diff --git a/README.md b/README.md index 70c53a5775148c6608008d0a86a6966aca29c644..d995bcc327705228098c1b26753213928ad4a79d 100644 --- a/README.md +++ b/README.md @@ -43,7 +43,6 @@ Paddle Lite提供了C++、Java、Python三种API，并且提供了相应API的 - [iOS示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/ios_app_demo.html) - [ARMLinux示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/linux_arm_demo.html) - [X86示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/x86.html) -- [CUDA示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/cuda.html) - [OpenCL示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/opencl.html) - [FPGA示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/fpga.html) - [华为NPU示例](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/huawei_kirin_npu.html) @@ -77,7 +76,6 @@ Paddle Lite提供了C++、Java、Python三种API，并且提供了相应API的 | CPU(32bit) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | | CPU(64bit) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | | OpenCL | - | - | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | - | -| CUDA | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | - | - | | FPGA | - | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | - | - | | 华为NPU | - | - | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | - | | 百度 XPU | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | ![Build Status](https://img.shields.io/badge/build-passing-brightgreen.svg) | - | - | diff --git a/docs/index.rst b/docs/index.rst index 88170c3f6ee177b55631b008c888cb88eda866d3..adc52db898ce48818db3352cdecc8bc1ae6ed6bb 100644 --- a/docs/index.rst +++ b/docs/index.rst @@ -46,6 +46,7 @@ Welcome to Paddle-Lite's documentation! user_guides/post_quant_with_data user_guides/post_quant_no_data user_guides/model_quantization + user_guides/model_visualization user_guides/debug .. toctree:: diff --git a/docs/introduction/support_model_list.md b/docs/introduction/support_model_list.md index 016190290e90328b1a4be08ef0176360e67c6e24..11f39134b5457703cc00b2dde93d5ab286e48636 100644 --- a/docs/introduction/support_model_list.md +++ b/docs/introduction/support_model_list.md @@ -4,33 +4,35 @@ | 类别 | 类别细分 | 模型 | 支持平台 | |-|-|:-|:-| -| CV | 分类 | mobilenetv1 | ARM，X86，NPU，RKNPU，APU | -| CV | 分类 | mobilenetv2 | ARM，X86，NPU | -| CV | 分类 | resnet18 | ARM，NPU | -| CV | 分类 | resnet50 | ARM，X86，NPU，XPU | -| CV | 分类 | mnasnet | ARM，NPU | -| CV | 分类 | efficientnet | ARM | -| CV | 分类 | squeezenetv1.1 | ARM，NPU | -| CV | 分类 | ShufflenetV2 | ARM | -| CV | 分类 | shufflenet | ARM | -| CV | 分类 | inceptionv4 | ARM，X86，NPU | -| CV | 分类 | vgg16 | ARM | -| CV | 分类 | vgg19 | XPU| -| CV | 分类 | googlenet | ARM，X86，XPU | -| CV | 检测 | mobilenet_ssd | ARM，NPU* | -| CV | 检测 | mobilenet_yolov3 | ARM，NPU* | -| CV | 检测 | Faster RCNN | ARM | -| CV | 检测 | Mask RCNN | ARM | -| CV | 分割 | Deeplabv3 | ARM | -| CV | 分割 | unet | ARM | -| CV | 人脸 | facedetection | ARM | -| CV | 人脸 | facebox | ARM | -| CV | 人脸 | blazeface | ARM | -| CV | 人脸 | mtcnn | ARM | -| CV | OCR | ocr_attention | ARM | -| CV | GAN | CycleGAN | NPU | -| NLP | 机器翻译 | transformer | ARM，NPU* | -| NLP | 机器翻译 | BERT | XPU | -| NLP | 语义表示 | ERNIE | XPU | +| CV | 分类 | [MobileNetV1](https://paddlelite-demo.bj.bcebos.com/models/mobilenet_v1_fp32_224_fluid.tar.gz) | ARM，X86，NPU，RKNPU，APU | +| CV | 分类 | [MobileNetV2](https://paddlelite-demo.bj.bcebos.com/models/mobilenet_v2_fp32_224_fluid.tar.gz) | ARM，X86，NPU | +| CV | 分类 | [ResNet18](https://paddlelite-demo.bj.bcebos.com/models/resnet18_fp32_224_fluid.tar.gz) | ARM，NPU | +| CV | 分类 | [ResNet50](https://paddlelite-demo.bj.bcebos.com/models/resnet50_fp32_224_fluid.tar.gz) | ARM，X86，NPU，XPU | +| CV | 分类 | [MnasNet](https://paddlelite-demo.bj.bcebos.com/models/mnasnet_fp32_224_fluid.tar.gz) | ARM，NPU | +| CV | 分类 | [EfficientNet*](https://github.com/PaddlePaddle/PaddleClas) | ARM | +| CV | 分类 | [SqueezeNet](https://paddlelite-demo.bj.bcebos.com/models/squeezenet_fp32_224_fluid.tar.gz) | ARM，NPU | +| CV | 分类 | [ShufflenetV2*](https://github.com/PaddlePaddle/PaddleClas) | ARM | +| CV | 分类 | [ShuffleNet](https://paddlepaddle-inference-banchmark.bj.bcebos.com/shufflenet_inference.tar.gz) | ARM | +| CV | 分类 | [InceptionV4](https://paddle-inference-dist.bj.bcebos.com/inception_v4_simple.tar.gz) | ARM，X86，NPU | +| CV | 分类 | [VGG16](https://paddlepaddle-inference-banchmark.bj.bcebos.com/VGG16_inference.tar) | ARM | +| CV | 分类 | [VGG19](https://paddlepaddle-inference-banchmark.bj.bcebos.com/VGG19_inference.tar) | XPU| +| CV | 分类 | [GoogleNet](https://paddlepaddle-inference-banchmark.bj.bcebos.com/GoogleNet_inference.tar) | ARM，X86，XPU | +| CV | 检测 | [MobileNet-SSD](https://paddlelite-demo.bj.bcebos.com/models/ssd_mobilenet_v1_pascalvoc_fp32_300_fluid.tar.gz) | ARM，NPU* | +| CV | 检测 | [YOLOv3-MobileNetV3](https://paddlelite-demo.bj.bcebos.com/models/yolov3_mobilenet_v3_prune86_FPGM_320_fp32_fluid.tar.gz) | ARM，NPU* | +| CV | 检测 | [Faster RCNN](https://paddlepaddle-inference-banchmark.bj.bcebos.com/faster_rcnn.tar) | ARM | +| CV | 检测 | [Mask RCNN*](https://github.com/PaddlePaddle/PaddleDetection/blob/release/0.4/docs/MODEL_ZOO_cn.md) | ARM | +| CV | 分割 | [Deeplabv3](https://paddlelite-demo.bj.bcebos.com/models/deeplab_mobilenet_fp32_fluid.tar.gz) | ARM | +| CV | 分割 | [UNet](https://paddlelite-demo.bj.bcebos.com/models/Unet.zip) | ARM | +| CV | 人脸 | [FaceDetection](https://paddlelite-demo.bj.bcebos.com/models/facedetection_fp32_240_430_fluid.tar.gz) | ARM | +| CV | 人脸 | [FaceBoxes*](https://github.com/PaddlePaddle/PaddleDetection/blob/release/0.4/docs/featured_model/FACE_DETECTION.md#FaceBoxes) | ARM | +| CV | 人脸 | [BlazeFace*](https://github.com/PaddlePaddle/PaddleDetection/blob/release/0.4/docs/featured_model/FACE_DETECTION.md#BlazeFace) | ARM | +| CV | 人脸 | [MTCNN](https://paddlelite-demo.bj.bcebos.com/models/mtcnn.zip) | ARM | +| CV | OCR | [OCR-Attention](https://paddle-inference-dist.bj.bcebos.com/ocr_attention.tar.gz) | ARM | +| CV | GAN | [CycleGAN*](https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/gan/cycle_gan) | NPU | +| NLP | 机器翻译 | [Transformer*](https://github.com/PaddlePaddle/models/tree/release/1.8/PaddleNLP/machine_translation/transformer) | ARM，NPU* | +| NLP | 机器翻译 | [BERT](https://paddle-inference-dist.bj.bcebos.com/PaddleLite/models_and_data_for_unittests/bert.tar.gz) | XPU | +| NLP | 语义表示 | [ERNIE](https://paddle-inference-dist.bj.bcebos.com/PaddleLite/models_and_data_for_unittests/ernie.tar.gz) | XPU | -**注意：** NPU* 代表ARM+NPU异构计算 +**注意：** +1. 模型列表中 * 代表该模型链接来自[PaddlePaddle/models](https://github.com/PaddlePaddle/models)，否则为推理模型的下载链接 +2. 支持平台列表中 NPU* 代表ARM+NPU异构计算，否则为NPU计算 diff --git a/docs/quick_start/release_lib.md b/docs/quick_start/release_lib.md index c2c441bbfa7dea0ae2ebd54f5545ae61590604ec..9c722df1537d49a2c7b8a009b5273b93ff68ffbe 100644 --- a/docs/quick_start/release_lib.md +++ b/docs/quick_start/release_lib.md @@ -76,7 +76,6 @@ pip install paddlelite - [ArmLinux源码编译](../source_compile/compile_linux) - [x86源码编译](../demo_guides/x86) - [opencl源码编译](../demo_guides/opencl) -- [CUDA源码编译](../demo_guides/cuda) - [FPGA源码编译](../demo_guides/fpga) - [华为NPU源码编译](../demo_guides/huawei_kirin_npu) - [百度XPU源码编译](../demo_guides/baidu_xpu) diff --git a/docs/quick_start/tutorial.md b/docs/quick_start/tutorial.md index 5affbf6de0c8550db60ebbb8f3fd559ed32c7ba2..6bf8706eed40e5be9e083b46bc615312f9088e76 100644 --- a/docs/quick_start/tutorial.md +++ b/docs/quick_start/tutorial.md @@ -44,7 +44,6 @@ Paddle Lite提供了C++、Java、Python三种API的完整使用示例和开发 - [iOS示例](../demo_guides/ios_app_demo.html) - [ARMLinux示例](../demo_guides/linux_arm_demo.html) - [X86示例](../demo_guides/x86.html) -- [CUDA示例](../demo_guides/cuda.html) - [OpenCL示例](../demo_guides/opencl.html) - [FPGA示例](../demo_guides/fpga.html) - [华为NPU示例](../demo_guides/huawei_kirin_npu.html) diff --git a/docs/source_compile/compile_env.md b/docs/source_compile/compile_env.md index 5322558afbf2c3ad09f04e0596ddc18f967ffabb..7c32311cda212091796a2cff7d60bbefbb751e7c 100644 --- a/docs/source_compile/compile_env.md +++ b/docs/source_compile/compile_env.md @@ -19,7 +19,6 @@ Paddle Lite提供了Android/iOS/X86平台的官方Release预测库下载，如 - [ArmLinux源码编译](../source_compile/compile_linux) - [X86源码编译](../demo_guides/x86) - [OpenCL源码编译](../demo_guides/opencl) -- [CUDA源码编译](../demo_guides/cuda) - [FPGA源码编译](../demo_guides/fpga) - [华为NPU源码编译](../demo_guides/huawei_kirin_npu) - [百度XPU源码编译](../demo_guides/baidu_xpu) diff --git a/docs/user_guides/model_visualization.md b/docs/user_guides/model_visualization.md new file mode 100644 index 0000000000000000000000000000000000000000..0d7d9fe1c0f509b66f1e8856b59bec987e9898c8 --- /dev/null +++ b/docs/user_guides/model_visualization.md @@ -0,0 +1,214 @@ +# 模型可视化方法 + +Paddle Lite框架中主要使用到的模型结构有2种：(1) 为[PaddlePaddle](https://github.com/PaddlePaddle/Paddle)深度学习框架产出的模型格式; (2) 使用[Lite模型优化工具opt](model_optimize_tool)优化后的模型格式。