Skip to content

Latest commit

 

History

History
137 lines (91 loc) · 5.92 KB

paddle_lite_benchmark.md

File metadata and controls

137 lines (91 loc) · 5.92 KB
Raw

手机端 benchmark

目录

1. 简介

Paddle-Lite 是飞桨推出的一套功能完善、易用性强且性能卓越的轻量化推理引擎。 轻量化体现在使用较少比特数用于表示神经网络的权重和激活，能够大大降低模型的体积，解决终端设备存储空间有限的问题，推理性能也整体优于其他框架。 PaddleClas 使用 Paddle-Lite 进行了移动端模型的性能评估，本部分以 ImageNet1k 数据集的 MobileNetV1 模型为例，介绍怎样使用 Paddle-Lite，在移动端(基于骁龙855的安卓开发平台)对进行模型速度评估。

2. 评估步骤

2.1 导出 inference 模型

  • 首先需要将训练过程中保存的模型存储为用于预测部署的固化模型，可以使用 tools/export_model.py 导出 inference 模型，具体使用方法如下。
python tools/export_model.py \
    -c ./ppcls/configs/ImageNet/MobileNetV1/MobileNetV1.yaml \
    -o Arch.pretrained=./pretrained/MobileNetV1_pretrained/ \
    -o Global.save_inference_dir=./inference/MobileNetV1/

在上述命令中，通过参数 Arch.pretrained 指定训练过程中保存的模型参数文件，也可以指定参数 Arch.pretrained=True 加载 PaddleClas 提供的基于 ImageNet1k 的预训练模型参数，最终在 inference/MobileNetV1 文件夹下会保存得到 inference.pdmodel 与 inference.pdiparmas 文件。

2.2 benchmark 二进制文件下载

  • 使用 adb(Android Debug Bridge)工具可以连接 Android 手机与 PC 端，并进行开发调试等。安装好 adb，并确保 PC 端和手机连接成功后，使用以下命令可以查看手机的 ARM 版本，并基于此选择合适的预编译库。
adb shell getprop ro.product.cpu.abi
  • 下载 benchmark_bin 文件

请根据所用 Android 手机的 ARM 版本选择，ARM 版本为 v8，则使用以下命令下载：

wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_0/benchmark_bin_v8

如果查看的 ARM 版本为 v7，则需要下载 v7 版本的 benchmark_bin 文件，下载命令如下：

wget -c https://paddle-inference-dist.bj.bcebos.com/PaddleLite/benchmark_0/benchmark_bin_v7

2.3 模型速度 benchmark

PC 端和手机连接成功后，使用下面的命令开始模型评估。

sh deploy/lite/benchmark/benchmark.sh ./benchmark_bin_v8 ./inference result_armv8.txt true

其中 ./benchmark_bin_v8 为 benchmark 二进制文件路径，./inference 为所有需要评测的模型的路径，result_armv8.txt 为保存的结果文件，最后的参数 true 表示在评估之后会首先进行模型优化。最终在当前文件夹下会输出 result_armv8.txt 的评估结果文件，具体信息如下。

PaddleLite Benchmark
Threads=1 Warmup=10 Repeats=30
MobileNetV1                           min = 30.89100    max = 30.73600    average = 30.79750

Threads=2 Warmup=10 Repeats=30
MobileNetV1                           min = 18.26600    max = 18.14000    average = 18.21637

Threads=4 Warmup=10 Repeats=30
MobileNetV1                           min = 10.03200    max = 9.94300     average = 9.97627

这里给出了不同线程数下的模型预测速度，单位为 FPS，以线程数为 1 为例，MobileNetV1 在骁龙855上的平均速度为 30.79750FPS。

2.4 模型优化与速度评估

  • 在 2.3 节中提到了在模型评估之前对其进行优化，在这里也可以首先对模型进行优化，再直接加载优化后的模型进行速度评估。

  • Paddle-Lite 提供了多种策略来自动优化原始的训练模型，其中包括量化、子图融合、混合调度、Kernel 优选等等方法。为了使优化过程更加方便易用，Paddle-Lite 提供了 opt 工具来自动完成优化步骤，输出一个轻量的、最优的可执行模型。可以在Paddle-Lite 模型优化工具页面下载。在这里以 macOS 开发环境为例，下载opt_mac模型优化工具，并使用下面的命令对模型进行优化。

model_file="../MobileNetV1/inference.pdmodel"
param_file="../MobileNetV1/inference.pdiparams"
opt_models_dir="./opt_models"
mkdir ${opt_models_dir}
./opt_mac --model_file=${model_file} \
    --param_file=${param_file} \
    --valid_targets=arm \
    --optimize_out_type=naive_buffer \
    --prefer_int8_kernel=false \
    --optimize_out=${opt_models_dir}/MobileNetV1

其中 model_file 与 param_file 分别是导出的 inference 模型结构文件与参数文件地址，转换成功后，会在 opt_models 文件夹下生成 MobileNetV1.nb 文件。

使用 benchmark_bin 文件加载优化后的模型进行评估，具体的命令如下。

bash benchmark.sh ./benchmark_bin_v8 ./opt_models result_armv8.txt

最终 result_armv8.txt 中结果如下：

PaddleLite Benchmark
Threads=1 Warmup=10 Repeats=30
MobileNetV1_lite              min = 30.89500    max = 30.78500    average = 30.84173

Threads=2 Warmup=10 Repeats=30
MobileNetV1_lite              min = 18.25300    max = 18.11000    average = 18.18017

Threads=4 Warmup=10 Repeats=30
MobileNetV1_lite              min = 10.00600    max = 9.90000     average = 9.96177

以线程数为 1 为例，MobileNetV1 在骁龙855上的平均速度为 30.84173 ms。

更加具体的参数解释与 Paddle-Lite 使用方法可以参考 Paddle-Lite 文档。