安装与编译 Windows 预测库

下载安装包与对应的测试环境

版本说明 预测库(1.8.2版本) 编译器 构建工具 cuDNN CUDA
cpu_avx_mkl fluid_inference.zip MSVC 2015 update 3 CMake v3.16.0
cpu_avx_openblas fluid_inference.zip MSVC 2015 update 3 CMake v3.16.0
cuda9.0_cudnn7_avx_mkl fluid_inference.zip MSVC 2015 update 3 CMake v3.16.0 7.3.1 9.0
cuda9.0_cudnn7_avx_openblas fluid_inference.zip MSVC 2015 update 3 CMake v3.16.0 7.3.1 9.0
cuda10.0_cudnn7_avx_mkl fluid_inference.zip MSVC 2015 update 3 CMake v3.16.0 7.4.1 10.0

硬件环境

测试环境硬件配置:

CPU I7-8700K
内存 16G
硬盘 1T hdd + 256G ssd
显卡 GTX1080 8G

测试环境操作系统使用 win10 家庭版本

从源码编译预测库

用户也可以从 PaddlePaddle 核心代码编译C++预测库,只需在编译时配制下面这些编译选项:

选项 说明
CMAKE_BUILD_TYPE 配置生成器上的构建类型,windows预测库目前只支持Release Release
ON_INFER 是否生成预测库,编译预测库时必须设置为ON ON
WITH_GPU 是否支持GPU ON/OFF
WITH_MKL 是否使用Intel MKL(数学核心库) ON/OFF
WITH_PYTHON 是否内嵌PYTHON解释器 OFF(推荐)
MSVC_STATIC_CRT 是否使用/MT 模式进行编译,Windows默认使用 /MT 模式进行编译 ON/OFF
CUDA_TOOKIT_ROOT_DIR 编译GPU预测库时,需设置CUDA的根目录 YOUR_CUDA_PATH

请按照推荐值设置,以避免链接不必要的库。其它可选编译选项按需进行设定。

更多具体编译选项含义请参见编译选项表

Windows下安装与编译预测库步骤:(在Windows命令提示符下执行以下指令)

  1. 将PaddlePaddle的源码clone在当下目录的Paddle文件夹中,并进入Paddle目录:

    git clone https://github.com/PaddlePaddle/Paddle.git
    cd Paddle
    
  2. 执行cmake:

    • 编译CPU预测
    # 创建并进入build目录
    mkdir build
    cd build
    
    cmake .. -G "Visual Studio 14 2015" -A x64 -T host=x64 -DCMAKE_BUILD_TYPE=Release -DWITH_MKL=OFF -DWITH_GPU=OFF -DON_INFER=ON -DWITH_PYTHON=OFF
    
    # Windows默认使用 /MT 模式进行编译,如果想使用 /MD 模式,请使用以下命令。如不清楚两者的区别,请使用上面的命令
    cmake .. -G "Visual Studio 14 2015" -A x64 -T host=x64 -DCMAKE_BUILD_TYPE=Release -DWITH_MKL=OFF -DWITH_GPU=OFF -DON_INFER=ON -DWITH_PYTHON=OFF -DMSVC_STATIC_CRT=OFF
    
    • 编译GPU预测库:
    # -DCUDA_TOOKIT_ROOT_DIR 为cuda根目录,例如-DCUDA_TOOKIT_ROOT_DIR="D:\\cuda"
    cmake .. -G "Visual Studio 14 2015" -A x64 -T host=x64 -DCMAKE_BUILD_TYPE=Release -DWITH_MKL=ON -DWITH_GPU=ON -DON_INFER=ON -DWITH_PYTHON=OFF -DCUDA_TOOKIT_ROOT_DIR=YOUR_CUDA_PATH
    
  3. 使用Blend for Visual Studio 2015 打开 paddle.sln 文件,选择平台为x64,配置为Release,编译inference_lib_dist项目。 操作方法:在Visual Studio中选择相应模块,右键选择"生成"(或者"build")

编译成功后,使用C++预测库所需的依赖(包括:(1)编译出的PaddlePaddle预测库和头文件;(2)第三方链接库和头文件;(3)版本信息与编译选项信息) 均会存放于fluid_inference_install_dir目录中。

version.txt 中记录了该预测库的版本信息,包括Git Commit ID、使用OpenBlas或MKL数学库、CUDA/CUDNN版本号,如:

 GIT COMMIT ID: cc9028b90ef50a825a722c55e5fda4b7cd26b0d6
 WITH_MKL: ON
 WITH_MKLDNN: ON
 WITH_GPU: ON
 CUDA version: 8.0
 CUDNN version: v7

编译预测demo

硬件环境

测试环境硬件配置:

CPU I7-8700K
内存 16G
硬盘 1T hdd + 256G ssd
显卡 GTX1080 8G

测试环境操作系统使用 win10 家庭版本。

软件要求

请您严格按照以下步骤进行安装,否则可能会导致安装失败!

