本文是在以下文章的基础上编写，关于SNPE环境部署和服务器端推理可以参考上一篇文章：
边缘计算：万字长文详解高通SNPE inception_v3推理实战_seaside2003的博客-CSDN博客
本文最/关键的是利用SNPE在安卓环境不同的runtimes（CPU/GPU/DSP）上运行神经网络推理。
主要参考“组委会AI模型加速”的文章：
上手SNPE-使用888的HTP推理inceptionV3 - 知乎
高通SNPE官方文档
Snapdragon Neural Processing Engine SDK: Main Page
作者用的手机型号是：Redmi K40 pro，芯片是Snapdragon 888，我使用的是红米note7，芯片是：Snapdragon 660AIE处理器。
一、首先第一个问题：我应该如何选择SNPE版本与芯片相对应
高通snpe下载链接：
Qualcomm Neural Processing SDK for AI - Qualcomm Developer Network
要点击Archive找到老版本，网速比较慢，耐心。
打开后，如下界面：
下载后解压，如果也需要1.41.0，可以直接到下面链接下载：
https://developer.qualcomm.com/downloads/qualcomm-neural-processing-sdk-ai-v1410?referrer=node/69030
重要提醒：下载哪个版本很关键否则会报错！！
Tips：为啥选择1.41.0，怎么发现的，我的方法：
因为是老手机，先找老一点的版本，一下不一定能找到，试了几次后，发现snpe 1.41.0是支持我这款手机的），打开index.html，
在浏览器中出现以下界面，点击Overview，在右侧找到Supported Snapdragon Devices，可以看到该版本是支持Snapdragon 660的。
至此，SNPE已经下载完成。
二、服务器环境部署SNPE
参照上一篇文章
三、手机环境准备
第一步：手机root
我是利用adb命令，这一步是必须的，否则无法执行adb相关命令，root方法自己网上查找，我的红米简单介绍：
1、手机BL解锁
参考：小米手机官方解锁BootLoader图文教程-适用于全部机型20210925更新-ROM乐园官网
2、开始root
告诉你个简单办法，淘宝吧，我试了几乎所有的刷机软件，结果都无卵用，淘宝20块搞定；
第二步：服务器连接手机
主要参考文章：如何在ubuntu下使用adb连接android手机
Verifying your browser... | myfreax
接下我们看看如何在ubuntu下如何使用adb连接到android手机，正常情况下这会非常简单。
安装android-tools-adb
sudo apt update
sudo apt install android-tools-adb android-tools-fastboot
开启开发者模式
接下来你需要将手机开启开发者模式。打开你的Android手机的设置，找到关于关于手机或者 关于设备 (手机厂商命名可能不一致)，然后点击版本号7次，这时手机就会进入开发者模式
现在回到设置，你会看到一个名为开发者选项 的选项，点击该选项，在里面找到USB调试并启用它
启动adb服务
adb start-server检查是否已连接到手机
可以使用adb devices命令来检查设备是否已正常连接，在正常的情况下，你应该在终端看到以下输出，其中会包括你的手机部分信息，比如型号，其它手机不清楚
adb devices
List of devices attached
NX507J device
如果你未正常连接到手机，看看你是否遇到下面列出的错误
解决连接的错误
???????????? no permissions
adb devices
List of devices attached
???????????? no permissions
这是因为当前用户组没有权限访问设备,把当前用户加入到plugdev组
sudo useradd -G plugdev $USER再次使用 adb devices 命令验证是否正确
adb devices如果还是没有权限检查设备id并创建udev规则
lsusb
Bus 002 Device 002: ID 8087:8000 Intel Corp.
Bus 002 Device 001: ID 1d6b:0002 Linux Foundation 2.0 root hub
Bus 001 Device 002: ID 8087:8008 Intel Corp.
