欢迎来到 Paddle-Mobile GitHub 项目。
Paddle-Moible是PaddlePaddle组织下的项目，是一个致力于嵌入式平台的深度学习的框架。Paddle-Moible设计**和PaddlePaddle的最新版fluid版本保持了高度一致，同时针对嵌入式做了大量优化。设计之初就对嵌入式的性能、体积、能耗、硬件平台覆盖等方面做了考虑。
如下gif是简单搜索app的线上主体检测应用效果
-
ARM CPU
arm cpu是paddle-mobile的主要支持方向，cpu的通用性一直是其优势。嵌入式深度学习，需要大量的cpu汇编实现。我们正在紧锣密鼓的编码，为的是能充分硬件的每一点加速能力。 arm cpu的优化工作还在进行中，现在使用了常规的cpu优化。在arm a73上paddle-mobile现在单核运行一次mobilenet 1.0是160+ms，显然这不是我们的最终目标，我们正在用大量的汇编改写，后续性能仍会有巨大提升空间。
-
Mali GPU
Mali GPU是百度和ARM合作开发的，双方团队近期都在致力于将paddle的op能无缝运行在ACL(arm compute library)。目前已经支持squeezenet，googlenet，resnet等几个网络模型，后续会继续加大力度。使全部移动端paddle op能高效运行在mali gpu上。
-
苹果设备的GPU Metal实现
基于Metal实现的苹果设备的GPU预测库，也已经在实现中，近期也会有相应可运行版本。
-
FPGA
FPGA实现正在进行中，是基于Xilinx的ZU5目标开发板。
-
灵活性
- paddle-mobile cpu版不依赖任何第三库, 可进行快速集成。
- 使用泛型特化进行平台切换, 可灵活切换 cpu、gpu 和其他协处理器。
- 可根据特定的常见网络, 进行编译特定的 op, 降低编译时间, 减小包大小。
- 使用 docker 编译, 提供统一的编译环境。
- 高可拓展性, 方便拓展其他协处理器, 提供高性能 arm 算子实现, 方便其他协处理器开发者集成开发。
- 直接兼容 paddle-fluid 模型, 不需要额外的转换操作。
-
体积
paddle-mobile从设计之初就深入考虑到移动端的包体积的问题，cpu实现中没有外部依赖。在编译过程中，如果该网络不需要的op是完全不会被打入的。同时编译选项优化也为体积压缩提供了帮助。 除了二进制体积，我们对代码体积极力避免过大。整个仓库的代码体积也非常小。
关于paddle-mobile设计文档在下面链接中，如果想了解更多内容。issue中会有很多早期的设计和讨论过程。 设计文档链接
开发文档主要是关于编译、运行等问题。做为开发者，它可以和贡献文档共同结合使用。 开发文档https://github.com/PaddlePaddle/paddle-mobile/blob/develop/doc/development_doc.md
目前Paddle-Mobile仅支持Paddle fluid训练的模型。如果你手中的模型是不同种类的模型，需要进行模型转换才可以运行。
该方式最为可靠，推荐方式
ONNX全称为“Open Neural Network Exchange”，即“开放的神经网络切换”。该项目的目的是让不同的神经网络开发框架做到互通互用。
除直接使用PaddlePaddle训练fluid版本的模型外，还可以通过onnx转换得到个别Paddle fluid模型。
目前，百度也在做onnx支持工作。相关转换项目在这里：paddle-onnx。
欢迎提出或解决我们的问题，有疑问可以发issue. Github Issues.
Paddle-Mobile 提供相对宽松的Apache-2.0开源协议 Apache-2.0 license.
原MDL(Mobile-Deep-Learning)工程被迁移到了这里 Mobile-Deep-Learning
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent