docs(lite): opt pylite md

GitOrigin-RevId: df332ad8b77c445b31bf1bb8b85848c3821bd887

lite/pylite/pylite.md

 # PyLite
 
-Lite的python接口提供更加方便灵活的使用Lite进行模型Inference，支持各种平台上运行，X86-CUDA，X86-CPU，Arm-CPU，Arm-CUDA平台。
+Lite 的 python 接口提供更加方便灵活的使用 Lite 进行模型 Inference，满足如下条件的环境都可以使用:
+
+* OS 可以安装 [Python3](https://www.python.org/downloads/)
+* [BUILD_README](../../scripts/cmake-build/BUILD_README.md) 中支持推理编译的平台
 
 ## 安装
-### whl包安装
-Lite python接口的whl包会随着megbrain的发版发布，版本号和megbrain保持一致，目前发布的Lite的whl包，包括Linux、windows、macos平台，这些平台可以直接通过pip3安装。
+### whl 包安装
+目前预编译发布的 Lite 的 whl 包详情如下:
+
+* 提供 Linux-x64(with CUDA)、windows-x64(with CUDA)、macos-x64(cpu only) 平台预编译包
+* 可以直接通过 pip3 安装。其他 OS-ARCH 的包，如有需要，可以 build from src 参考 [BUILD_README](../../scripts/cmake-build/BUILD_README.md)
+* 预编译包的构建流程可以参考 [BUILD_PYTHON_WHL_README.md](../../scripts/whl/BUILD_PYTHON_WHL_README.md)
+
+开源版本: 预编译的包会随着 MegEngine 的发版发布，版本号和 MegEngine 保持一致,安装方式:
+
 ```shell
-    python3 -m pip install --upgrade pip
-    python3 -m pip install megenginelite -i  https://pypi.megvii-inc.com/simple
+python3 -m pip install --upgrade pip
+python3 -m pip install megengine -f https://megengine.org.cn/whl/mge.html
 ```
-### develop 安装
-开发模式下，可以使用Cmake编译出lite动态库liblite.so/liblite.dll/liblite_shared.dylib，并使用这个动态库进行开发和debug。该方式安装的pylite只能在本地机器上使用，不能copy到其他机器上使用。
-* 编译liblite.so。使用cmake编译出liblite.so
-    * clone megbrain工程到本地
+安装后， 就可以通过 import megenginelite 进行使用了
+
+### develop 调试
+
+开发模式下，可以使用 Cmake 编译出 lite 动态库,依然参考 [BUILD_README](../../scripts/cmake-build/BUILD_README.md):
+
+* Windows 平台，编译出来的 dll 是 lite_shared_whl.dll
+* None Windows 平台，编译出来的 so 是 liblite_shared_whl.so
+
+* 编译上述库的步骤:
+    * clone 代码
     ```shell
-    git clone git@git-core.megvii-inc.com:brain-sdk/MegBrain.git
+    开源版本：git clone git@github.com:MegEngine/MegEngine.git
     ```
-    * 进行Cmake编译，这里的cmake编译同megbrain的cmake编译，使用参数和宏也完全一样
     * 编译准备
     ```shell
-    cd MegBrain
-    sh ./third_party/prepare.sh
-    mkdir build
-    cd build 
+    开源版本: cd MegEngine
+    bash ./third_party/prepare.sh
+    ```
+    * 编译 HOST 版本：
+    ```shell
+    ./scripts/cmake-build/host_build.sh
     ```
-    * 编译X86-CUDA版本
+    * 编译 HOST 版本 (with CUDA):
     ```shell
-    cmake .. -DMGE_WITH_CUDA=ON -DMGE_WITH_TEST=ON -DCMAKE_BUILD_TYPE=Release &&  make -j$(nproc)
+    ./scripts/cmake-build/host_build.sh -c
     ```
-    * 编译X86 CPU Only版本
+    * 编译 Android 平台：
+
     ```shell
-    cmake .. -DMGE_WITH_CUDA=OFF -DMGE_WITH_TEST=ON -DCMAKE_BUILD_TYPE=Release &&  make -j$(nproc)
+    scripts/cmake-build/cross_build_android_arm_inference.sh
     ```
-    * 编译完成之后，liblite.so 保存在build目录中的lite文件下
-    * 将liblite.so copy到megenginelite的python源文件目录下，就可以使用megenginelite了。
+
+    * 其他OS-ARCH可参考 [BUILD_README](../../scripts/cmake-build/BUILD_README.md)
+    * 编译完成之后，相应的库可在 build_dir 下找到， 这里假设它的目录是LITE_LIB_PATH=path_of_lite_shared_whl
+    * 开始使用 megenginelite
     ```shell
-    MegBrain的工程目录为 ${mgb_hone}
-    cp ${mgb_hone}/build/lite/liblite.so ${mgb_home}/lite/pylite/megenginelite/
-    cd ${mgb_home}/lite/pylite
-    python3 -m "import megenginelite"
+    export LITE_LIB_PATH=path_of_lite_shared_whl
+    export PYTHONPATH=lite/pylite:$PYTHONPATH
+    然后就可以 import megenginelite 进行使用了
