--- layout: post title: C++ API文档 --- # CreatePaddlePredictor ```c++ template std::shared_ptr CreatePaddlePredictor(const ConfigT&); ``` `CreatePaddlePredictor`用来根据`MobileConfig`构建预测器。 示例： ```c++ // 设置MobileConfig MobileConfig config; config.set_model_dir(FLAGS_model_dir); // 根据MobileConfig创建PaddlePredictor std::shared_ptr predictor = CreatePaddlePredictor(config); ``` 参数： - `config(MobileConfig)` - 用于构建Predictor的配置信息。 返回：`PaddlePredictor`指针 返回类型：`std::shared_ptr` # MobileConfig ```c++ class MobileConfig; ``` `MobileConfig`用来配置构建轻量级PaddlePredictor的配置信息，如NaiveBuffer格式的模型地址、模型的内存地址(从内存加载模型时使用)、能耗模式、工作线程数等等。 *注意：输入的模型需要使用[Model Optimize Tool](../model_optimize_tool)转化为NaiveBuffer格式的优化模型。* 示例： ```c++ MobileConfig config; // 设置NaiveBuffer格式模型目录，从文件加载模型时使用 config.set_model_dir(FLAGS_model_dir); // 设置工作线程数 config.set_threads(4); // 设置能耗模式 config.set_power_mode(LITE_POWER_HIGH); // 根据MobileConfig创建PaddlePredictor std::shared_ptr predictor = CreatePaddlePredictor(config); ``` > **set_model_dir(model_dir)** 设置模型文件夹路径，当需要从磁盘加载模型时使用。 参数： - `model_dir(std::string)` - 模型文件夹路径 返回：`None` 返回类型：`void` > **model_dir()** 返回设置的模型文件夹路径。 参数： - `None` 返回：模型文件夹路径 返回类型：`std::string` > **set_model_buffer(model_buffer, model_buffer_size, param_buffer, param_buffer_size)** 设置模型、参数的内存地址，当需要从内存加载模型时使用。 示例： ```c++ // 读取模型文件到内存 std::string model_buffer = ReadFile(FLAGS_model_path); std::string params_buffer = lite::ReadFile(FLAGS_params_path); // 设置MobileConfig lite_api::MobileConfig config; config.set_model_buffer(model_buffer.c_str(), model_buffer.size(), params_buffer.c_str(), params_buffer.size()); // 根据MobileConfig创建PaddlePredictor std::shared_ptr predictor = CreatePaddlePredictor(config); ``` 参数： - `model_buffer(const char*)` - 内存中模型结构数据。 - `model_buffer_size(size_t)` - 内存中模型结构数据的大小。 - `param_buffer(const char*)` - 内存中模型参数数据。 - `param_buffer_size(size_t)` - 内存中模型参数数据的大小。 返回：`None` 返回类型：`Void` > **model_from_memory()** 是否从内存中加载模型，当使用`set_model_buffer`接口时返回`true` 参数： - `None` 返回：是否从内存加载模型 返回类型：`bool` > **model_buffer()** 获取内存中模型结构数据。 参数： - `None` 返回：内存中模型结构数据 返回类型：`const std::string&` > **param_buffer()** 获取内存中模型参数数据。 参数： - `None` 返回：内存中模型结构数据 返回类型：`const std::string&` > **set_power_mode(mode)** 设置CPU能耗模式。若不设置，则默认使用`LITE_POWER_HIGH`。 *注意：只在开启`OpenMP`时生效，否则系统自动调度。* 参数： - `mode(PowerMode)` - CPU能耗模式 返回：`None` 返回类型：`void` > **power_mode()** 获取设置的CPU能耗模式。 参数： - `None` 返回：设置的CPU能耗模式 返回类型：`PowerMode` > **set_threads(threads)** 设置工作线程数。若不设置，则默认使用单线程。 *注意：只在开启`OpenMP`的模式下生效，否则只使用单线程。* 参数： - `threads(int)` - 工作线程数 返回：`None` 返回类型：`void` > **threads()** 获取设置的工作线程数。 参数： - `None` 返回：工作线程数 返回类型：`int` # PaddlePredictor ```c++ class PaddlePredictor ``` `PaddlePredictor`是Paddle-Lite的预测器，由`CreatePaddlePredictor`根据`MobileConfig`进行创建。用户可以根据PaddlePredictor提供的接口设置输入数据、执行模型预测、获取输出以及获得当前使用lib的版本信息等。 示例： ```c++ int64_t ShapeProduction(const shape_t& shape) { int64_t res = 1; for (auto i : shape) res *= i; return res; } // 设置MobileConfig MobileConfig config; config.set_model_dir(FLAGS_model_dir); // 根据MobileConfig创建PaddlePredictor std::shared_ptr predictor = CreatePaddlePredictor(config); // 准备输入数据 std::unique_ptr input_tensor(std::move(predictor->GetInput(0))); input_tensor->Resize({1, 3, 224, 224}); auto* data = input_tensor->mutable_data(); for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) { data[i] = 1; } // 执行预测 predictor->Run(); // 获取输出 std::unique_ptr output_tensor(std::move(predictor->GetOutput(0))); printf("Output dim: %d\n", output_tensor->shape()[1]); for (int i = 0; i < ShapeProduction(output_tensor->shape()); i += 100) { printf("Output[%d]: %f\n", i, output_tensor->data()[i]); } ``` > **GetInput(index)** 获取输入Tensor指针，用来设置模型的输入数据。 