2020/07/23 18:16

在Node.js上接入Paddle Lite，让你的网站具备AI推理能力

【飞桨开发者说】李睿，北京邮电大学学生，人工智能和移动开发爱好者。

随着桌面端Electron技术逐步崛起，基于Electron开发的代码编辑器、聊天软件、游戏等层出不穷。

对于习惯使用Node.js进行后端开发的朋友来说，开发一套漂亮的桌面UI客户端还是有一定难度的；而Electron开发不要太简单，只要会写HTML，就能写客户端，剩下的交给时间慢慢打磨即可。而且，这款开源的技术允许开发者使用JavaScript、HTML 和 CSS 构建跨平台的桌面应用程序。不同平台UI效果和网页显示效果一致，非常易用。

那么在桌面客户端上面，我们能否帮开发者实现本地部署Paddle Lite进行推理呢？答案是肯定的。Paddle Lite提供C++接口，并且在2.6.0版本中支持了Windows开发环境。这为我们将Paddle Lite封装成Node.js的C++插件提供了可能。如果能够成功移植，开发桌面应用的时候就可以实现在客户端上完成图片分类等任务。同时Paddle Lite提供的模型非常轻量化，常规PC机足以跑出不错的性能。

而且，对于其他Node.js场景来说，比如网站后端，也可以直接使用Paddle Lite进行推理。

于是我做了一个Demo，其本质上是将Paddle Lite的C++ API封装为Paddle Lite类，这个类目前提供了两个方法，分别是set_model_file和infer_float。在此之上，我使用N-API来编写Node.js插件，将其组合起来，允许Node.js调用Paddle Lite的C++ API。

项目效果

1. 下载预编译结果：可以直接在Paddle Node的Release界面下载预编译的结果，包括以下三个文件：

paddlenode.node ：编译后的Node.js模块
libiomp5md.dll ：OpenMP DLL
mklml.dll ：MKL数学核心库

2. 下载并转化预训练模型：从官方开放的模型库中下载mobilenet_v1模型，并使用opt工具（Paddle Lite自带此工具）转换：

1.安装Paddle Lite :

pip install paddlelite

2. 转化模型：

paddle_lite_opt –model_dir=./mobilenet_v1 –valid_targets=x86 –optimize_out=mobilenetv1_opt

执行上面步骤后我们可以得到转化后的模型文件：mobilenetv1_opt.nb

3. 在Node.js中进行推理：

var addon = require('./paddlenode')
var arr = new Array(150528)
for(var i=0; i<arr.length; i++) arr[i]=1;
addon.set_model_file("./mobilenetv1_opt.nb")
addon.infer_float(arr,[1, 3, 224, 224])

这里我们输入全1的数组进行模拟，set_model_file方法直接对应Paddle Lite中的set_model_from_file，infer_float的第一个参数是我们要传入的数据，第二个是传入数据的尺寸。如果各个元素乘积大小和传入数据的大小不同，将会抛出一个错误。之后我们会得到一个1001维的数组：

其中0号元素为结果向量的大小，方便进行遍历，其他元素即为模型本身的输出。

手动编译
如果你决定手动编译，首先需要从Paddle Lite的Release中找到x86的预编译结果，目前最新版本是v2.6.1。下载下来之后定位到binding.gyp,将lite_dir变量设定为预编译库

文件夹的绝对路径，示例如下：

{
    'variables': {
        'lite_dir%': 'C:/Users/Li/Desktop/Exp/inference_lite_lib.win.x86.MSVC.C++_static.py37.full_publish',
    },
    "targets": [
        {
            'target_name': "paddlenode",
            'sources': ["paddlelib.h","paddlelib.cc","paddlenode.cc"],
            'defines': [
            ],
            'include_dirs': [
                "<(lite_dir)/cxx/include",
                "<(lite_dir)/third_party/mklml/include"
            ],
            'libraries': [
                "-l<(lite_dir)/cxx/lib/libpaddle_api_light_bundled.lib",
                "-l<(lite_dir)/third_party/mklml/lib/libiomp5md.lib",
                "-l<(lite_dir)/third_party/mklml/lib/mklml.lib",
                "-lshlwapi.lib"
            ]
        }
    ]
}

之后定位到我们的源码所在目录，确保你已经安装好了node-gyp和windows-build-tools，运行：