本文将从获取一个训练好的 shufflenet_v2
模型出发, 讲解如何使用 MegEngine Lite 的 C++ 接口将其部署到 CPU(Linux x86 / Android Arm)环境下运行。主要分为以下小节:
参见:
MegEngine Lite 还可以 通过 Python 接口进行使用, 使用方便但有局限性。
导出已经训练好的模型
请参考 获得用于 MegEngine Lite 推理的模型。
编写 Inference 代码
首先创建一个 main.cpp
, 在这个文件中将直接调用 MegEngine Lite 的接口运行 shufflenet_v2.mge
模型, 输入数据 input_tensor
是随机生成的,所以不用在乎计算结果。
#include <iostream>
#include "lite/network.h"
using namespace lite;
int main(int argc, char** argv) {
std::cout << " Usage: ./demo_deploy model_name" << std::endl;
if (argc != 2) {
std::cout << " Wrong argument" << std::endl;
return 0;
}
std::string model_path = argv[1];
//! create and load the network
std::shared_ptr<lite::Network> network = std::make_shared<Network>();
//! load the model
network->load_model(model_path);
//! get the input tensor of the network with name "data"
std::shared_ptr<Tensor> input_tensor = network->get_io_tensor("data");
//! fill the rand data to input tensor
srand(static_cast<unsigned>(time(NULL)));
size_t length =
input_tensor->get_tensor_total_size_in_byte() / sizeof(float);
float* in_data_ptr = static_cast<float*>(input_tensor->get_memory_ptr());
for (size_t i = 0; i < length; i++) {
in_data_ptr[i] =
static_cast<float>(rand()) / (static_cast<float>(RAND_MAX));
}
//! forward
network->forward();
network->wait();
//! get the inference output tensor of index 0
std::shared_ptr<Tensor> output_tensor = network->get_output_tensor(0);
float* predict_ptr = static_cast<float*>(output_tensor->get_memory_ptr());
float sum = 0.0f, max = predict_ptr[0];
for (size_t i = 0; i < 1000; i++) {
sum += predict_ptr[i];
if (predict_ptr[i] > max) {
max = predict_ptr[i];
}
}
std::cout << "The output SUM is " << sum << ", Max is " << max << std::endl;
}
上面代码主要完成了几个步骤,包括:
-
创建默认配置的 Network;
-
载入模型,MegEngine Lite 将读取并解析模型文件,并创建计算图;
-
通过输入 Tensor 的名字获取模型的输入 Tensor, 并设置随机数作为输入数据;
-
执行 Inference 逻辑;
-
获取模型输出 Tensor, 并处理输出数据。
至此完成了一个 shufflenet_v2
模型的推理过程的 C++ 代码编写。
但在真正运行这段代码之前,还需要编译该 C++ 源文件,并链接 MegEngine Lite 库文件。 ⬇️ ⬇️ ⬇️
编译 MegEngine Lite
注解
-
这一步的目的是获得 MegEngine Lite 的静态链接库和动态链接库,供我们上面代码编译时候进行链接; 编译的过程和 从源码编译 MegEngine 中的介绍是一致的。
-
下面将演示在 Linux x86 下使用动态链接,Android Arm 上使用静态链接的流程:
- 首先需要 Clone 整个 MegEngine 工程,并进入到 MegEngine 的根目录:
git clone --depth=1 git@github.com:MegEngine/MegEngine.git
cd MegEngine
-
环境准备 & 执行编译:
Linux x86
准备编译依赖的子模块:
./third_party/prepare.sh
安装英特尔数学核心库(MKL):
./third_party/install-mkl.sh
本机编译 MegEngine Lite:
scripts/cmake-build/host_build.sh
Android Arm
准备编译依赖的子模块:
./third_party/prepare.sh
从安卓 官网 下载 NDK 并解压到某路径, 并将改路径设置为 NDK_ROOT
环境变量:
export NDK_ROOT=/path/to/ndk
交叉编译 MegEngine Lite:
scripts/cmake-build/cross_build_android_arm_inference.sh
编译完成之后 MegEngine Lite 库和头文件路径 /path/to/megenginelite-lib
-
Linux x86:
build_dir/host/MGE_WITH_CUDA_OFF/MGE_INFERENCE_ONLY_ON/Release/install/lite/
-
Android Arm:
build_dir/android/arm64-v8a/Release/install/lite/
编译 Inference 代码
有了上一步得到的 MegEngine Lite 库文件,我们就可以在编译 Inference 代码的时候进行动态链接或静态链接。 下面分别用 Linux x86 和 Android Arm 来展示两种链接方式,演示编译 Inference 代码的步骤:
Linux x86 动态链接编译
根据自身环境选择编译器(这里使用的是 clang++, 也可以用 g++),动态链接 liblite_shared.so
文件:
export LITE_INSTALL_DIR=/path/to/megenginelite-lib #上一步中编译生成的库文件安装路径
export LD_LIBRARY_PATH=$LITE_INSTALL_DIR/lib/x86_64/:$LD_LIBRARY_PATH
clang++ -o demo_deploy \
-I$LITE_INSTALL_DIR/include main.cpp \
-llite_shared -L$LITE_INSTALL_DIR/lib/x86_64
编译完成之后,就得到了可执行文件 demo_deploy
.
Android Arm 静态链接编译
Android Arm 编译为交叉编译(在 Linux 主机上编译 Android Arm 中运行的可执行程序)。
以链接 MegEngine Lite 的静态库作为示例,需要确保 NDK 环境准备完成,
export LITE_INSTALL_DIR=/path/to/megenginelite-lib #上一步中编译生成的库文件安装路径
export PATH=${NDK_ROOT}/toolchains/llvm/prebuilt/linux-x86_64/bin/:$PATH
export CXX=aarch64-linux-android21-clang++
${CXX} -llog -lz -s \
-I${LITE_INSTALL_PATH}/include main.cpp \
${LITE_INSTALL_PATH}/lib/aarch64/liblite_static_all_in_one.a \
-o demo_deploy
编译完成之后,需要将 demo_deploy
和模型文件 shufflenet_v2.mge
拷贝到 Android Arm 机器上。
执行 Inference 文件,验证结果
最后执行编译好的文件,就可以看到推理结果:
./demo_deploy shufflenet_v2.mge
这样就快速完成了 X86 和 Arm 上简单的 demo 部署。
在本例中,最后计算结果可以看到:经过 softmax
之后,输出的结果中 sum = 1
, 符合 softmax
的输出特点。