PaddleLite使用NPU(华为)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。

已支持的设备

  • 华为nova5、nova5i pro、mate30、mate30 pro、mate30 5G、荣耀v30,以及即将推出的mate40、p40。据华为透露,今后上市的大部分手机都会搭载其自研达芬奇架构NPU。

已支持的模型

  • MobileNetV1
  • MobileNetV2
  • ResNet-18/50
  • ShuffleNetV2
  • CycleGAN (暂时需要华为内部rom的支持)
  • 百度内部业务模型(由于涉密,不方便透露具体细节)

已支持(或部分支持)的Paddle算子

  • sigmoid
  • relu
  • tanh
  • relu_clipped
  • leaky_relu
  • softsign
  • hard_sigmoid
  • batch_norm
  • concat
  • conv2d
  • depthwise_conv2d
  • conv2d_transpose
  • dropout
  • elementwise_add
  • elementwise_sub
  • elementwise_mul
  • elementwise_div
  • fusion_elementwise_add_activation
  • fusion_elementwise_sub_activation
  • fusion_elementwise_mul_activation
  • fusion_elementwise_div_activation
  • fc
  • bilinear_interp
  • nearest_interp
  • matmul
  • mul
  • pad2d
  • pool2d
  • reduce_mean
  • reshape
  • reshape2
  • scale
  • shuffle_channel
  • softmax
  • split
  • sqrt
  • square
  • transpose
  • transpose2
  • unsqueeze
  • unsqueeze2
  • instance_norm (暂时需要华为内部rom的支持)
  • layer_norm (暂时需要华为内部rom的支持)

编译支持NPU的Paddle Lite库

注意:以下是HiAI DDK V310版解压后的目录结构,需要将ai_ddk_lib目录拷贝至Paddle Lite源码根目录。

  1. - app_sample
  2. - ddk
  3. - ai_ddk_lib
  4. - include
  5. - lib # for armv7
  6. - lib64 # for armv8
  7. - document
  8. - tools
  • full_publish and tiny_publish for armv8,由于HiAI DDK的armv7和armv8的so库均基于c++_shared构建,因此,建议使用c++_shared编译Paddle Lite。
  1. $ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv8 --arm_lang=gcc --android_stl=c++_shared full_publish
  2. $ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv8 --arm_lang=gcc --android_stl=c++_shared tiny_publish
  • full_publish and tiny_publish for armv7
  1. $ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv7 --arm_lang=gcc --android_stl=c++_shared full_publish
  2. $ ./lite/tools/build_npu.sh --arm_os=android --arm_abi=armv7 --arm_lang=gcc --android_stl=c++_shared tiny_publish

注意:为了保证编译环境一致,建议参考源码编译中的Docker开发环境进行配置,然后再执行上述命令。

优化生成NPU模型

  • model_optimize_tool工具已经支持生成NPU模型,仅需要将valid_targets设置为npu,arm即可,具体参考模型转化方法
  1. ./model_optimize_tool --model_dir=<model_param_dir> \
  2. --model_file=<model_path> \
  3. --param_file=<param_path> \
  4. --optimize_out_type=(protobuf|naive_buffer) \
  5. --optimize_out=<output_optimize_model_dir> \
  6. --valid_targets=npu,arm \
  7. --prefer_int8_kernel=(true|false) \
  8. --record_tailoring_info =(true|false)
  • model_optimize_tool生成的模型只是标记了NPU支持的Paddle算子,并没有真正生成NPU HiAI模型,只有在执行时才会将标记的Paddle算子转成HiAI IR,最终生成并执行HiAI模型,具体实现参考PR2576
  • 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CPU版算子进行运算完成整个预测任务。

通过JAVA接口加载并执行NPU模型

  • 使用方法和Java实例一致,无需额外设置任何参数,只需将模型换成NPU模型即可。Paddle-Lite-Demo中的Image Classification Demo for Android是同时支持CPU和NPU两种模型的图像分类Demo。

注意:在拷贝libpaddle_lite_jni.so的时候,由于依赖HiAI DDK so和libc++_shared.so库,需要将HiAI DDK中ai_ddk_lib/lib或ai_ddk_lib/lib64目录下的所有so和libc++_shared.so,拷到libpaddle_lite_jni.so同级目录下。

通过C++接口加载并执行NPU模型

  • 使用方法和C++实例一致,同样无需额外设置任何参数,只需将模型换成NPU模型即可。

注意:1)不能使用安卓模拟器,需要使用真实设备,且必须是支持NPU的华为手机。2)在使用adb push命令向手机推送目标程序时,需要将HiAI DDK中ai_ddk_lib/lib或ai_ddk_lib/lib64目录下的所有so和libc++_shared.so,推送到目标程序同级目录下。

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。