20+移动端硬件，Int8极速推理，端侧推理引擎Paddle Lite 2.0 正式发布

机器之心发布

机器之心编辑部

今年 8 月，飞桨（PaddlePaddle）对外发布面向终端和边缘设备的端侧推理引擎 Paddle Lite Beta 版。经过近两个多月的迭代和发展，2019 Wave Summit+ 深度学习开发者峰会上 Paddle Lite 2.0 正式版发布。

Paddle Lite 的 Github 链接：

https://github.com/PaddlePaddle/Paddle-Lite

Paddle Lite 致力于提供一套功能完整、易用、高性能的端侧推理引擎，方便广大开发者将应用部署到任何端侧设备之上。对比最初的 beta 版本，正式版在编译、文档、性能、硬件支持、平台支持等方面都有了较大的改进提升。

而飞桨团队也透露，将在今年内继续推进若干小版本的升级，并期待和欢迎开发者加入社区并给出反馈。

在 AI 技术落地中，推理阶段与实际应用相关联，直接关系到用户的体验，是非常具有挑战性的一环。

图 1 .典型端侧 AI 应用部署场景

Paddle Lite 是飞桨产品栈中用于端侧高性能轻量化 AI 应用部署的推理引擎，核心用途是将训练出的模型在不同硬件平台场景下快速部署，根据输入数据，执行预测推理得到计算结果，支持实际的业务应用。

图 2 . Paddle Lite 功能定位

Paddle Lite 自 Beta 版发布以来，在如下核心功能上进行升级：

• 多框架支持：原生支持 PaddlePaddle 的模型，同时通过 X2Paddle 工具，提供对 TensorFlow，PyTorch 和 ONNX 模型格式的更充分的支持；
• 多硬件支持：除了 ARM CPU、移动端 GPU、华为 NPU，新增支持 Nvidia GPU 和 X86 CPU；
• 更好的性能：更新 benchmark，提升了在 ARM CPU 上尤其是 int8 的性能；
• 更加完备的功能：支持 python API，优化编译流程，新增预测库极致裁剪等功能；
• 更加完善的文档和 demo：提供完善的文档和多平台的 demo，包括安卓、iOS 和树莓派等。

多框架支持

Paddle Lite 不仅可以支持飞桨格式模型，也支持 Caffe, TensorFlow, ONNX 等第三方格式的模型，详情可以参考 X2Paddle。官方已经验证如下主流模型的适配情况：

除了上述主流模型以外，ARM CPU FP32 新增如下 3 个模型支持：

-transformer

-facebox

-blazeface

ARM CPU INT8 量化预测支持如下模型：

-shufflenetv2

-mobilenet-ssd

-vgg16

-googlenet

-mobilenetv1

-mobilenetv2

-Resnet50

多硬件支持

在 v2.0 版本中，Paddle Lite 新增 Nvidia GPU 和 X86 CPU 两大类硬件支持。

Nvidia GPU 方面，为了充分利用 GPU 的高性能，Paddle Lite 用 CUDA 相关软件栈开发了对应的 Kernel，支持 Nvidia 多类 GPU 硬件，比如服务器端的 P4、T4，以及嵌入式端的 Jetson TX2、TX1、Nano 等。

目前 CUDA GPU 支持如下三种模型：

-Yolov3

-Alexnet

-Unet

在 X86 CPU 方面，Paddle Lite 增加了 MKL 相关 Kernel，目前能够驱动 inception v4, googlenet, resnet50 等 3 个模型的高效执行，相应算子对其他多数 CV 类模型具有普适性。

更好的性能

ARM CPU (v7,v8) 上 float32 和 int8 两种计算模式的预测性能均得到提升（见图 3，图 4），详情可以参考最新的 Benchmark：

链接：https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/benchmark/

图3

图4

测试条件：batchsize=1，单线程

更加完备的功能

• 支持 python API

为了简化 ARM Linux 相关硬件上的预测部署，Paddle Lite 增加了 Python API 的预测接口，目前在树莓派和 Jetson TX2 等卡上做了应用验证。

• 优化编译流程

Paddle Lite 支持两种模式的编译：

1. tiny_publish：用于对部署体积有严格要求的平台，对应 MobileConfig 预测接口。
2. full_publish：用于对部署体积无要求的平台，使用简便，对应 CxxConfig 预测接口。

编译方面，除了 docker 以外，新增了 Linux（推荐 Ubuntu）、Mac 等编译平台的支持，并且修复了编译（full_publish）时下载 git submodule 缓慢的问题。

在统一的编译脚本下，目前支持：

-android ARM CPU, GPU

-iOS

-X86

-NV GPU/CUDA

-Huawei NPU

-ARM Linux

等硬件平台的预测库编译。

• 预测库极致裁剪

Paddle Lite 对现有移动端预测库进行了进一步压缩，ARM V8 so 从 1.4M 降到 1.3M；此外，还发布了根据单个模型做定制裁剪的功能，即生成一个只包含该模型必需算子的预测库，效果如下图所示：

图5

更加完善的文档和 DEMO

完善文档内容，主要包括

• 增加支持硬件的列表，参考： https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/support_hardware/
• 增加根据模型裁剪算子的方法，参考： https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/library_tailoring/
• 更新最新 Benchmark，参考： https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/benchmark/

为了实际地展示 Paddle Lite 的部署能力，Paddle Lite 增加了 Paddle-Lite-Demo （https://github.com/PaddlePaddle/Paddle-Lite-Demo）GitHub 官方 DEMO 库，目前包含

-Android ARM CPU

-Android Huawei NPU

-iOS ARM CPU

-ARM Linux 树莓派

等多种平台，包括分类、检测等模型的功能演示。

以 ARM Linux 树莓派为例，Paddle Lite 驱动树莓派 3B 调用摄像头进行识别任务，整体效果如图 6 所示：

图 6

详情请参考树莓派摄像头的购买、安装、配置与验证（以树莓派 3B 为例，https://github.com/PaddlePaddle/Paddle-Lite-Demo/blob/master/PaddleLite-armlinux-demo/enable-camera-on-raspberry-pi.md）。

如果您想了解更多关于 Paddle Lite 的相关内容，请参阅以下相关链接。

参考链接：

1.Paddle Lite 的 Github 链接：

https://github.com/PaddlePaddle/Paddle-Lite

2.Paddle Lite 的文档链接：

https://paddlepaddle.github.io/Paddle-Lite/

3.Paddle Lite Demo 的链接：

https://github.com/PaddlePaddle/Paddle-Lite-Demo

4.PaddlePaddle 的 Github 链接：

https://github.com/paddlepaddle

本文为机器之心发布，转载请联系本公众号获得授权。