瑞芯微 NPU 部署示例

Paddle Lite 已支持 Rockchip NPU 的预测部署。 其接入原理是与之前华为 Kirin NPU 类似,即加载并分析 Paddle 模型,首先将 Paddle 算子转成 NNAdapter 标准算子,其次再转换为 Rockchip NPU 组网 API 进行网络构建,在线生成并执行模型。

支持现状

已支持的芯片

  • RK1808/1806

  • RV1126/1109 注意:暂时不支持 RK3399Pro

已支持的设备

  • RK1808/1806 EVB

  • TB-RK1808S0 AI 计算棒

  • RV1126/1109 EVB

已支持的 Paddle 模型

模型

性能

  • 测试环境

    • 编译环境

      • Ubuntu 16.04,GCC 5.4 for ARMLinux armhf and aarch64

    • 硬件环境

      • RK1808EVB/TB-RK1808S0 AI 计算棒

        • CPU:2 x Cortex-A35 1.6 GHz

        • NPU:3 TOPs for INT8 / 300 GOPs for INT16 / 100 GFLOPs for FP16

      • RV1109EVB

        • CPU:2 x Cortex-A7 1.2 GHz

        • NPU:1.2Tops,support INT8/ INT16

  • 测试方法

    • warmup=1, repeats=5,统计平均时间,单位是 ms

    • 线程数为 1,paddle::lite_api::PowerMode CPU_POWER_MODE 设置为 paddle::lite_api::PowerMode::LITE_POWER_HIGH

    • 分类模型的输入图像维度是{1, 3, 224, 224},检测模型的维度是{1, 3, 300, 300}

  • 测试结果

模型 RK1808EVB TB-RK1808S0 AI 计算棒 RV1109EVB
CPU(ms) NPU(ms) CPU(ms) NPU(ms) CPU(ms) NPU(ms)
mobilenet_v1_int8_224_per_layer 266.965796 6.982800 357.467200 9.330400 331.796204 7.494000
resnet50_int8_224_per_layer 1503.052393 19.387600 2016.901196 22.655600 1959.528223 30.797000
ssd_mobilenet_v1_relu_voc_int8_300_per_layer 545.154004 15.315800 731.145203 19.800800 696.48919 14.957600

已支持(或部分支持)NNAdapter 的 Paddle 算子

您可以查阅 NNAdapter 算子支持列表获得各算子在不同新硬件上的最新支持信息。

不经过 NNAdapter 标准算子转换,而是直接将 Paddle 算子转换成 Rockchip NPU IR 的方案可点击链接

参考示例演示

测试设备

  • RK1808 EVB

    https://paddlelite-demo.bj.bcebos.com/devices/rockchip/rk1808_evb_front.jpgrk1808_evb_front

    https://paddlelite-demo.bj.bcebos.com/devices/rockchip/rk1808_evb_back.jpgrk1808_evb_back

  • TB-RK1808S0 AI计算棒

    https://paddlelite-demo.bj.bcebos.com/devices/rockchip/TB-RK1808S0.jpgtb-rk1808s0

  • RV1126 EVB

    https://paddlelite-demo.bj.bcebos.com/devices/rockchip/rv1126_evb.jpgrk1126_evb

准备设备环境

  • RK1808 EVB

    • 需要依赖特定版本的 firmware,请参照 rknpu_ddk 的说明对设备进行 firmware 的更新;

    • 由于 RK1808 EVB 在刷 firmware 后,只是一个纯净的 Linux 系统,无法像 Ubuntu 那样使用 apt-get 命令方便的安装软件,因此,示例程序和 Paddle Lite 库的编译均采用交叉编译方式;

    • MicroUSB 线插入到设备的 MicroUSB OTG 口,就可以使用 Android 的 adb 命令进行设备的交互,再也不用配置网络使用 ssh 或者通过串口的方式访问设备了,这个设计非常赞!

