[Paddle-Lite] add Paddle-Lite doc test=document_preview (cherry-pick #1545) (#1547)

ed05c0d1 · sangoly · GitHub · 90c62389 · ed05c0d1 · ed05c0d1
4 changed file
--- a/doc/fluid/advanced_usage/deploy/index_cn.rst
+++ b/doc/fluid/advanced_usage/deploy/index_cn.rst
@@ -4,7 +4,7 @@

 - `服务器端部署 <inference/index_cn.html>`_ ：介绍了支持模型部署上线的Fluid C++ API

- `移动端部署 <mobile/index_cn.html>`_：介绍了 PaddlePaddle组织下的嵌入式平台深度学习框架Paddle-Mobile
+- `移动端部署 <mobile/index_cn.html>`_：介绍了 PaddlePaddle组织下的嵌入式平台深度学习框架Paddle-Lite

 ..  toctree::
    :hidden:

--- a/doc/fluid/advanced_usage/deploy/index_en.rst
+++ b/doc/fluid/advanced_usage/deploy/index_en.rst
@@ -4,7 +4,7 @@ Deploy Inference Model

 - `Server side Deployment <inference/index_en.html>`_ : This section illustrates Fluid C++ API to support deployment and release of trained models.

- `Paddle Mobile <mobile/index_en.html>`_ : Embedded deep learning framework Paddle-Mobile organized by PaddlePaddle.
+- `Paddle Lite <mobile/index_en.html>`_ : Embedded deep learning framework Paddle-Lite organized by PaddlePaddle.

 ..  toctree::
    :hidden:

--- a/doc/fluid/advanced_usage/deploy/mobile/index_cn.rst
+++ b/doc/fluid/advanced_usage/deploy/mobile/index_cn.rst
@@ -2,14 +2,11 @@
 移动端部署
 ##########

-本模块介绍了 PaddlePaddle 组织下的嵌入式平台深度学习框架——Paddle-Mobile，包括：
+本模块介绍了 PaddlePaddle 组织下的嵌入式平台深度学习框架——Paddle-Lite，包括：

-* `项目简介 <mobile_index.html>`_：简要介绍了 Paddle-Mobile 特点以及使用说明
-
-* `开发者文档 <for_developer.html>`_：分别介绍如何开发扩展及编译 mobile 预测库
+* `项目简介 <mobile_index.html>`_：简要介绍了 Paddle-Lite 特点以及使用说明

 .. toctree::
   :hidden:

   mobile_index.md
-   for_developer.md
--- a/doc/fluid/advanced_usage/deploy/mobile/mobile_index.md
+++ b/doc/fluid/advanced_usage/deploy/mobile/mobile_index.md
-# Paddle-Mobile
+# Paddle-Lite

-## 简介
+Paddle Lite为Paddle-Mobile的升级版，定位支持包括手机移动端在内更多场景的轻量化高效预测，支持更广泛的硬件和平台，是一个高性能、轻量级的深度学习预测引擎。在保持和PaddlePaddle无缝对接外，也兼容支持其他训练框架产出的模型。

-## 使用方法
+完整使用文档位于 [PaddleLite 文档](https://paddlepaddle.github.io/Paddle-Lite/) 。

-目前有两种 C++ 接口可以实现 mobile 预测：
+## 特性

- CxxConfig: 完整功能预测接口
- MobileConfig: 专用于移动端的轻量级接口
+### 轻量级
+执行阶段和计算优化阶段实现良好解耦拆分，移动端可以直接部署执行阶段，无任何第三方依赖。
+包含完整的80个 Op+85个 Kernel 的动态库，对于ARMV7只有800K，ARMV8下为1.3M，并可以裁剪到更低。
+在应用部署时，载入模型即可直接预测，无需额外分析优化。

-对应的 Java 接口也有两种：
+### 高性能
+极致的 ARM CPU 性能优化，针对不同微架构特点实现kernel的定制，最大发挥计算性能，在主流模型上展现出领先的速度优势。
+支持INT8量化计算，结合 [PaddleSlim 模型压缩工具](https://github.com/PaddlePaddle/models/tree/v1.5/PaddleSlim) 中 INT8量化训练功能，可以提供高精度高性能的预测能力。
+在Huawei NPU， FPGA上也具有有很好的性能表现。

- loadCxxModel: 完整功能预测接口
- loadMobileModel: 专用于移动端的轻量级接口
+最新 Benchmark 位于 [benchmark](https://paddlepaddle.github.io/Paddle-Lite/develop/benchmark/)。

-前者输入原始预测模型，并执行相应的计算图优化后，实现高性能预测；后者输入计算图优化之后的模型，直接执行相关计算。
+### 通用性
+硬件方面，Paddle Lite 的架构设计为多硬件兼容支持做了良好设计。除了支持ARM CPU、Mali GPU、Adreno GPU，还特别支持了华为 NPU，以及 FPGA 等边缘设备广泛使用的硬件。即将支持支持包括寒武纪、比特大陆等AI芯片，未来会增加对更多硬件的支持。

-### Java Basics
+模型支持方面，Paddle Lite和PaddlePaddle训练框架的Op对齐，提供更广泛的模型支持能力。目前已严格验证18个模型85个OP的精度和性能，对视觉类模型做到了较为充分的支持，覆盖分类、检测和定位，包含了特色的OCR模型的支持。未来会持续增加更多模型的支持验证。

-#### 编译
+框架兼容方面：除了PaddlePaddle外，对其他训练框架也提供兼容支持。当前，支持Caffe 和 TensorFlow 训练出来的模型，通过X2Paddle (https://github.com/PaddlePaddle/X2Paddle) 转换工具实现。接下来将会对ONNX等格式模型提供兼容支持。

-Java 接口需要在 cmake 选项中同时打开 DWITH_LITE, DLITE_WITH_JAVA, DLITE_WITH_ARM。 例如：
+## 架构

-```shell
-# ARM_TARGET_OS in "android" , "armlinux"
-# ARM_TARGET_ARCH_ABI in "armv8", "armv7" ,"armv7hf"
-# ARM_TARGET_LANG in "gcc" "clang"
-mkdir -p build.lite.android.arm8.gcc
-cd build.lite.android.arm8.gcc
+PaddleLite 的架构设计着重考虑了对多硬件和平台的支持，并且强化了多个硬件在一个模型中混合执行的能力，多个层面的性能优化处理，以及对端侧应用的轻量化设计。

-cmake .. \
-  -DWITH_GPU=OFF \
-  -DWITH_MKL=OFF \
-  -DWITH_LITE=ON \
-  -DLITE_WITH_JAVA=ON \
-  -DLITE_WITH_CUDA=OFF \
-  -DLITE_WITH_X86=OFF \
-  -DLITE_WITH_ARM=ON \
-  -DLITE_WITH_LIGHT_WEIGHT_FRAMEWORK=ON \
-  -DWITH_TESTING=ON \
-  -DARM_TARGET_OS=android -DARM_TARGET_ARCH_ABI=armv8 -DARM_TARGET_LANG=gcc
+![](https://github.com/Superjomn/_tmp_images/raw/master/images/paddle-lite-architecture.png)

-make -j4
-```
+其中，Analysis Phase 包括了 MIR(Machine IR) 相关模块，能够对原有的模型的计算图针对具体的硬件列表进行算子融合、计算裁剪 在内的多种优化。Execution Phase 只涉及到Kernel 的执行，且可以单独部署，以支持极致的轻量级部署。

-make 成功后，Linux下会生成动态库文件 paddle/fluid/lite/api/android/jni/libpaddle_lite_jni.so（ Mac 下为 
-libpaddle_lite_jni.jnilib, Windows 下为libpaddle_lite_jni.dll ）该动态库即 Java JNI ( Java Native Interface ) 所需要的
-C++ 接口动态链接库，下面例子中我们将使用 Linux 下 libpaddle_lite_jni.so 为例。同时，也会在同一个文件夹下生成 
-PaddlePredictor.jar

-#### Android 程序构建
+## Paddle-Mobile升级为Paddle Lite的说明
+原Paddle-Mobile作为一个致力于嵌入式平台的PaddlePaddle预测引擎，已支持多种硬件平台，包括ARM CPU、 Mali GPU、Adreno GPU，以及支持苹果设备的GPU Metal实现、ZU5、ZU9等FPGA开发板、树莓派等arm-linux开发板。在百度内已经过广泛业务场景应用验证。对应设计文档可参考: [mobile/README](https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/mobile/README.md)

-在我们的库中，Java 代码库被放在 paddle/fluid/lite/api/android/jni/src 中，具体有两个classes:
+Paddle-Mobile 整体升级重构并更名为Paddle Lite后，原paddle-mobile 的底层能力大部分已集成到[新架构 ](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite)下。作为过渡，暂时保留原Paddle-mobile代码。 主体代码位于 `mobile/` 目录中，后续一段时间会继续维护，并完成全部迁移。新功能会统一到[新架构 ](https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite)下开发。

-com.baidu.paddle.lite.PaddlePredictor
-com.baidu.paddle.lite.Place
+metal, web的模块相对独立，会继续在 `./metal` 和 `./web` 目录下开发和维护。对苹果设备的GPU Metal实现的需求及web前端预测需求，可以直接进入这两个目录。

-你可以将其打包成 .jar 或者直接使用 Java 源代码接口。如果要使用 .jar，我们上节编译中生成的 .jar 也可以直接使用。
+## 致谢
+Paddle Lite 借鉴了以下开源项目：

-请将 JNI 动态链接库放在 Android Studio 代码 jniLibs 文件夹对应的体系结构文件夹下。例如要在 arm8 架构的手机，就 在 src/main/jniLibs/arm8 文件夹下放置 libpaddle_lite_jni.so，文件路径如果不存在请创建。
+- [ARM compute library](https://github.com/ARM-software/ComputeLibrary)
+- [Anakin](https://github.com/PaddlePaddle/Anakin) ，Anakin对应底层的一些优化实现已被集成到Paddle Lite。Anakin作为PaddlePaddle组织下的一个高性能预测项目，极具前瞻性，对Paddle Lite有重要贡献。Anakin已和本项目实现整合。之后，Anakin不再升级。

-接下来，我们将具体介绍PaddlePredictor.java 和 Place.java 
+##  交流与反馈
+* 欢迎您通过Github Issues来提交问题、报告与建议
+* 微信公众号：飞桨PaddlePaddle
+* QQ群: 696965088 