     ```
-    这样就可以在${mgb_home}/lite/pylite 目录下面开发和debug lite的python接口了
 
-## python3中使用megenginelite
-Lite的python接口是对其C/C++接口的一层封装，他们使用的模型都是相同的模型格式。megenginelite提供两种数据接口，分别是LiteTensor和LiteNetwork。
+## python3 中使用 megenginelite
+Lite 的 python3 接口是对其 C/C++ 接口的一层封装，他们使用的模型都是相同的模型格式。megenginelite 提供两种数据接口，分别是 LiteTensor 和 LiteNetwork。
 
 ### LiteTensor
-LiteTensor提供了用户对数据的操作接口，提供了接口包括:
-* fill_zero: 将tensor的内存设置为全0
-* share_memory_with: 可以和其他LiteTensor的共享内存
-* copy_from: 从其他LiteTensor中copy数据到自身内存中
-* reshape: 改变该LiteTensor的shape，内存数据保持不变
-* slice: 对该LiteTensor中的数据进行切片，需要分别指定每一维切片的start，end，和step。
-* set_data_by_share: 调用之后使得该LiteTensor中的内存共享自输入的array的内存，输入的array必须是numpy的ndarray，并且tensor在CPU上
-* set_data_by_copy: 该LiteTensor将会从输入的data中copy数据，data可以是list和numpy的ndarray，需要保证data的数据量不超过tensor的容量，tensor在CPU上
-* to_numpy: 将该LiteTensor中数据copy到numpy的array中，返回给用户，如果是非连续的LiteTensor，如slice出来的，将copy到连续的numpy array中，该接口主要数为了debug，有性能问题。
-
-#### 使用example
-* LiteTensor 设置数据example
+LiteTensor 提供了用户对数据的操作接口，提供了接口包括:
+* fill_zero: 将 tensor 的内存设置为全0
+* share_memory_with: 可以和其他 LiteTensor 的共享内存
+* copy_from: 从其他 LiteTensor 中 copy 数据到自身内存中
+* reshape: 改变该 LiteTensor 的 shape，内存数据保持不变
+* slice: 对该 LiteTensor 中的数据进行切片，需要分别指定每一维切片的 start，end，和 step。
+* set_data_by_share: 调用之后使得该 LiteTensor 中的内存共享自输入的 array 的内存，输入的 array 必须是numpy 的 ndarray，并且 tensor 在 CPU 上
+* set_data_by_copy: 该 LiteTensor 将会从输入的 data 中 copy 数据，data 可以是 list 和 numpy 的 ndarray，需要保证 data 的数据量不超过 tensor 的容量，tensor 在 CPU 上
+* to_numpy: 将该 LiteTensor 中数据 copy 到 numpy 的 array 中，返回给用户，如果是非连续的 LiteTensor，如 slice 出来的，将 copy 到连续的 numpy array 中，该接口主要数为了 debug，有性能问题。
+
+#### 使用 example
+* LiteTensor 设置数据 example
 ```
 def test_tensor_set_data():
     layout = LiteLayout([2, 16], "int8")
@@ -89,7 +108,7 @@ def test_tensor_set_data():
     assert real_data[0][8] == 100
     assert real_data[1][3] == 20
 ```
-* tensor 共享内存example
+* tensor 共享内存 example
 ```python
 def test_tensor_share_memory_with():
     layout = LiteLayout([4, 32], "int16")
@@ -118,10 +137,10 @@ def test_tensor_share_memory_with():
     assert real_data[1][18] == 5
     assert real_data[3][7] == 345
 ```
-更多的使用可以参考pylite中test/test_tensor.py中的使用
+更多的使用可以参考 pylite 中 test/test_tensor.py 中的使用
 ### LiteNetwork
-LiteNetwork主要为用户提供模型载入，运行等功能。使用的模型见lite的readme中关于模型的部分
-* CPU基本模型载入运行的example
+LiteNetwork 主要为用户提供模型载入，运行等功能。使用的模型见 lite 的 readme 中关于模型的部分
+* CPU 基本模型载入运行的 example
 ```
 def test_network_basic():
     source_dir = os.getenv("LITE_TEST_RESOUCE")
@@ -154,7 +173,7 @@ def test_network_basic():
     output_data = output_tensor.to_numpy()
     print('shufflenet output max={}, sum={}'.format(output_data.max(), output_data.sum()))
 ```
-* CUDA上使用device内存作为模型输入，需要在构造network候配置config和IO信息
+* CUDA 上使用 device 内存作为模型输入，需要在构造 network 候配置 config 和 IO 信息
 ```
 def test_network_device_IO():
     source_dir = os.getenv("LITE_TEST_RESOUCE")
@@ -196,4 +215,4 @@ def test_network_device_IO():
     output_data = output_tensor.to_numpy()
     print('shufflenet output max={}, sum={}'.format(output_data.max(), output_data.sum()))
 ```
-更多的使用可以参考pylite中test/test_network.py和test/test_network_cuda.py中的使用
+更多的使用可以参考 pylite 中 test/test_network.py 和 test/test_network_cuda.py 中的使用