Graphcore IPU 安装说明¶
Paddle Inference 支持基于 Graphcore IPU 的推理部署, 当前仅支持通过源码编译的方式安装。
系统要求¶
当前 Paddle Inference 支持 Graphcore IPU 在如下环境下的源码编译和安装部署：
| 芯片型号 | 操作系统 | SDK 版本 |
|---|---|---|
| Colossus MK2 GC200 IPU | Ubuntu 18.04 | Poplar 2.5.1 |
源码编译¶
环境准备： 请根据编译依赖表准备符合版本要求的依赖库，推荐使用飞桨官方镜像，或者根据 Poplar SDK 文档 来准备相应的运行环境。
第一步： 从飞桨镜像库拉取编译镜像，启动容器并在容器内检查设备情况
注意：容器启动命令需将主机端的 IPUoF 配置文件映射到容器中，可通过设置 IPUOF_CONFIG_PATH 环境变量指向 IPUoF 配置文件传入，更多关于 IPUoF 配置的信息请访问 Graphcore: IPUoF configuration file。
# 拉取镜像
docker pull registry.baidubce.com/device/paddle-ipu:poplar251
# 启动容器，注意这里的参数，如shm-size, device等均需配置
export IPUOF_CONFIG_PATH=/opt/ipuof.conf
docker run -it --name paddle-dev -v `pwd`:/workspace \
--shm-size=128G --network=host --ulimit memlock=-1:-1 \
--cap-add=SYS_PTRACE --security-opt seccomp=unconfined \
--cap-add=IPC_LOCK --device=/dev/infiniband/ --ipc=host \
-v ${IPUOF_CONFIG_PATH}:/ipuof.conf -e IPUOF_CONFIG_PATH=/ipuof.conf \
registry.baidubce.com/device/paddle-ipu:poplar251 /bin/bash
# 容器内检查设备情况
gc-monitor
# 预期获得如下输出结果
+---------------+--------------------------------------------------------------------------------+
| gc-monitor | Partition: ipuof [active] has 4 reconfigurable IPUs |
+-------------+--------------------+--------+--------------+----------+------+----+------+-------+
| IPU-M | Serial |IPU-M SW|Server version| ICU FW | Type | ID | IPU# |Routing|
+-------------+--------------------+--------+--------------+----------+------+----+------+-------+
|...31.100.130| 0134.0002.8210321 | | 1.8.1 | 2.3.5 |M2000 | 0 | 3 | DNC |
|...31.100.130| 0134.0002.8210321 | | 1.8.1 | 2.3.5 |M2000 | 1 | 2 | DNC |
|...31.100.130| 0134.0001.8210321 | | 1.8.1 | 2.3.5 |M2000 | 2 | 1 | DNC |
|...31.100.130| 0134.0001.8210321 | | 1.8.1 | 2.3.5 |M2000 | 3 | 0 | DNC |
+-------------+--------------------+--------+--------------+----------+------+----+------+-------+
+--------------------------------------------------------------------------------------------------+
| No attached processes in partition ipuof |
+--------------------------------------------------------------------------------------------------+
第二步：下载Paddle源码并编译，CMAKE编译选项含义请参见编译选项表
# 下载源码，默认 develop 分支
git clone https://github.com/PaddlePaddle/Paddle.git
cd Paddle
# 创建编译目录
mkdir build && cd build
# 执行cmake
cmake .. -DPY_VERSION=3 -DPYTHON_EXECUTABLE=`which python3` -DWITH_IPU=ON \
-DPOPLAR_DIR=/opt/poplar -DPOPART_DIR=/opt/popart \
-DON_INFER=ON -DWITH_TESTING=OFF -DWITH_XBYAK=OFF
# 使用以下命令来编译
make -j$(nproc)
第三步： 编译完成之后，请检查编译目录下的 Python whl 包 和 C++ 预测库是否正确生成
# 检查编译目录下的 Python whl 包
Paddle/build/python/dist/
└── paddlepaddle_ipu-0.0.0-cp37-cp37m-linux_x86_64.whl
# 检查编译目录下的 C++ 预测库，目录结构如下
Paddle/build/paddle_inference_install_dir
├── CMakeCache.txt
├── paddle
│ ├── include # C++ 预测库头文件目录
│ │ ├── crypto
│ │ ├── experimental
│ │ ├── internal
│ │ ├── paddle_analysis_config.h
│ │ ├── paddle_api.h
│ │ ├── paddle_infer_contrib.h
│ │ ├── paddle_infer_declare.h
│ │ ├── paddle_inference_api.h # C++ 预测库头文件
│ │ ├── paddle_mkldnn_quantizer_config.h
│ │ ├── paddle_pass_builder.h
│ │ └── paddle_tensor.h
│ └── lib
│ ├── libpaddle_inference.a # C++ 静态预测库文件
│ └── libpaddle_inference.so # C++ 动态态预测库文件
├── third_party
│ ├── install # 第三方链接库和头文件
│ │ ├── cryptopp
│ │ ├── gflags
│ │ ├── glog
│ │ ├── mkldnn
│ │ ├── mklml
│ │ ├── protobuf
│ │ ├── utf8proc
│ │ └── xxhash
│ └── threadpool
│ └── ThreadPool.h
└── version.txt # 预测库版本信息
安装部署¶
Python 安装部署¶
请参考以下步骤执行 Python 安装部署示例程序：
# 1) 安装源码编译生成的 Python whl 包
python3 -m pip install -U paddlepaddle_ipu-0.0.0-cp37-cp37m-linux_x86_64.whl
# 2) 进行简单功能的健康检查
python3 -c "import paddle; paddle.utils.run_check()"