-#### 代码接口 Place
-
-Paddle 预测中，为了便于管理不同的硬件及kernel 的其他实现细节，定义如下四个信息：
-
- Target: 具体的硬件空间，比如 `ARM` 表示 ARM CPU，`OPEN_CL` 表示 OpenCL
- DataLayout: Tensor 中的数据排布，目前有 `NCHW`
- Precison: kernel 的计算精度，或者 Tensor 的存储类型，目前有 `FLOAT`, `INT8` 等
- `Device`: 硬件的 device id，可以是 0 开始的整数
-
-前三个为Java enum，最后一个为整型。相关定义如下
-
-```java
-public enum TargetType {
-  UNKNOWN(0), HOST(1), X86(2), CUDA(3), ARM(4), OPEN_CL(5), ANY(6);
-}
-public enum PrecisionType {
-  UNKNOWN(0), FLOAT(1), INT8(2), INT32(3), ANY(4);
-}
-public enum DataLayoutType {
-  UNKNOWN(0), NCHW(1), ANY(2);
-}
-```
-
-而 Place 就是这四个信息的整合，其数据结构为
-
-```java
-public class Place {
-  public TargetType target;
-  public PrecisionType precision;
-  public DataLayoutType layout;
-  public int device;
-};
-```
-
-Place 用于标记Kernel 的主要计算模式，比如`place.precision=INT8` 的 kernel 表示为 Int8量化的 kernel。Place 暴露给用户，用户帮助指定模型硬件及量化等模式。
-
-#### 代码接口 PaddlePredictor
-
-PaddlePredictor 提供的 methods 都是 native static methods。整体上运行的思路为
-载入模型 -> 设置输入 -> 运行模型 -> 获取输出/存储运行后优化的模型 -> 清理掉载入的模型
-
-我们将介绍各个步骤的主要功能，具体接口的参数和返回值请见Javadoc：
-
-1. 载入模型：
-
-	```java
-	// 载入没有优化过的原始模型，用户可以设置期望的 Place 和可选的 Place 
-	public static native boolean loadCxxModel(String modelPath, Place preferredPlace, Place[] validPlaces); 
-	
-	// 载入没有优化过的原始模型，用户可以设置期望的 Place 和可选的 Place 
-	public static native boolean loadMobileModel(String modelPath);
-	```
-
-2. 设置输入
-
-	```java
-	// 设置第 offest （从0开始）输入的维度和float数据
-	public static native boolean setInput(int offset, int[] dims, float[] buf);
-	
-	// 设置第 offest （从0开始）输入的维度和byte数据 （在c++端为int8）
-	public static native boolean setInput(int offset, int[] dims, byte[] buf);
-	```
-
-3. 运行模型
-	
-	```java
-	// 运行模型
-	public static native boolean run();
-	```
-
-4. 获取输出
-	
-	```java
-	// 获取第 offset （从0开始）的 float 输出
-	public static native float[] getFloatOutput(int offset);
-	// 获取第 offset （从0开始）的 byte 输出
-	public static native byte[] getByteOutput(int offset);
-	// 指定名字获取 Var 的 float 输出
-	public static native float[] fetchFloat(String name);
-	// 指定名字获取 Var 的 byte 输出
-	public static native byte[] fetchByte(String name);
-	```
-
-5. 存储运行后优化的模型
-
-	```java
-	public static native boolean saveOptimizedModel(String modelPath);
-	```
-
-6. 清理掉载入的模型
-	
-	```java
-	public static native boolean clear();
-	```
-
-使用示例如下：
-
-```java
-String modelPath = "lite_naive_model"; // 用户定义的模型路径
-
-// 用户自定义的输入，例子里是 100 * 100 的 float
-float[] inputBuffer = new float[10000];
-for (int i = 0; i < 10000; ++i) {
-inputBuffer[i] = i;
-}
-int[] dims = {100, 100};
-
-// Cxx Model 设定 Place
-Place preferredPlace = new Place(Place.TargetType.X86, Place.PrecisionType.FLOAT);
-Place[] validPlaces = new Place[2];
-validPlaces[0] = preferredPlace;
-validPlaces[1] = new Place(Place.TargetType.ARM, Place.PrecisionType.FLOAT);
-
-// 载入模型
-PaddlePredictor.loadCxxModel(modelPath, preferredPlace, validPlaces);
-// 设置输入
-PaddlePredictor.setInput(0, dims, inputBuffer);
-// 运行Predictor
-PaddlePredictor.run();
-// 获取输出
-float[] cxxOutput = PaddlePredictor.getFloatOutput(0);