因此本章节包含内容如下： + +1. [Paddle推理模型可视化](model_visualization.html#paddle) +2. [Lite优化模型可视化](model_visualization.html#lite) +3. [Lite子图方式下模型可视化](model_visualization.html#id2) + +## Paddle推理模式可视化 + +Paddle用于推理的模型是通过[save_inference_model](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/io_cn/save_inference_model_cn.html#save-inference-model)这个API保存下来的，存储格式有两种，由save_inference_model接口中的 `model_filename` 和 `params_filename` 变量控制： + +- **non-combined形式**：参数保存到独立的文件，如设置 `model_filename` 为 `None` , `params_filename` 为 `None` + + ```bash + $ ls -l recognize_digits_model_non-combined/ + total 192K + -rw-r--r-- 1 root root 28K Sep 24 09:39 __model__ # 模型文件 + -rw-r--r-- 1 root root 104 Sep 24 09:39 conv2d_0.b_0 # 独立权重文件 + -rw-r--r-- 1 root root 2.0K Sep 24 09:39 conv2d_0.w_0 # 独立权重文件 + -rw-r--r-- 1 root root 224 Sep 24 09:39 conv2d_1.b_0 # ... + -rw-r--r-- 1 root root 98K Sep 24 09:39 conv2d_1.w_0 + -rw-r--r-- 1 root root 64 Sep 24 09:39 fc_0.b_0 + -rw-r--r-- 1 root root 32K Sep 24 09:39 fc_0.w_0 + ``` + +- **combined形式**：参数保存到同一个文件，如设置 `model_filename` 为 `model` , `params_filename` 为 `params` + + ```bash + $ ls -l recognize_digits_model_combined/ + total 160K + -rw-r--r-- 1 root root 28K Sep 24 09:42 model # 模型文件 + -rw-r--r-- 1 root root 132K Sep 24 09:42 params # 权重文件 + ``` + +通过以上方式保存下来的模型文件都可以通过[Netron](https://lutzroeder.github.io/netron/)工具来打开查看模型的网络结构。 + +**注意：**[Netron](https://github.com/lutzroeder/netron)当前要求PaddlePaddle的保存模型文件名必须为`__model__`，否则无法识别。如果是通过第二种方式保存下来的combined形式的模型文件，需要将文件重命名为`__model__`。 + + + +## Lite优化模型可视化 + +Paddle Lite在执行模型推理之前需要使用[模型优化工具opt](model_optimize_tool)来对模型进行优化，优化后的模型结构同样可以使用[Netron](https://lutzroeder.github.io/netron/)工具进行查看，但是必须保存为`protobuf`格式，而不是`naive_buffer`格式。 + +**注意**: 为了减少第三方库的依赖、提高Lite预测框架的通用性，在移动端使用Lite API您需要准备Naive Buffer存储格式的模型(该模型格式是以`.nb`为后缀的单个文件)。但是Naive Buffer格式的模型为序列化模型，不支持可视化。 + +这里以[paddle_lite_opt](opt/opt_python)工具为例： + +- 当模型输入为`non-combined`格式的Paddle模型时，需要通过`--model_dir`来指定模型文件夹 + + ```bash + $ paddle_lite_opt \ + --model_dir=./recognize_digits_model_non-combined/ \ + --valid_targets=arm \ + --optimize_out_type=protobuf \ # 注意：这里必须输出为protobuf格式 + --optimize_out=model_opt_dir_non-combined + ``` + + 优化后的模型文件会存储在由`--optimize_out`指定的输出文件夹下，格式如下 + + ```bash + $ ls -l model_opt_dir_non-combined/ + total 152K + -rw-r--r-- 1 root root 17K Sep 24 09:51 model # 优化后的模型文件 + -rw-r--r-- 1 root root 132K Sep 24 09:51 params # 优化后的权重文件 + ``` + +- 当模式输入为`combined`格式的Paddle模型时，需要同时输入`--model_file`和`--param_file`来分别指定Paddle模型的模型文件和权重文件 + + ```bash + $ paddle_lite_opt \ + --model_file=./recognize_digits_model_combined/model \ + --param_file=./recognize_digits_model_combined/params \ + --valid_targets=arm \ + --optimize_out_type=protobuf \ # 注意：这里必须输出为protobuf格式 + --optimize_out=model_opt_dir_combined + ``` + 优化后的模型文件同样存储在由`--optimize_out`指定的输出文件夹下，格式相同 + + ```bash + ls -l model_opt_dir_combined/ + total 152K + -rw-r--r-- 1 root root 17K Sep 24 09:56 model # 优化后的模型文件 + -rw-r--r-- 1 root root 132K Sep 24 09:56 params # 优化后的权重文件 + ``` + + +将通过以上步骤输出的优化后的模型文件`model`重命名为`__model__`，然后用[Netron](https://lutzroeder.github.io/netron/)工具打开即可查看优化后的模型结构。将优化前后的模型进行对比，即可发现优化后的模型比优化前的模型更轻量级，在推理任务中耗费资源更少且执行速度也更快。 + +

+ + +## Lite子图方式下模型可视化 + +当模型优化的目标硬件平台为 [华为NPU](../demo_guides/huawei_kirin_npu), [百度XPU](../demo_guides/baidu_xpu), [瑞芯微NPU](../demo_guides/rockchip_npu), [联发科APU](../demo_guides/mediatek_apu) 等通过子图方式接入的硬件平台时，得到的优化后的`protobuf`格式模型中运行在这些硬件平台上的算子都由`subgraph`算子包含，无法查看具体的网络结构。 + +以[华为NPU](../demo_guides/huawei_kirin_npu)为例，运行以下命令进行模型优化，得到输出文件夹下的`model, params`两个文件。 + +```bash +$ paddle_lite_opt \ + --model_dir=./recognize_digits_model_non-combined/ \ + --valid_targets=npu,arm \ # 注意：这里的目标硬件平台为NPU,ARM + --optimize_out_type=protobuf \ + --optimize_out=model_opt_dir_npu +``` + +将优化后的模型文件`model`重命名为`__model__`，然后用[Netron](https://lutzroeder.github.io/netron/)工具打开，只看到单个的subgraph算子，如下图所示： + +

+ +如果想要查看subgraph中的具体模型结构和算子信息需要打开Lite Debug Log，Lite在优化过程中会以.dot文本形式输出模型的拓扑结构，将.dot的文本内容复制到[webgraphviz](http://www.webgraphviz.com/)即可查看模型结构。 + +```bash +$ export GLOG_v=5 # 注意：这里打开Lite中Level为5及以下的的Debug Log信息 +$ paddle_lite_opt \ + --model_dir=./recognize_digits_model_non-combined/ \ + --valid_targets=npu,arm \ + --optimize_out_type=protobuf \ + --optimize_out=model_opt_dir_npu > debug_log.txt 2>&1 +# 以上命令会将所有的debug log存储在debug_log.txt文件中 +``` + +打开debug_log.txt文件，将会看到多个由以下格式构成的拓扑图定义，由于recognize_digits模型在优化后仅存在一个subgraph，所以在文本搜索`subgraphs`的关键词，即可得到子图拓扑如下： + +```shell +I0924 10:50:12.715279 122828 optimizer.h:202] == Running pass: npu_subgraph_pass +I0924 10:50:12.715335 122828 ssa_graph.cc:27] node count 33 +I0924 10:50:12.715412 122828 ssa_graph.cc:27] node count 33 +I0924 10:50:12.715438 122828 ssa_graph.cc:27] node count 33 +subgraphs: 1 # 注意：搜索subgraphs:这个关键词， +digraph G { + node_30[label="fetch"] + node_29[label="fetch0" shape="box" style="filled" color="black" fillcolor="white"] + node_28[label="save_infer_model/scale_0.tmp_0"] + node_26[label="fc_0.tmp_1"] + node_24[label="fc_0.w_0"] + node_23[label="fc0_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"] + ... + node_15[label="batch_norm_0.tmp_1"] + node_17[label="conv2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"] + node_19[label="conv2d_1.b_0"] + node_1->node_0 + node_0->node_2 + node_2->node_3 + ... + node_28->node_29 + node_29->node_30 +} // end G +I0924 10:50:12.715745 122828 op_lite.h:62] valid places 0 +I0924 10:50:12.715764 122828 op_registry.cc:32] creating subgraph kernel for host/float/NCHW +I0924 10:50:12.715770 122828 op_lite.cc:89] pick kernel for subgraph host/float/NCHW get 0 kernels +``` + +将以上文本中以`digraph G {`开头和以`} // end G`结尾的这段文本复制粘贴到[webgraphviz](http://www.webgraphviz.com/)，即可看到子图中的具体模型结构，如下图。其中高亮的方形节点为算子，椭圆形节点为变量或张量。 + + +

