MegEngine Lite C++ 模型部署快速上手¶
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¶
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 <stdlib.h>
#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 https://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。