-// 保持优化后的模型在新路径
-String optimizedModelPath = modelPath + ".opt";
-PaddlePredictor.saveOptimizedModel(optimizedModelPath);
-// 清除已载入的模型
-PaddlePredictor.clear();
-
-// Mobile Model 载入优化后的模型
-PaddlePredictor.loadMobileModel(optimizedModelPath);
-// 设置输入
-PaddlePredictor.setInput(0, dims, inputBuffer);
-// 运行
-PaddlePredictor.run();
-// 获取输出
-float[] mobileOutput = PaddlePredictor.getFloatOutput(0);
-```
-
-
-### C++ Basics
-
-在使用前，有几个基本概念：
-
-#### Place
-
-Place 在 C++ 中概念与 Java 相同，为了便于管理不同的硬件及kernel 的其他实现细节，定义如下四个信息：
-
- Target: 具体的硬件空间，比如 `kARM` 表示 ARM CPU，`kOpenCL` 表示 OpenCL
- DataLayout: Tensor 中的数据排布，目前有 `kNCHW`
- Precison: kernel 的计算精度，或者 Tensor 的存储类型，目前有 `kFloat`, `kInt8` 等
- `Device`: 硬件的 device id，可以是0开始的整数
-
-前三个为结构体，最后一个为整型。相关定义如下
-
-```c++
-enum class TargetType : int {
-  kUnk = 0,
-  kHost,
-  kX86,
-  kCUDA,
-  kARM,
-  kOpenCL,
-  kAny,  // any target
-  NUM,   // number of fields.
-};
-enum class PrecisionType : int {
-  kUnk = 0,
-  kFloat,
-  kInt8,
-  kInt32,
-  kAny,  // any precision
-  NUM,   // number of fields.
-};
-enum class DataLayoutType : int {
-  kUnk = 0,
-  kNCHW,
-  kAny,  // any data layout
-  NUM,   // number of fields.
-};
-```
-
-而 Place 就是这四个信息的整合，其数据结构为
-
-```c++
-struct Place {
-  TargetType target{TARGET(kUnk)};
-  PrecisionType precision{PRECISION(kUnk)};
-  DataLayoutType layout{DATALAYOUT(kUnk)};
-  int16_t device{0};  // device ID
-};
-```
-
-Place 用于标记Kernel 的主要计算模式，比如`place.precision=kInt8` 的 kernel 表示为 Int8量化的 kernel。Place 暴露给用户层，用户帮助指定模型执行的硬件及量化等执行模式。
-
-#### Config
-
-预测接口使用的第一步是执行 `CreatePaddlePredictor(config)` 接口创建一个 predictor，具体的 config 目前有多个选择，对应着也会模板特化出不同的 predictor以适应不同的场景。
-
-模板接口如下
-
-```c++
-template <typename ConfigT>
-std::shared_ptr<PaddlePredictor> CreatePaddlePredictor(const ConfigT&);
-```
-
-接下来会详细介绍两种 Config: `CxxConfig` 和 `MobileConfig`.
-
-### CxxConfig 及对应 Predictor
-
-接口如下：
-
- `set_model_dir(const std::string& x)` 设置模型路径(目前只支持 `__model__` + `params` 两个文件的模型格式)
- `set_preferred_place(const Place& x)` 设置期望的执行 Place
- `set_valid_places(const std::vector<Place>& x)`设置可选的 Place
-
-`valid_places` 用于设置模型可执行的 Place 范围，底层会根据place 信息挑选出具体的硬件执行 kernel，而`preferred_place` 用于指定 `valid_places` 中最优先执行的 Place，从而使对应 place 的 kernel 更优先被选择.
-
-比如，要执行 ARM FP32 量化预测，可以设置
-
-```c++
-CxxConfig config;
-config.set_model_dir("xxx");  // model_dir 为必须选项
-// 设置有效的Place信息
-config.set_valid_places({Place{TARGET(kARM), PRECISION(kFloat)}});
-// 当每个Op有多个kernel可选择的时候，优先选择preferred_place可运行的kernel。
-config.set_preferred_place(Place{TARGET(kARM), PRECISION(kInt8)});
-```
-
- 创建完 config 之后可以继续获得 predictor 来执行预测
-
-```c++
-auto predictor = CreatePaddlePredictor(config);
-```
-
-获取模型的输入和输出 tensor 以填充或获取数据。
-
-这里的 Tensor 都是 handle，用户最好复用。
-
-```c++
-auto x_tensor = predictor->GetInput(0/*index*/);
-// 这里的 0 表示输入序列的 offset，具体的顺序由训练中 save_inference_model 存储决定
-// 注意，这里的 x_tensor 是一个 unique_ptr，也就是一个对应的 handle，用户可以在每个 batch 都复用
-// 这个 handle.
-auto out_tensor = predictor->GetOutput(0/*index*/);
-// 这里 out_tensor 是只读的
-```
-
- 这里的 Tensor 提供了用户需要的详细的信息，其定义如下，用户可以自由使用其他接口
-
-```c++
-struct Tensor {
-  void Resize(const shape_t& shape);
-
-  /// Readonly data.
-  template <typename T>
-  const T* data() const;
-
-  template <typename T>
-  T* mutable_data() const;
-
-  /// Shape of the tensor.
-  shape_t shape() const;
-};
-```
-
-接着上面例子，`x_tensor` 是第`0` 个输入的 Tensor，是可写的。 可以类似如下方式准备输入
-
-```c++
-// 指定 batch_size=10, 其余维度为 200, 30
-// 注意，这里的维度需要参考实际模型做修改
-x_tensor->Resize({10, 200, 30});
-// Resize 更新 shape 后，调用 mutable_data 来实际分配内存
-auto x_data = x_tensor->mutable_data<float>();
-// 可以随意修改 x_data 的输入，比如 memcpy(x_data, some_data, some_size);
-```
-
-模型可能有多个输入，如上类似 `x_tensor` ，调用 `GetInput(i)` 获得其余 tensor 并修改。
-
-输入准备完毕，就可以执行预测：
-
-```c++
-// 执行模型的预测，模型会基于前面设定的 input tensor，执行模型计算，并填充 output tensor
-predictor->Run();
-```
-
- 执行完毕，可以获取 output tensor 的数据
-
-```c++
-// 获得 output tensor 的 shape
-auto out_shape = out_tensor->shape();
-
-// 获得具体的 data，是一块连续的 memory
-const auto* out_data = out_tensor->data<float>();
-```
-
-### MobileConfig
-
-`MobileConfig` 基本用法类似于 `CxxConfig` ，具体区别是
-
- CxxConfig 会执行完整的预测，包括图分析等较重的逻辑
-  - 输入为原始的预测模型，无需做离线处理
-  - 可以将图分析优化完的模型存储下来（借助 SaveOptimizedModel 接口），用于 `MobileConfig`
- MobileConfig 考虑到手机应用的空间及初始化时长的限制，阉割掉图分析的能力，只执行预测本身
-  - 更轻量级
-  - 输入模型必须为图分析优化完的模型 (借助 CxxConfig 作离线处理)
-
-由于 MobileConfig 的输入模型必须为优化完的模型，相应的 Kernel 的 Place 由输入模型决定，因此没有 CxxConfig 中 指定Place的接口，目前只有指定模型路径的接口：
-
-  `void set_model_dir(const std::string& x)`
-
-使用 MobileConfig 的其余步骤 与CxxConfig 完全一致。
-
-### GenCode 功能介绍
-
-Mobile 支持将模型和预测库结合，转化为 C++代码，进而融合成一个链接库，在设备上执行`paddle_code_generator` 及相应参数便可转化。
-
-### INT8量化预测
-
-Paddle-Mobile支持对[PaddleSlim](https://github.com/PaddlePaddle/models/tree/develop/PaddleSlim)中量化训练得到的模型的预测。
-
-其中使用方法如下：
-
-```c++
-CxxConfig config;
-config.set_model_dir("xxx");  // model_dir 为必须选项
-// 由于 ARM Int8 模式只包括 Conv，MUL 等少数量化 kernel，因此需要一并选择上 Float 的 kernel
-config.set_valid_places({Place{TARGET(kARM), PRECISION(kInt8)},  // Int8 计算 kernel
-                         Place{TARGET(kARM), PRECISION(kFloat)}  // Float 也需要选择以补充
-                        });
-// 上面同时选择了 kInt8 和 kFloat 两类模式的 kernel，下面设置 kInt8 的 kernel 为优先选择
-config.set_preferred_place(Place{TARGET(kARM), PRECISION(kInt8)});
-```
-
-目前该功能已在Mobilenetv1上进行了验证，并且还在持续开发中。
-
-
-## 源码编译
-
-### ARM CPU
-
-当前ARM 上可以支持arm v8和v7的交叉编译。环境可以直接使用`paddle/fluid/lite/tools/Dockerfile.mobile`生成docker镜像。
-
- 主要的cmake选项
-                
-    - `ARM_MATH_LIB_DIR` 代表arm相关数学库的路径，可以从官网指定路径下载。
-    - `ARM_TARGET_OS` 代表目标操作系统， 目前支持 "android" "armlinux"， 默认是Android
-    - `ARM_TARGET_ARCH_ABI` 代表ARCH，支持输入"armv8"和"armv7"，针对OS不一样选择不一样。
-        - `-DARM_TARGET_OS="android"` 时 
-            - "armv8", 等效于 "arm64-v8a"。 default值为这个。
-            - "armv7", 等效于 "armeabi-v7a"。 
-        - `-DARM_TARGET_OS="armlinux"` 时 
-            - "armv8", 等效于 "arm64"。 default值为这个。当前仅支持这个输入。
-    - `ARM_TARGET_LANG` 代表目标编译的语言， 默认为gcc，支持 gcc和clang两种。
-
- 参考示例
-	
-	```shell
-	# ARM_TARGET_OS in "android" , "armlinux"
