的Paddle算子，并没有真正生成Imagination NNA模型，只有在执行时才会将标记的Paddle算子转成Imagination DNN APIs，最终生成并执行模型。

更新支持Imagination NNA的Paddle Lite库

下载PaddleLite源码和Imagination NNA DDK

$ git clone https://github.com/PaddlePaddle/Paddle-Lite.git
$ cd Paddle-Lite
$ git checkout <release-version-tag>
$ curl -L https://paddlelite-demo.bj.bcebos.com/devices/imagination/imagination_nna_sdk.tar.gz -o - | tar -zx

编译并生成PaddleLite+ImaginationNNA for armv8的部署库

• For Roc1

  - tiny_publish编译方式

  $ ./lite/tools/build_linux.sh --with_extra=ON --with_log=ON --with_imagination_nna=ON --imagination_nna_sdk_root=./imagination_nna_sdk
  将tiny_publish模式下编译生成的build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nna/cxx/lib/libpaddle_light_api_shared.so替换PaddleLite-linux-demo/libs/PaddleLite/arm64/lib/libpaddle_light_api_shared.so文件；

  - full_publish编译方式

  $ ./lite/tools/build_linux.sh --with_extra=ON --with_log=ON --with_imagination_nna=ON --imagination_nna_sdk_root=./imagination_nna_sdk full_publish
  
  将full_publish模式下编译生成的build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nna/cxx/lib/libpaddle_full_api_shared.so替换PaddleLite-linux-demo/libs/PaddleLite/arm64/lib/libpaddle_full_api_shared.so文件;

• 将编译生成的build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nna/cxx/include替换PaddleLite-linux-demo/libs/PaddleLite/arm64/include目录；

替换头文件后需要重新编译示例程序

其它说明

Imagination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。

本文转自：Paddle-Lite文档，转载此文目的在于传递更多信息，版权归原作者所有。如不支持转载，请联系小编demi@eetrend.com删除。