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。
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 StartedRust0213
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 Notebook0137
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
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03