-	# ARM_TARGET_ARCH_ABI in "armv8", "armv7" ,"armv7hf"
-	# ARM_TARGET_LANG in "gcc" "clang"
-	cmake .. \
-	    -DWITH_GPU=OFF \
-	    -DWITH_MKL=OFF \
-	    -DWITH_LITE=ON \
-	    -DLITE_WITH_CUDA=OFF \
-	    -DLITE_WITH_X86=OFF \
-	    -DLITE_WITH_ARM=ON \
-	    -DLITE_WITH_LIGHT_WEIGHT_FRAMEWORK=ON \
-        -DARM_MATH_LIB_DIR="<to_arm_math_libs_path>" \
-	    -DWITH_TESTING=ON \
-	    -DARM_TARGET_OS="android" -DARM_TARGET_ARCH_ABI="armv8" -DARM_TARGET_LANG="gcc"
-	make -j4
-	```
-
-### OpenCL
-
-Paddle-Mobile支持在Android系统上运行基于OpenCL的程序，目前提供armv8和armv7的交叉编译。
-
-#### 编译
-
- 编译环境: 使用`paddle/fluid/lite/tools/Dockerfile.mobile`生成docker镜像。
- cmake编译选型介绍
-    * `ARM_TARGET_OS` 代表目标操作系统， 目前仅支持 "android", 亦为默认值。
-    * `ARM_TARGET_ARCH_ABI` 代表ARCH，支持输入"armv8"和"armv7"。其中，"armv8",
-    等效于 "arm64-v8a"，亦为默认值；"armv7", 等效于 "armeabi-v7a"。
-    * `ARM_TARGET_LANG` 代表目标编译的语言， 默认为gcc，支持 gcc和clang两种。
- 参考示例
-
-	```shell
-	# ARM_TARGET_OS in "android"
-	# ARM_TARGET_ARCH_ABI in "armv8", "armv7" ,"armv7hf"
-	# ARM_TARGET_LANG in "gcc" "clang"
-	# 假设我们处于源码根目录下
-	mkdir build_opencl && cd build_opencl
-	cmake .. \
-	    -DLITE_WITH_OPENCL=ON \
-	    -DWITH_GPU=OFF \
-	    -DWITH_MKL=OFF \
-	    -DWITH_LITE=ON \
-	    -DLITE_WITH_CUDA=OFF \
-	    -DLITE_WITH_X86=OFF \
-	    -DLITE_WITH_ARM=ON \
-	    -DLITE_WITH_LIGHT_WEIGHT_FRAMEWORK=ON \
-	    -DWITH_TESTING=ON \
-	    -DARM_TARGET_OS="android" -DARM_TARGET_ARCH_ABI="armv8" -DARM_TARGET_LANG="gcc"
-	# 完整编译
-	make -j4
-	# 或者我们也可以make某一target文件
-	make test_mobilenetv1_lite -j4
-	make test_cl_runtime -j4
-	make test_elementwise_add_opencl -j4
-	make test_pool_opencl -j4
-	```
-
-#### 运行
-
- 运行文件准备
-
-使用如下命令将运行OpenCL程序时需要加载的文件push到手机端(假设我们处于源码根目录下)：
-
-```
-# 我们将文件统一push到/data/local/tmp/opencl目录下
-adb shell mkdir -p /data/local/tmp/opencl
-# 将OpenCL的kernels文件push到/data/local/tmp/opencl目录下
-adb push paddle/fluid/lite/opencl/cl_kernel /data/local/tmp/opencl
-# 将mobilenet_v1的模型文件push到/data/local/tmp/opencl目录下
-adb push build_opencl/third_party/install/mobilenet_v1 /data/local/tmp/opencl
-# 将OpenCL测试程序(如test_mobilenetv1_lite) push到/data/local/tmp/opencl目录下
-adb push paddle/fluid/lite/api/test_mobilenetv1_lite /data/local/tmp/opencl
-```
-
- 运行OpenCL程序
-
-使用如下命令运行OpenCL程序。其中，`--cl_path`指定了OpenCL的kernels文件即cl\_kernel所在目录，
-`--modle_dir`指定了模型文件所在目录。
-
-```shell
-adb shell
-cd /data/local/tmp/opencl && ./test_mobilenetv1_lite --cl_path=. --model_dir=mobilenet_v1
-```
+<p align="center"><img width="200" height="200"  src="https://user-images.githubusercontent.com/45189361/64117959-1969de80-cdc9-11e9-84f7-e1c2849a004c.jpeg"/>&#8194;&#8194;&#8194;&#8194;&#8194;<img width="200" height="200" margin="500" src="https://user-images.githubusercontent.com/45189361/64117844-cb54db00-cdc8-11e9-8c08-24bbe594608e.jpeg"/></p>
+<p align="center">  &#8194;&#8194;&#8194;微信公众号&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;&#8194;官方技术交流QQ群</p>

+* 论坛: 欢迎大家在[PaddlePaddle论坛](https://ai.baidu.com/forum/topic/list/168)分享在使用PaddlePaddle中遇到的问题和经验, 营造良好的论坛氛围