模型转化方法

Lite架构在预测过程中表现出来的高性能得益于其丰富的优化组件，其中包括量化、子图融合、混合调度、Kernel优选等等策略。为了使优化过程更加方便易用，我们提供了opt来自动完成优化步骤，输出一个轻量的、最优的可执行模型。具体使用方法介绍如下：

注意：release/v2.2.0之前的模型转化工具名称为model_optimize_tool，从release/v2.3.0开始模型转化工具名称修改为opt

准备opt

当前获得opt方法有三种：

我们提供当前develop分支编译结果下载：opt、opt_mac release/v2.2.0之前版本的model_optimize_tool: model_optimize_tool、model_optimize_tool_mac
可以进入Paddle-Lite Github仓库的release界面，选择release版本下载对应的转化工具opt (release/v2.2.0之前的转化工具为model_optimize_tool、release/v2.3.0之后为opt)
可以下载Paddle-Lite源码，从源码编译出opt工具
```
git clone https://github.com/PaddlePaddle/Paddle-Lite.git
cd Paddle-Lite
git checkout <release-version-tag>
./lite/tools/build.sh build_optimize_tool
```
编译结果位于Paddle-Lite/build.opt/lite/api/opt 注意：从源码编译opt前需要先安装Paddle-Lite的开发环境。

使用opt

opt是x86平台上的可执行文件，需要在PC端运行：包括Linux终端和Mac终端。

帮助信息

执行opt时不加入任何输入选项，会输出帮助信息，提示当前支持的选项：

 ./opt

功能一：转化模型为Paddle-Lite格式

opt可以将PaddlePaddle支持的模型转化为Paddle-Lite支持的模型格式，期间执行的操作包括：将protobuf格式的模型文件转化为naive_buffer格式的模型文件，有效降低模型体积；执行“量化、子图融合、混合调度、Kernel优选”等图优化操作，提升其在Paddle-Lite上的运行速度、内存占用等性能指标。

模型优化过程：

（1）准备待优化的PaddlePaddle模型

PaddlePaddle模型有两种保存格式： Combined Param：所有参数信息保存在单个文件params中，模型的拓扑信息保存在__model__文件中。

opt_combined_model

Seperated Param：参数信息分开保存在多个参数文件中，模型的拓扑信息保存在__model__文件中。 opt_seperated_model

(2) 终端中执行opt优化模型 使用示例：转化mobilenet_v1模型

./opt --model_dir=./mobilenet_v1 --valid_targets=arm --optimize_out_type=naive_buffer --optimize_out=mobilenet_v1_opt

以上命令可以将mobilenet_v1模型转化为arm硬件平台、naive_buffer格式的Paddle_Lite支持模型，优化后的模型文件为mobilenet_v1_opt.nb，转化结果如下图所示：

opt_resulted_model

(3) 更详尽的转化命令总结：

./opt \
    --model_dir=<model_param_dir> \
    --model_file=<model_path> \
    --param_file=<param_path> \
    --optimize_out_type=(protobuf|naive_buffer) \
    --optimize_out=<output_optimize_model_dir> \
    --valid_targets=(arm|opencl|x86|npu|xpu) \
    --prefer_int8_kernel=(true|false) \
    --record_tailoring_info =(true|false)

选项	说明
–model_dir	待优化的PaddlePaddle模型（非combined形式）的路径
–model_file	待优化的PaddlePaddle模型（combined形式）的网络结构文件路径。
–param_file	待优化的PaddlePaddle模型（combined形式）的权重文件路径。
–optimize_out_type	输出模型类型，目前支持两种类型：protobuf和naive_buffer，其中naive_buffer是一种更轻量级的序列化/反序列化实现。若您需要在mobile端执行模型预测，请将此选项设置为naive_buffer。默认为protobuf。
–optimize_out	优化模型的输出路径。
–valid_targets	指定模型可执行的backend，默认为arm。目前可支持x86、arm、opencl、npu、xpu，可以同时指定多个backend(以空格分隔)，Model Optimize Tool将会自动选择最佳方式。如果需要支持华为NPU（Kirin 810/990 Soc搭载的达芬奇架构NPU），应当设置为npu, arm。
–prefer_int8_kernel	若待优化模型为int8量化模型（如量化训练得到的量化模型），则设置该选项为true以使用int8内核函数进行推理加速，默认为false。
–record_tailoring_info	当使用根据模型裁剪库文件功能时，则设置该选项为true，以记录优化后模型含有的kernel和OP信息，默认为false。

如果待优化的fluid模型是非combined形式，请设置--model_dir，忽略--model_file和--param_file。
如果待优化的fluid模型是combined形式，请设置--model_file和--param_file，忽略--model_dir。
优化后的模型包括__model__.nb和param.nb文件。

功能二：统计模型算子信息、判断是否支持

opt可以统计并打印出model中的算子信息、判断Paddle-Lite是否支持该模型。并可以打印出当前Paddle-Lite的算子支持情况。

（1）使用opt统计模型中算子信息

下面命令可以打印出mobilenet_v1模型中包含的所有算子，并判断在硬件平台valid_targets下Paddle-Lite是否支持该模型

./opt --print_model_ops=true --model_dir=mobilenet_v1 --valid_targets=arm

opt_print_modelops

（2）使用opt打印当前Paddle-Lite支持的算子信息

./opt --print_all_ops=true

以上命令可以打印出当前Paddle-Lite支持的所有算子信息，包括OP的数量和每个OP支持哪些硬件平台：

opt_print_allops

./opt ----print_supported_ops=true --valid_targets=x86

以上命令可以打印出当valid_targets=x86时Paddle-Lite支持的所有OP：

opt_print_supportedops

其他功能：合并x2paddle和opt的一键脚本

背景：如果想用Paddle-Lite运行第三方来源（tensorflow、caffe、onnx）模型，一般需要经过两次转化。即使用x2paddle工具将第三方模型转化为PaddlePaddle格式，再使用opt将PaddlePaddle模型转化为Padde-Lite可支持格式。为了简化这一过程，我们提供一键脚本，将x2paddle转化和opt转化合并：

一键转化脚本：auto_transform.sh

环境要求：使用auto_transform.sh脚本转化第三方模型时，需要先安装x2paddle环境，请参考x2paddle环境安装方法安装x2paddle和其环境依赖项。

使用方法：

（1）打印帮助帮助信息： ./auto_transform.sh

（2）转化模型方法

USAGE:
    auto_transform.sh combines the function of x2paddle and opt, it can 
    tranform model from tensorflow/caffe/onnx form into paddle-lite naive-buffer form.
----------------------------------------
example:
    ./auto_transform.sh --framework=tensorflow --model=tf_model.pb --optimize_out=opt_model_result
----------------------------------------
Arguments about x2paddle:
    --framework=(tensorflow|caffe|onnx);
    --model='model file for tensorflow or onnx';
    --prototxt='proto file for caffe' --weight='weight file for caffe'
 For TensorFlow:
   --framework=tensorflow --model=tf_model.pb

 For Caffe:
   --framework=caffe --prototxt=deploy.prototxt --weight=deploy.caffemodel

 For ONNX
   --framework=onnx --model=onnx_model.onnx

Arguments about opt:
    --valid_targets=(arm|opencl|x86|npu|xpu); valid targets on Paddle-Lite.
    --fluid_save_dir='path to outputed model after x2paddle'
    --optimize_out='path to outputed Paddle-Lite model'
----------------------------------------