Bus 001 Device 001: ID 1d6b:0002 Linux Foundation 2.0 root hub
Bus 004 Device 001: ID 1d6b:0003 Linux Foundation 3.0 root hub
Bus 003 Device 004: ID 0930:6545 Toshiba Corp. Kingston DataTraveler 102/2.0 / HEMA Flash Drive 2 GB / PNY Attache 4GB Stick
Bus 003 Device 003: ID 046d:c077 Logitech, Inc. M105 Optical Mouse
Bus 003 Device 002: ID 17ef:602d Lenovo
Bus 003 Device 006: ID 19d2:ffc1 ZTE WCDMA Technologies MSM
Bus 003 Device 001: ID 1d6b:0002 Linux Foundation 2.0 root hub
创建udev规则 /etc/udev/rules.d/51-android.rules
sudo mkdir -p /etc/udev/rules.d/
sudo touch /etc/udev/rules.d/51-android.rules
sudo gedit /etc/udev/rules.d/51-android.rules
粘贴以下内容
SUBSYSTEM=="usb", ATTRS{idVendor}=="19d2", MODE="0666", GROUP="plugdev注意:设备的id与ATTRS{idVendor}的值对应
改变规则文件的权限
sudo chmod a+r /etc/udev/rules.d/51-android.rules重载规则并重启udev服务
sudo udevadm control --reload-rules
sudo service udev restart
sudo udevadm trigger
再次使用adb devices命令验证是否正确，然后你可以使用以下命令登录到手机进行操作
adb shell以上完成了所有的准备工作，下面正式开始进入安卓环境中执行推理操作。
注意：服务器连接手机，参考文章写的，个别以自己手机为准。
四、安卓环境利用不同的runtimes进行推理运算
（一）CPU、GPU实现推理
本部分主要讲CPU和GPU实现推理，比较简单，使用DSP比较复杂，因此DSP部分单独讲。
接上一篇文章
（1）将数据和模型推到手机/data/local/tmp/incpv3
依次执行以下3条命令：
adb shell mkdir /data/local/tmp/incpv3
adb push inception_v3.dlc /data/local/tmp/incpv3
adb push data/. /data/local/tmp/incpv3运行结果如下图：
（2）准备SNPE对应的库libSNPE.so和测试工具snpe-net-run
将需要的SNPE库libSNPE.so，libc++_shared.so和测试的应用snpe-net-run推进手机/data/local/tmp/incpv3/
在此之前要知道自己手机支持的cpu架构，方法如下：
Android设备的Architecture架构
参考：
Android设备的Architecture架构：arm64-v8a armeabi-v7a
Android设备的Architecture架构：arm64-v8a armeabi-v7a - 知乎
adb shell getprop ro.product.cpu.abi
我的红米note7手机执行效果：
因此选择：aarch64-android-clang6.0（不一定太对）
依次执行以下6条命令：
adb shell mkdir -p /data/local/tmp/incpv3/arm64/lib
adb shell mkdir -p /data/local/tmp/incpv3/arm64/bin
adb shell mkdir -p /data/local/tmp/incpv3/dsp/lib
adb push $SNPE_ROOT/lib/aarch64-android-clang6.0/libSNPE.so /data/local/tmp/incpv3/arm64/lib
adb push $SNPE_ROOT/lib/aarch64-android-clang6.0/libc++_shared.so /data/local/tmp/incpv3/arm64/lib
adb push $SNPE_ROOT/bin/aarch64-android-clang6.0/snpe-net-run /data/local/tmp/incpv3/arm64/bin注意：.so文件的推送，可以使用命令，一次把12个.so文件全部推送到手机上
adb push $SNPE_ROOT/lib/aarch64-android-clang6.0/. /data/local/tmp/incpv3/arm64/lib这样可防止因为.so文件不正确出错，我是直接都放过来了。
我手机目录中在arm64/lib下，把12个文件都放过来了。
(3) 在CPU和GPU上推理inceptionV3
注意：此部分要进入手机安卓系统进行操作，以上都是服务器的操作。
执行：adb shell就会进入手机安卓系统，因为预先已经把手机环境准备好了，
执行ls命令发现没有权限，执行su命令，再利用ls查看，成功
注意：红框里的是代表已经进入手机，查看的是手机的目录，已经不再是服务器中的了。
依次执行4条命令（export是设置环境变量，注意是临时的，手机每次重新插拔都要重新执行该命令，可以永久写入手机，读者可以自己尝试）：
cd /data/local/tmp/incpv3/
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/data/local/tmp/incpv3/arm64/lib
export PATH=$PATH:/data/local/tmp/incpv3/arm64/bin
snpe-net-run --version
如果出现红框里的版本号，恭喜，成功在手机安卓中执行了SNPE。
（4）在CPU上推理inceptionV3, 输出在output_cpu
snpe-net-run --container inception_v3.dlc --input_list target_raw_list.txt --output_dir output_cpu红框里是输出结果
可以进入output_cpu文件夹， ls -al查看生成的文件。
说明：出现了一堆警告，实际上不影响结果，一开始是没有的，知道的朋友可以告诉我原因。
（5）在GPU上推理inceptionV3, 输出在output_gpu. snpe-net-run --use_gpu
snpe-net-run --container inception_v3.dlc --input_list target_raw_list.txt --output_dir output_gpu --use_gpu输出结果如下：
（6）解析SNPEDiag.log 得到CPU和GPU的推理速度.