# 预期得到如下输出结果
# Running verify PaddlePaddle program ...
# PaddlePaddle works well on 1 CPU.
# PaddlePaddle works well on 2 CPUs.
# PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now.
# 3) 下载 Paddle-Inference-Demo 示例代码，并进入 Python 代码目录
git clone https://github.com/PaddlePaddle/Paddle-Inference-Demo.git
cd Paddle-Inference-Demo/python/ipu/resnet50
# 4) 下载推理模型
wget https://paddle-inference-dist.bj.bcebos.com/Paddle-Inference-Demo/resnet50.tgz
tar xzf resnet50.tgz
# 5) 准备预测图片
wget https://paddle-inference-dist.bj.bcebos.com/inference_demo/python/resnet50/ILSVRC2012_val_00000247.jpeg
# 6) 运行 Python 预测程序
python3 infer_resnet.py --model_file=./resnet50/inference.pdmodel --params_file=./resnet50/inference.pdiparams
# 预期得到如下输出结果
# class index: 13
C++ 安装部署¶
请参考以下步骤执行 C++ 安装部署示例程序：
# 1) 下载 Paddle-Inference-Demo 代码
git clone https://github.com/PaddlePaddle/Paddle-Inference-Demo.git
# 2) 拷贝源码编译生成的 C++ 预测库到 Paddle-Inference-Demo/c++/lib 目录下
cp -r Paddle/build/paddle_inference_install_dir Paddle-Inference-Demo/c++/lib/paddle_inference
# 拷贝完成之后 Paddle-Inference-Demo/c++/lib 目录结构如下
Paddle-Inference-Demo/c++/lib/
├── CMakeLists.txt
└── paddle_inference
├── CMakeCache.txt
├── paddle
├── third_party
└── version.txt
# 3) 进入 C++ 示例代码目录，下载推理模型
cd Paddle-Inference-Demo/c++/ipu/resnet50/
wget https://paddle-inference-dist.bj.bcebos.com/Paddle-Inference-Demo/resnet50.tgz
tar xzf resnet50.tgz
# 4) 修改 compile.sh 编译文件，需根据 C++ 预测库的 version.txt 信息对以下内容进行修改
WITH_MKL=ON # 这里如果是 Aarch64 环境，则改为 OFF
WITH_ARM=OFF # 这里如果是 Aarch64 环境，则改为 ON
# 5) 执行编译，编译完成之后在 build 下生成 resnet50_test 可执行文件
./compile.sh
# 6) 运行 C++ 预测程序
./build/resnet50_test --model_file resnet50/inference.pdmodel --params_file resnet50/inference.pdiparams
# 预期得到如下输出结果
# I0530 18:15:45.519501 47607 resnet50_test.cc:82] run avg time is 2.204 ms
# I0530 18:15:45.519557 47607 resnet50_test.cc:119] 0 : 0
# I0530 18:15:45.519572 47607 resnet50_test.cc:119] 100 : 2.04165e-37
# ... ...
# I0530 18:15:45.519615 47607 resnet50_test.cc:119] 800 : 3.85256e-25
# I0530 18:15:45.519620 47607 resnet50_test.cc:119] 900 : 1.52396e-30