機器之心發佈
今年 8 月，飛槳（PaddlePaddle）對外發布面向終端和邊緣設備的端側推理引擎 Paddle Lite Beta 版。經過近兩個多月的迭代和發展，2019 Wave Summit+ 深度學習開發者峰會上 Paddle Lite 2.0 正式版發佈。
Paddle Lite 的 Github 鏈接：
https://github.com/PaddlePaddle/Paddle-Lite
Paddle Lite 致力於提供一套功能完整、易用、高性能的端側推理引擎，方便廣大開發者將應用部署到任何端側設備之上。對比最初的 beta 版本，正式版在編譯、文檔、性能、硬件支持、平臺支持等方面都有了較大的改進提升。
而飛槳團隊也透露，將在今年內繼續推進若干小版本的升級，並期待和歡迎開發者加入社區並給出反饋。
在 AI 技術落地中，推理階段與實際應用相關聯，直接關係到用戶的體驗，是非常具有挑戰性的一環。
圖 1 .典型端側 AI 應用部署場景
Paddle Lite 是飛槳產品棧中用於端側高性能輕量化 AI 應用部署的推理引擎，核心用途是將訓練出的模型在不同硬件平臺場景下快速部署，根據輸入數據，執行預測推理得到計算結果，支持實際的業務應用。
圖 2 . Paddle Lite 功能定位
Paddle Lite 自 Beta 版發佈以來，在如下核心功能上進行升級：
- 多框架支持：原生支持 PaddlePaddle 的模型，同時通過 X2Paddle 工具，提供對 TensorFlow，PyTorch 和 ONNX 模型格式的更充分的支持；
- 多硬件支持：除了 ARM CPU、移動端 GPU、華為 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；
- 更加完備的功能：支持 python API，優化編譯流程，新增預測庫極致裁剪等功能；
- 更加完善的文檔和 demo：提供完善的文檔和多平臺的 demo，包括安卓、iOS 和樹莓派等。
多框架支持
Paddle Lite 不僅可以支持飛槳格式模型，也支持 Caffe, TensorFlow, ONNX 等第三方格式的模型，詳情可以參考 X2Paddle。官方已經驗證如下主流模型的適配情況：
除了上述主流模型以外，ARM CPU FP32 新增如下 3 個模型支持：
-transformer
-facebox
-blazeface
ARM CPU INT8 量化預測支持如下模型：
-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 兩大類硬件支持。
Nvidia GPU 方面，為了充分利用 GPU 的高性能，Paddle Lite 用 CUDA 相關軟件棧開發了對應的 Kernel，支持 Nvidia 多類 GPU 硬件，比如服務器端的 P4、T4，以及嵌入式端的 Jetson TX2、TX1、Nano 等。
目前 CUDA GPU 支持如下三種模型：
-Yolov3
-Alexnet
-Unet
在 X86 CPU 方面，Paddle Lite 增加了 MKL 相關 Kernel，目前能夠驅動 inception v4, googlenet, resnet50 等 3 個模型的高效執行，相應算子對其他多數 CV 類模型具有普適性。
更好的性能
ARM CPU (v7,v8) 上 float32 和 int8 兩種計算模式的預測性能均得到提升（見圖 3，圖 4），詳情可以參考最新的 Benchmark：
鏈接：https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/benchmark/
圖3
圖4
測試條件：batchsize=1，單線程
更加完備的功能
- 支持 python API
為了簡化 ARM Linux 相關硬件上的預測部署，Paddle Lite 增加了 Python API 的預測接口，目前在樹莓派和 Jetson TX2 等卡上做了應用驗證。
- 優化編譯流程
Paddle Lite 支持兩種模式的編譯：
- tiny_publish：用於對部署體積有嚴格要求的平臺，對應 MobileConfig 預測接口。
- full_publish：用於對部署體積無要求的平臺，使用簡便，對應 CxxConfig 預測接口。
編譯方面，除了 docker 以外，新增了 Linux（推薦 Ubuntu）、Mac 等編譯平臺的支持，並且修復了編譯（full_publish）時下載 git submodule 緩慢的問題。
在統一的編譯腳本下，目前支持：
-android ARM CPU, GPU
-iOS
-X86
-NV GPU/CUDA
-Huawei NPU
-ARM Linux
等硬件平臺的預測庫編譯。
- 預測庫極致裁剪
Paddle Lite 對現有移動端預測庫進行了進一步壓縮，ARM V8 so 從 1.4M 降到 1.3M；此外，還發布了根據單個模型做定製裁剪的功能，即生成一個只包含該模型必需算子的預測庫，效果如下圖所示：
圖5
更加完善的文檔和 DEMO
完善文檔內容，主要包括
- 增加支持硬件的列表，參考： https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/support_hardware/
- 增加根據模型裁剪算子的方法，參考： https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/library_tailoring/
- 更新最新 Benchmark，參考： https://paddlepaddle.github.io/Paddle-Lite/v2.0.0/benchmark/
為了實際地展示 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 庫，目前包含
-Android ARM CPU
-Android Huawei NPU
-iOS ARM CPU
-ARM Linux 樹莓派
等多種平臺，包括分類、檢測等模型的功能演示。
以 ARM Linux 樹莓派為例，Paddle Lite 驅動樹莓派 3B 調用攝像頭進行識別任務，整體效果如圖 6 所示：
圖 6
詳情請參考樹莓派攝像頭的購買、安裝、配置與驗證（以樹莓派 3B 為例，https://github.com/PaddlePaddle/Paddle-Lite-Demo/blob/master/PaddleLite-armlinux-demo/enable-camera-on-raspberry-pi.md）。
如果您想了解更多關於 Paddle Lite 的相關內容，請參閱以下相關鏈接。
參考鏈接：
1.Paddle Lite 的 Github 鏈接：
https://github.com/PaddlePaddle/Paddle-Lite
2.Paddle Lite 的文檔鏈接：
https://paddlepaddle.github.io/Paddle-Lite/
3.Paddle Lite Demo 的鏈接：
https://github.com/PaddlePaddle/Paddle-Lite-Demo
4.PaddlePaddle 的 Github 鏈接：
https://github.com/paddlepaddle
5.如果使用過程中遇到任何問題，大家可通過Paddle Lite官方QQ群與開發人員進行技術交流及問題反饋，飛槳Paddle Lite官方QQ群（群號696965088）。
閱讀更多 機器之心Pro 的文章
