MNN项目中Android Release版本保留符号表的方法
2025-05-22 11:36:52作者:庞队千Virginia
背景介绍
在移动端AI推理框架MNN的实际应用中,开发团队经常需要处理线上环境出现的崩溃问题。当使用Android Release版本时,默认情况下编译生成的动态链接库(so文件)会被剥离符号表,这使得崩溃日志难以定位具体问题位置。本文将详细介绍如何在MNN项目中保留符号表,同时又不影响正式发布的版本。
两种解决方案
方案一:使用Android Studio编译
MNN项目官方推荐的方法是使用Android Studio打开project/android/build.gradle文件进行编译。这种方法会自动生成带有调试符号的中间文件(如obj文件),这些文件可以用于后续的崩溃分析。
优点:
- 官方推荐方法,兼容性好
- 编译过程可视化,便于管理
- 生成的中间文件完整
缺点:
- 需要安装Android Studio
- 编译流程相对复杂
方案二:修改CMake配置
对于习惯使用命令行编译的开发者,可以通过修改MNN项目的CMakeLists.txt文件来实现符号表保留。具体操作是移除以下代码段:
if(MNN_BUILD_FOR_ANDROID_COMMAND)
set(CMAKE_SHARED_LINKER_FLAGS "${CMAKE_SHARED_LINKER_FLAGS} -s")
set(CMAKE_EXE_LINKER_FLAGS "${CMAKE_EXE_LINKER_FLAGS} -pie -fPIE -s")
set(CMAKE_SHARED_LINKER_FLAGS "${CMAKE_SHARED_LINKER_FLAGS} -Wl,--gc-sections")
endif()
这段代码中的-s参数就是用于剥离符号表的选项,移除后编译生成的so文件将保留完整的符号信息。
优点:
- 保持命令行编译流程
- 修改简单直接
缺点:
- 需要手动修改构建系统文件
- 可能影响其他构建配置
实际应用建议
在实际项目开发中,建议采用以下策略:
- 开发调试阶段:使用保留符号表的版本,便于快速定位问题
- 预发布阶段:使用剥离符号表的版本进行性能测试
- 线上环境:发布剥离符号表的版本,但同时保留带符号表的版本用于崩溃分析
对于持续集成(CI)系统,可以配置两套构建流程:一套生成带符号表的调试版本,另一套生成优化后的发布版本。
符号表管理进阶技巧
- 分离调试信息:可以使用
objcopy工具将调试信息从so文件中提取出来单独保存,既减小发布包体积,又保留调试能力 - 版本对应:确保保存的符号表版本与发布的so文件版本严格对应
- 自动化脚本:编写自动化脚本处理符号表提取和存储,避免人工操作失误
通过合理管理符号表,开发团队可以在保证应用性能的同时,有效提升线上问题的排查效率。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220