百度飞桨重磅推出端侧推理引擎Paddle Lite 支持更多硬件平台

Posted 2021-04-01 兔工坊

百度深度学习平台飞桨（PaddlePaddle）再放大招！端侧推理引擎全新升级，重磅发布Paddle Lite，旨在推动人工智能应用在端侧更好落地。该推理引擎在多硬件、多平台以及硬件混合调度的支持上更加完备，是飞桨在Paddle Mobile的基础上进行的一次大规模升级迭代。通过对底层架构设计的改进，拓展性和兼容性等方面实现显著提升。目前，Paddle Lite已经支持了ARM CPU，Mali GPU，Adreno GPU，华为NPU以及FPGA等诸多硬件平台，是目前首个支持华为NPU在线编译的深度学习推理框架。

随着技术进步，手机等移动设备已成为非常重要的本地深度学习载体，然而日趋异构化的硬件平台和复杂的终端侧的使用状况，让端侧推理引擎的架构能力颇受挑战。端侧模型的推理往往面临着算力和内存的限制，为了能够完整的支持众多的硬件架构，并且实现在这些硬件之上人工智能应用性能的性能优化，百度飞桨基于Paddle Mobile预测库，融合Anakin等多个相关项目的技术优势，全新发布端侧推理引擎Paddle Lite，通过建模底层计算模式，加强了多种硬件、量化方法、Data Layout 混合调度执行的能力，从而保障了宏观硬件的支持能力，满足人工智能应用落地移动端的严苛要求。

Paddle Lite在架构上全新升级，并重点增加了多种计算模式（硬件、量化方法、Data Layout）混合调度的完备性设计，可以完整承担深度学习模型在不同硬件平台上的的推理部署需求，具备高性能、多硬件、多平台、扩展性强等优势。不同于其他一些独立的推理引擎，Paddle Lite依托飞桨训练框架及其对应的丰富完整的算子库，底层算子计算逻辑与训练严格一致，模型完全兼容无风险，并可快速支持更多模型。

Paddle Lite架构由四层次组成：第一层model 层直接接受Paddle训练的模型，通过模型优化工具转化为NaiveBuffer特殊格式，以便更好地适应移动端的部署场景；第二层Program层是operator序列构成的执行程序；第三层是一个完整的分析模块，主要包括TypeSystem、SSA Graph和Passes等模块；第四层是执行层，由Kernel序列构成的Runtime Program。

Paddle Lite具有以下重要特性：

与其他端侧引擎相比，Paddle Lite扩展性更高，框架层硬件抽象层次的描述能力强，容易对新的硬件进行集成，可以模块化地对硬件和模型进行更细致的分析和优化。

在模型支持方面，Paddle Lite现已支持Paddle图像分类、检测、分割及图像文字识别等领域的模型预测，官方发布了18个模型的benchmark。此外，可以通过X2Paddle工具将由Caffe和TensorFlow训练的模型转换后进行预测。

在硬件支持方面，目前Paddle Lite已支持ARM CPU, ARM GPU、华为NPU和FPGA等硬件平台，正在优化支持的有寒武纪、比特大陆等国产AI芯片，并会兼容支持的Intel、NVIDIA等主流云端芯片，与硬件厂商的广泛深入合作使得lite具有高性能表现，并可紧跟新硬件发展步伐提供先于其他框架的性能表现领先优势。

模型支持和硬件平台支持的广泛性，整体保证了框架的高通用性

在性能方面，Paddle Lite针对不同微架构，进行了kernel的深度优化，支持INT8量化计算，在主流移动端模型上展现出领先的速度优势。值得一提的是，在"国货"华为 NPU上也具有很好的性能表现。

与此同时，Paddle Lite可针对端侧设备特点进行深度定制及优化，无第三方库依赖，让部署过程更轻量化。整个推理过程分为模型加载解析、计算图的优化分析及设备上的高效运行。移动端可以直接部署经过优化分析的图，执行预测。android平台上，ARMV7 动态库只需要800k，ARMV8动态库仅有1.3M，也可以根据需要，进行更深度的剪裁。

此外，还进一步完善提供了Web前端开发接口，支持javascript调用 GPU，可在网页端快捷运行深度学习模型。

端侧推理引擎在人工智能应用落地环节有着重要影响，直接关系到用户的体验，在自动驾驶等人工智能应用领域，端侧推理引擎甚至关乎用户的生命财产安全。百度飞桨推出Paddle Lite对端侧推理引擎性能进行大幅优化提升，对于人能智能应用的落地起到关键的推动作用。未来，Paddle Lite将支持更多硬件，覆盖更广泛的应用领域。