adb pull /data/local/tmp/incpv3/output_cpu .
adb pull /data/local/tmp/incpv3/output_gpu .如下结果所示
注意：上面的命令是在服务器中执行，不是手机端！！
在服务器端执行解析命令：用snpe-diagview 解析SNPEDiag.log 得到推理的时间
CPU：
snpe-diagview --input_log output_cpu/SNPEDiag_0.log结果如下：可以看到total inference time：658419us
GPU:
snpe-diagview --input_log output_gpu/SNPEDiag_0.log
可以看到，total inference time：351066us
至此：利用CPU、GPU资源推理已经完成，祝贺。
（二）DSP实现推理
1、首先查看手机芯片是否支持DSP，可以看到660是支持DSP，但不支持AIP
2、量化模型
DSP 推理模型需要做量化，这里使用INT8，我理解这款芯片只能支持INT8量化。
SNPE 提供了后量化工具 snpe-dlc-quantize，加上选项--enable_hta，这样会生成一些cache数据，提升初始化速度。这个选项具有版本依赖性，如果更换了SNPE的版本，那么需要重新生产cache。
一般后量化需要的样例数据在100-200，这里仅仅演示功能，采用较少的数据。
# 将数据和input-list 拷贝到工作目录下
cp data/cropped . -r
cp data/target_raw_list.txt .
snpe-dlc-quantize --input_dlc inception_v3.dlc --input_list target_raw_list.txt --output_dlc inception_v3_hta.dlc --enable_hta
ls -al注意：原文中是enable_htp，我全部改为了enable_hta，否则报错，可以自行尝试处理。
出现以下画面，未报错，执行成功，生成inception_v3_hta.dlc文件。
……
注意：输出过程很长有删减。
3、手机端准备660 所需要的DSP库
切换到服务器，向手机端推送.so文件。
切换到手机目录查看：
6个.so库推送成功
向手机推送量化后文件：inception_v3_hta.dlc
adb push inception_v3_hta.dlc /data/local/tmp/incpv3/
4、在660上利用DSP进行推理inceptionV3
设置环境变量，除了LD_LIBRARY_PATH和PATH之外，需要设定ADSP_LIBRARY_PATH来指向.so文件的路径。
注意：尽管上面660芯片仅支持CDSP，但是环境变量名称仍为ADSP_LIBRARY_PATH。
设置环境变量：
export ADSP_LIBRARY_PATH="/data/local/tmp/incpv3/dsp/lib;/system/lib/rfsa/adsp;/system/vendor/lib/rfsa/adsp;/dsp"注意：此处按高通的说明文档，大部分手机dsp目录是上面的其中之一，所以你的手机中不是每个目录都存在的，直接按上面设置即可，除非你的手机dsp不在上述任何一个。
执行推理：
snpe-net-run --container inception_v3_hta.dlc --input_list target_raw_list.txt --use_dsp --output_dir output_hta运行结果如下，表明成功：
注意1：这是因为安全考虑，只给开发者开放了 unsignedPD，所以要进行如下设置，
snpe-net-run --use_dsp --platform_options unsignedPD:ON
但我的没报错，我没做此步骤，如果报错，按原作者去处理。
注意2：作者原文是htp，
5、结果回传解析推理时间
结果回传：
adb pull /data/local/tmp/incpv3/output_hta .结果分析：
snpe-diagview --input_log output_hta/SNPEDiag_0.log结果如图：
……
注意：中间有删减
到了这一步，就全部结束了，祝贺，你又成长了一大步。
最后，我们一起对比下不同runtimes的推理时间吧：
| runtimes | 推理时长（ms） |
| cpu | 658 |
| gpu | 351 |
| dsp | 60 |
可以看出：cpu推理时间是dsp推理时间的11倍，gpu是dsp的5.9倍，dsp还是very good！！
![[oeasy]python0099_雅达利大崩溃_IBM的开放架构_兼容机_oem](https://img-blog.csdnimg.cn/img_convert/e4f80bad8b3d604ffac2559771b41ba5.png)
