Paddle-Lite在Raspberry Pi 5/4上的编译优化工具构建问题解析
问题背景
在Raspberry Pi 5和4设备上使用Paddle-Lite的build_linux.sh脚本构建优化工具时,开发者可能会遇到两个关键问题,这些问题会导致编译过程失败。本文将详细分析这些问题及其解决方案。
问题一:GCC 12.2与第三方protobuf的兼容性问题
最新版本的GCC 12.2编译器在编译Paddle-Lite提供的第三方protobuf库时会出现编译错误。这是因为GCC 12.2对C++标准的合规性检查更加严格,而protobuf库中的某些代码不符合最新的标准要求。
具体错误发生在文件thrid-party/protobuf-host/src/第三方库/protobuf/compiler/java/java_file.cc的第68行。该行代码缺少必要的const限定符,导致编译器报错。
解决方案
要解决这个问题,需要在该文件的第68行末尾添加const限定符。修改后的代码应该如下所示:
// 修改前
int JavaFileGenerator::Generate(io::Printer* printer) {
// 修改后
int JavaFileGenerator::Generate(io::Printer* printer) const {
这个简单的修改就能使代码符合GCC 12.2的编译要求,解决编译错误。
问题二:构建脚本的硬件平台适配问题
build_linux.sh脚本默认配置是针对x86架构的,当在Raspberry Pi等ARM架构设备上运行时,会导致错误的平台配置。具体表现为:
-- LITE_WITH_X86: ON
-- LITE_WITH_ARM: OFF
这显然不适合在ARM设备上构建优化工具。
解决方案
需要修改build_linux.sh脚本中的build_opt函数,明确指定ARM平台相关参数。修改后的函数应该如下所示:
function build_opt {
rm -f $workspace/lite/api/paddle_use_ops.h
rm -f $workspace/lite/api/paddle_use_kernels.h
prepare_thirdparty
build_dir=$workspace/build.opt
rm -rf $build_dir
mkdir -p $build_dir
cd $build_dir
cmake $workspace \
-DARM_TARGET_OS=armlinux \
-DLITE_ON_MODEL_OPTIMIZE_TOOL=ON \
-DWITH_TESTING=OFF \
-DLITE_WITH_X86=OFF \
-DLITE_WITH_ARM=ON \
-DLITE_BUILD_EXTRA=ON \
-DWITH_MKL=OFF
make opt -j$NUM_PROC
}
关键修改点包括:
- 添加
-DARM_TARGET_OS=armlinux参数 - 将
-DLITE_WITH_X86设为OFF - 将
-DLITE_WITH_ARM设为ON
修改后,CMake配置将正确识别目标平台为ARM架构,输出如下:
-- LITE_WITH_X86: OFF
-- LITE_WITH_ARM: ON
总结
在Raspberry Pi 5/4设备上构建Paddle-Lite优化工具时,开发者需要注意两个关键问题:GCC版本兼容性和构建脚本的平台适配。通过本文提供的解决方案,开发者可以顺利完成优化工具的构建,为后续的模型优化和部署工作奠定基础。
这些修改不仅适用于Raspberry Pi设备,对于其他基于ARM架构的Linux设备也同样适用,具有较广的适用性。
kernelopenEuler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。C0120
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00