+ + +若模型中存在多个子图，以上方法同样可以得到所有子图的具体模型结构。 + +同样以[华为NPU](../demo_guides/huawei_kirin_npu)和ARM平台混合调度为例，子图的产生往往是由于模型中存在部分算子无法运行在NPU平台上(比如NPU不支持的算子)，这会导致整个模型被切分为多个子图，子图中包含的算子会运行在NPU平台上，而子图与子图之间的一个或多个算子则只能运行在ARM平台上。这里可以通过[华为NPU](../demo_guides/huawei_kirin_npu)的[自定义子图分割](../demo_guides/huawei_kirin_npu.html#npuarm-cpu)功能，将recognize_digits模型中的`batch_norm`设置为禁用NPU的算子，从而将模型分割为具有两个子图的模型： + +```bash +# 此txt配置文件文件中的内容为 batch_norm +$ export SUBGRAPH_CUSTOM_PARTITION_CONFIG_FILE=./subgraph_custom_partition_config_file.txt +$ export GLOG_v=5 # 继续打开Lite的Debug Log信息 +$ paddle_lite_opt \ + --model_dir=./recognize_digits_model_non-combined/ \ + --valid_targets=npu,arm \ + --optimize_out_type=protobuf \ + --optimize_out=model_opt_dir_npu > debug_log.txt 2>&1 # +``` + +将执行以上命令之后，得到的优化后模型文件`model`重命名为`__model__`，然后用[Netron](https://lutzroeder.github.io/netron/)工具打开，就可以看到优化后的模型中存在2个subgraph算子，如左图所示，两个子图中间即为通过环境变量和配置文件指定的禁用NPU的`batch_norm`算子。 + +打开新保存的debug_log.txt文件，搜索`final program`关键字，拷贝在这之后的以`digraph G {`开头和以`} // end G`结尾的文本用[webgraphviz](http://www.webgraphviz.com/)查看，也是同样的模型拓扑结构，存在`subgraph1`和`subgraph3`两个子图，两个子图中间同样是被禁用NPU的`batch_norm`算子，如右图所示。 + +

+ +之后继续在debug_log.txt文件中，搜索`subgraphs`关键字，可以得到所有子图的.dot格式内容如下： + +```bash +digraph G { + node_30[label="fetch"] + node_29[label="fetch0" shape="box" style="filled" color="black" fillcolor="white"] + node_28[label="save_infer_model/scale_0.tmp_0"] + node_26[label="fc_0.tmp_1"] + node_24[label="fc_0.w_0"] + ... + node_17[label="conv2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"] + node_19[label="conv2d_1.b_0"] + node_0[label="feed0" shape="box" style="filled" color="black" fillcolor="white"] + node_5[label="conv2d_0.b_0"] + node_1[label="feed"] + node_23[label="fc0_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"] + node_7[label="pool2d0_subgraph_1" shape="box" style="filled" color="black" fillcolor="green"] + node_21[label="pool2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"] + ... + node_18[label="conv2d_1.w_0"] + node_1->node_0 + node_0->node_2 + ... + node_28->node_29 + node_29->node_30 +} // end G +``` + +将以上文本复制到[webgraphviz](http://www.webgraphviz.com/)查看，即可显示两个子图分别在整个模型中的结构，如下图所示。可以看到图中绿色高亮的方形节点的为`subgraph1`中的算子，红色高亮的方形节点为`subgraph2`中的算子，两个子图中间白色不高亮的方形节点即为被禁用NPU的`batch_norm`算子。 + +

+ +**注意：** 本章节用到的recognize_digits模型代码位于[PaddlePaddle/book](https://github.com/PaddlePaddle/book/tree/develop/02.recognize_digits)