安装Visual Studio 2015 update3

安装Visual Studio 2015,安装选项中选择安装内容时勾选自定义,选择安装全部关于c,c++,vc++的功能。

其他要求

  1. 你需要直接下载Windows预测库或者从Paddle源码编译预测库,确保windows预测库存在。
  2. 你需要下载Paddle源码,确保demo文件和脚本文件存在:
git clone https://github.com/PaddlePaddle/Paddle.git

编译demo

Windows下编译预测demo步骤:(在Windows命令提示符下执行以下指令)

使用脚本编译运行

进入到demo_ci目录,运行脚本run_windows_demo.bat,根据提示按需输入参数:

# path为下载Paddle的目录
cd path\Paddle\paddle\fluid\inference\api\demo_ci
run_windows_demo.bat

其中,run_windows_demo.bat 的部分选项如下:

gpu_inference=Y #是否使用GPU预测库,默认使用CPU预测库
use_mkl=Y #该预测库是否使用MKL,默认为Y
use_gpu=Y  #是否使用GPU进行预测,默认为N。使用GPU预测需要下载GPU版本预测库

paddle_inference_lib=path\fluid_inference_install_dir #设置paddle预测库的路径
cuda_lib_dir=path\lib\x64  #设置cuda库的路径
vcvarsall_dir=path\vc\vcvarsall.bat  #设置visual studio #本机工具命令提示符路径

手动编译运行

  1. 进入demo_ci目录,创建并进入build目录

    # path为下载Paddle的目录
    cd path\Paddle\paddle\fluid\inference\api\demo_ci
    mkdir build
    cd build
    
  2. 执行cmake(cmake可以在官网进行下载,并添加到环境变量中):

    • 使用CPU预测库编译demo
    # -DDEMO_NAME 是要编译的文件
    # -DDPADDLE_LIB是预测库目录,例如-DPADDLE_LIB=D:\fluid_inference_install_dir
    cmake .. -G "Visual Studio 14 2015" -A x64 -T host=x64 -DWITH_GPU=OFF -DWITH_MKL=ON -DWITH_STATIC_LIB=ON ^
    -DCMAKE_BUILD_TYPE=Release -DDEMO_NAME=simple_on_word2vec -DPADDLE_LIB=path_to_the_paddle_lib -DMSVC_STATIC_CRT=ON
    
    • 使用GPU预测库编译demo
    # -DCUDA_LIB CUDA的库目录,例如-DCUDA_LIB=D:\cuda\lib\x64
    cmake .. -G "Visual Studio 14 2015" -A x64 -T host=x64 -DWITH_GPU=ON -DWITH_MKL=ON -DWITH_STATIC_LIB=ON ^
    -DCMAKE_BUILD_TYPE=Release -DDEMO_NAME=simple_on_word2vec -DPADDLE_LIB=path_to_the_paddle_lib -DMSVC_STATIC_CRT=ON -DCUDA_LIB=YOUR_CUDA_LIB
    
  3. 使用Blend for Visual Studio 2015 打开 cpp_inference_demo.sln 文件,选择平台为x64,配置为Release,编译simple_on_word2vec项目。 操作方法: 在Visual Studio中选择相应模块,右键选择"生成"(或者"build")

  4. 下载模型并解压到当前目录,执行命令:

    # 开启GLOG
    set GLOG_v=100
    # 进行预测,path为模型解压后的目录
    Release\simple_on_word2vec.exe --dirname=path\word2vec.inference.model
    

实现一个简单预测demo

完整的代码示例

本示例使用了AnalysisConfig管理AnalysisPredictor的预测配置,提供了模型路径设置、预测引擎运行设备选择以及使用ZeroCopyTensor管理输入/输出的设置。具体步骤如下:

  1. 创建AnalysisConfig

    AnalysisConfig config;
    config->SwitchUseFeedFetchOps(false);  // 关闭feed和fetch OP使用,使用ZeroCopy接口必须设置此项
    // config->EnableUseGpu(100 /*设定GPU初始显存池为MB*/,  0 /*设定GPU ID为0*/); //开启GPU预测
    
  2. 在config中设置模型和参数路径

    从磁盘加载模型时,根据模型和参数文件存储方式不同,设置AnalysisConfig加载模型和参数的路径有两种形式,此处使用combined形式:

    • 非combined形式:模型文件夹model_dir下存在一个模型文件和多个参数文件时,传入模型文件夹路径,模型文件名默认为__model__
    config->SetModel("path\\model_dir\\__model__")
    
    • combined形式:模型文件夹model_dir下只有一个模型文件__model__和一个参数文件__params__时,传入模型文件和参数文件路径。
    config->SetModel("path\\model_dir\\__model__", "path\\model_dir\\__params__");
    
  3. 创建predictor,准备输入数据

    std::unique_ptr<PaddlePredictor> predictor = CreatePaddlePredictor(config);
    int batch_size = 1;
    int channels = 3; // channels,height,width三个参数必须与模型中对应输入的shape一致
    int height = 300;
    int width = 300;
    int nums = batch_size * channels * height * width;
    
    float* input = new float[nums];
    for (int i = 0; i < nums; ++i) input[i] = 0;
    
  4. 使用ZeroCopyTensor管理输入

    // 通过创建的AnalysisPredictor获取输入Tensor,该Tensor为ZeroCopyTensor
    auto input_names = predictor->GetInputNames();
    auto input_t = predictor->GetInputTensor(input_names[0]);
    
    // 对Tensor进行reshape,将准备好的输入数据从CPU拷贝到ZeroCopyTensor中
    input_t->Reshape({batch_size, channels, height, width});
    input_t->copy_from_cpu(input);
    
  5. 运行预测引擎

    predictor->ZeroCopyRun();
    
  6. 使用ZeroCopyTensor管理输出

    auto output_names = predictor->GetOutputNames();
    auto output_t = predictor->GetOutputTensor(output_names[0]);
    std::vector<int> output_shape = output_t->shape();
    int out_num = std::accumulate(output_shape.begin(), output_shape.end(), 1,
                                  std::multiplies<int>());
    
    out_data.resize(out_num);
    output_t->copy_to_cpu(out_data.data()); // 将ZeroCopyTensor中数据拷贝到cpu中,得到输出数据
    delete[] input;
    

Note: 关于AnalysisPredictor的更多介绍,请参考C++预测API介绍