参数： - `index(int)` - 输入Tensor的索引 返回：第`index`个输入`Tensor`的指针 返回类型：`std::unique_ptr` > **GetOutput(index)** 获取输出Tensor的指针，用来获取模型的输出结果。 参数： - `index(int)` - 输出Tensor的索引 返回：第`index`个输出Tensor`的指针 返回类型：`std::unique_ptr` > **Run()** 执行模型预测，需要在***设置输入数据后***调用。 参数： - `None` 返回：`None` 返回类型：`void` > **GetVersion()** 用于获取当前lib使用的代码版本。若代码有相应tag则返回tag信息，如`v2.0-beta`；否则返回代码的`branch(commitid)`，如`develop(7e44619)`。 参数： - `None` 返回：当前lib使用的代码版本信息 返回类型：`std::string` # PowerMode ```c++ enum PowerMode; ``` `PowerMode`为ARM CPU能耗模式，用户可以根据应用场景设置能耗模式获得最优的能效比。 示例： ```c++ MobileConfig config; // 设置NaiveBuffer格式模型目录 config.set_model_dir(FLAGS_model_dir); // 设置能耗模式 config.set_power_mode(LITE_POWER_HIGH); // 根据MobileConfig创建PaddlePredictor std::shared_ptr predictor = CreatePaddlePredictor(config); ``` PowerMode详细说明如下： | 选项 | 说明 | | :------------------: | ------------------------------------------------------------ | | LITE_POWER_HIGH | 绑定大核运行模式。如果ARM CPU支持big.LITTLE，则优先使用并绑定Big cluster。如果设置的线程数大于大核数量，则会将线程数自动缩放到大核数量。如果系统不存在大核或者在一些手机的低电量情况下会出现绑核失败，如果失败则进入不绑核模式。 | | LITE_POWER_LOW | 绑定小核运行模式。如果ARM CPU支持big.LITTLE，则优先使用并绑定Little cluster。如果设置的线程数大于小核数量，则会将线程数自动缩放到小核数量。如果找不到小核，则自动进入不绑核模式。 | | LITE_POWER_FULL | 大小核混用模式。线程数可以大于大核数量。当线程数大于核心数量时，则会自动将线程数缩放到核心数量。 | | LITE_POWER_NO_BIND | 不绑核运行模式（推荐）。系统根据负载自动调度任务到空闲的CPU核心上。 | | LITE_POWER_RAND_HIGH | 轮流绑定大核模式。如果Big cluster有多个核心，则每预测10次后切换绑定到下一个核心。 | | LITE_POWER_RAND_LOW | 轮流绑定小核模式。如果Little cluster有多个核心，则每预测10次后切换绑定到下一个核心。 | # Tensor ```c++ class Tensor ``` Tensor是Paddle-Lite的数据组织形式，用于对底层数据进行封装并提供接口对数据进行操作，包括设置Shape、数据、LoD信息等。 *注意：用户应使用`PaddlePredictor`的`GetInput`和`GetOuput`接口获取输入/输出的`Tensor`。* 示例： ```c++ int64_t ShapeProduction(const shape_t& shape) { int64_t res = 1; for (auto i : shape) res *= i; return res; } // 设置MobileConfig MobileConfig config; config.set_model_dir(FLAGS_model_dir); // 根据MobileConfig创建PaddlePredictor std::shared_ptr predictor = CreatePaddlePredictor(config); // 准备输入数据, 获取输入Tensor std::unique_ptr input_tensor(std::move(predictor->GetInput(0))); // 设置输入Tensor维度信息 input_tensor->Resize({1, 3, 224, 224}); // 设置输入数据 auto* data = input_tensor->mutable_data(); for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) { data[i] = 1; } // 执行预测 predictor->Run(); // 获取输出Tensor std::unique_ptr output_tensor(std::move(predictor->GetOutput(0))); // 获取输出Tensor维度 printf("Output dim: %d\n", output_tensor->shape()[1]); // 获取输出Tensor数据 for (int i = 0; i < ShapeProduction(output_tensor->shape()); i += 100) { printf("Output[%d]: %f\n", i, output_tensor->data()[i]); } ``` > **Resize(shape)** 设置Tensor的维度信息。 参数： - `shape(std::vector)` - 维度信息 返回：`None` 返回类型：`void` > **shape()** 获取Tensor的维度信息。 参数： - `None` 返回：Tensor的维度信息 返回类型：`std::vector` > **data\()** ```c++ template const T* data() const; ``` 获取Tensor的底层数据的常量指针，根据传入的不同模型类型获取相应数据。用于读取Tensor数据。 示例： ```c++ std::unique_ptr output_tensor(std::move(predictor->GetOutput(0))); // 如果模型中输出为float类型 output_tensor->data() ``` 参数： - `None` 返回：`Tensor`底层数据常量指针 返回类型：`const T*` > **mutable_data\()** ```c++ template T* mutable_data() const; ``` 获取Tensor的底层数据的指针，根据传入的不同模型类型获取相应数据。用于设置Tensor数据。 示例： ```c++ std::unique_ptr input_tensor(std::move(predictor->GetInput(0))); // 如果模型中输出为float类型 auto* data = input_tensor->mutable_data(); // 设置Tensor数据 for (int i = 0; i < ShapeProduction(input_tensor->shape()); ++i) { data[i] = 1; } ``` 参数： - `None` 返回：`Tensor`底层数据指针 返回类型：`T*` > **SetLoD(lod)** 设置Tensor的LoD信息。 参数： - `lod(std::vector>)` - Tensor的LoD信息 返回：`None` 返回类型：`void` > **lod()** 获取Tensor的LoD信息 参数： - `None` 返回：`Tensor`的LoD信息 返回类型：`std::vector>`