目录
使用 C++ 部署深度学习模型快速上手方案
旷视天元MegEngine
2022年11月14日 16:54

本文将从获取一个训练好的  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：

  • 导出已经训练好的模型

  • 编写 Inference 代码

  • 编译 MegEngine Lite

  • 编译 Inference 代码

  • 执行 Inference 文件，验证结果

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 , 在这个文件中将直接调用 MegEngine Lite 的接口运行  模型， 输入数据  是随机生成的，所以不用在乎计算结果。

代码块
C++
自动换行
复制代码
#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;
}
复制成功

上面代码主要完成了几个步骤，包括：

  1. 创建默认配置的 Network；

  2. 载入模型，MegEngine Lite 将读取并解析模型文件，并创建计算图；

  3. 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；

  4. 执行 Inference 逻辑;

  5. 获取模型输出 Tensor, 并处理输出数据。

至此完成了一个  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：

1、首先需要 Clone 整个 MegEngine 工程，并进入到 MegEngine 的根目录：

代码块
C++
自动换行
复制代码
git clone --depth=1 git@github.com:MegEngine/MegEngine.gitcd MegEngine
复制成功

2、环境准备 & 执行编译：

Linux x86

准备编译依赖的子模块：

代码块
C++
自动换行
复制代码
./third_party/prepare.sh
复制成功

安装英特尔数学核心库（MKL）:

代码块
C++
自动换行
复制代码
./third_party/install-mkl.sh
复制成功

本机编译 MegEngine Lite:

代码块
C++
自动换行
复制代码
scripts/cmake-build/host_build.sh
复制成功

Android Arm

准备编译依赖的子模块：

代码块
C++
自动换行
复制代码
./third_party/prepare.sh
复制成功

从安卓 官网 下载 NDK 并解压到某路径， 并将改路径设置为  环境变量：

代码块
C++
自动换行
复制代码
export NDK_ROOT=/path/to/ndk
复制成功

交叉编译 MegEngine Lite:

代码块
C++
自动换行
复制代码
scripts/cmake-build/cross_build_android_arm_inference.sh
复制成功

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  文件：

代码块
C++
自动换行
复制代码
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
复制成功

代码块
C++
自动换行
复制代码
clang++ -o demo_deploy \
  -I$LITE_INSTALL_DIR/include main.cpp \
  -llite_shared -L$LITE_INSTALL_DIR/lib/x86_64
复制成功

编译完成之后，就得到了可执行文件 .

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，

代码块
C++
自动换行
复制代码
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++
复制成功

代码块
C++
自动换行
复制代码
${CXX} -llog -lz -s \
  -I${LITE_INSTALL_PATH}/include main.cpp \
  ${LITE_INSTALL_PATH}/lib/aarch64/liblite_static_all_in_one.a \
  -o demo_deploy
复制成功

编译完成之后，需要将  和模型文件  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：

代码块
C++
自动换行
复制代码
./demo_deploy shufflenet_v2.mge
复制成功

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  之后，输出的结果中 , 符合  的输出特点。

附

GitHub：MegEngine 旷视天元 （欢迎 star~ https://github.com/MegEngine

Gitee：MegEngine/MegEngine https://gitee.com/MegEngine/MegEngine

MegEngine 官网：MegEngine-深度学习，简单开发

https://www.megengine.org.cn/

欢迎加入 MegEngine 技术交流 QQ 群：1029741705

开源 C++ 深度学习 模型部署 MegEngine
本文为我原创，未经授权禁止转载
cv19763861