    • 将 rknpu_ddk 的 lib64 目录下除 librknpu_ddk.so 之外的动态库都拷贝到设备的 /usr/lib 目录下,更新 Rockchip NPU 的系统库。

    • 注意确认 Galcore 驱动版本,需为 6.4.0.X 方能正常运行。 Galcore 由开发板/解决方案厂商提供,在刷新固件时也会同时刷新 Galcore 驱动

      $ dmesg | grep Galcore
      [   15.978465] Galcore version 6.4.0.227915
      
  • TB-RK1808S0 AI 计算棒

    • 参考 TB-RK1808S0 wiki 教程的将计算棒配置为主动模式,完成网络设置和 firmware 的升级,具体步骤如下:

      • 将计算棒插入 Window7/10 主机,参考主动模式开发配主机的虚拟网卡 IP 地址,通过 ssh toybrick@192.168.180.8 验证是否能登录计算棒;

      • 参考 Window7/10 系统配置计算棒网络共享SSH 登录计算棒后通过 wget www.baidu.com 验证是否能够访问外网;

      • 参考固件在线升级,建议通过 ssh 登录计算棒,在 shell 下执行 sudo dnf update -y 命令快速升级到最新版本系统(要求系统版本 >= 1.4.1-2),可通过 rpm -qa | grep toybrick-server 查询系统版本:

      $ rpm -qa | grep toybrick-server
      toybrick-server-1.4.1-2.rk1808.fc28.aarch64
      
      • 将 rknpu_ddk 的 lib64 目录下除 librknpu_ddk.so 之外的动态库都拷贝到设备的 /usr/lib 目录下,更新 Rockchip NPU 的系统库。

      • 注意确认 Galcore 驱动版本,需为 6.4.0.X 方能正常运行。 Galcore 由开发板/解决方案厂商提供,在刷新固件时也会同时刷新 Galcore 驱动

      $ dmesg | grep Galcore
      [    7.919345] Galcore version 6.4.0.227915
      
  • RV1126 EVB

    • 需要升级 1.51 的 firmware(下载和烧录方法请联系RK相关同学),可通过以下命令确认 librknn_runtime.so 的版本:

    # strings /usr/lib/librknn_runtime.so | grep build |grep version
    librknn_runtime version 1.5.1 (161f53f build: 2020-11-05 15:12:30 base: 1126)
    
    • 示例程序和 Paddle Lite 库的编译需要采用交叉编译方式,通过 adb 进行设备的交互和示例程序的运行。

    • 将 rknpu_ddk 的 lib64 目录下除 librknpu_ddk.so 之外的动态库都拷贝到设备的 /usr/lib 目录下,更新 Rockchip NPU 的系统库。

    • 注意确认 Galcore 驱动版本,需为 6.4.0.X 方能正常运行。 Galcore 由开发板/解决方案厂商提供,在刷新固件时也会同时刷新 Galcore 驱动

      $ dmesg | grep Galcore
      [    5.809874] Galcore version 6.4.0.227915
      

准备交叉编译环境

  • 为了保证编译环境一致,建议参考编译环境准备中的 Docker 开发环境进行配置;

  • 由于有些设备只提供网络访问方式(例如:TB-RK1808S0 AI 计算棒),需要通过 scpssh 命令将交叉编译生成的 Paddle Lite 库和示例程序传输到设备上执行,因此,在进入 Docker 容器后还需要安装如下软件:

    # apt-get install openssh-client sshpass
    

运行图像分类示例程序

  • 下载 Paddle Lite 通用示例程序 PaddleLite-generic-demo.tar.gz ,解压后目录主体结构如下:

      - PaddleLite-generic-demo
        - image_classification_demo
          - assets
            - images
              - tabby_cat.jpg # 测试图片
              - tabby_cat.raw # 经过 convert_to_raw_image.py 处理后的 RGB Raw 图像
            - labels
              - synset_words.txt # 1000 分类 label 文件
            - models
              - mobilenet_v1_int8_224_per_layer
                - __model__ # Paddle fluid 模型组网文件,可使用 netron 查看网络结构
                — conv1_weights # Paddle fluid 模型参数文件
                - batch_norm_0.tmp_2.quant_dequant.scale # Paddle fluid 模型量化参数文件
                — subgraph_partition_config_file.txt # 自定义子图分割配置文件
                ...
          - shell
            - CMakeLists.txt # 示例程序 CMake 脚本
            - build.linux.arm64 # arm64 编译工作目录
              - image_classification_demo # 已编译好的,适用于 arm64 的示例程序
            - build.linux.armhf # armhf编译工作目录
              - image_classification_demo # 已编译好的,适用于 armhf 的示例程序
            ...
            - image_classification_demo.cc # 示例程序源码
            - build.sh # 示例程序编译脚本
            - run.sh # 示例程序本地运行脚本
            - run_with_ssh.sh # 示例程序ssh运行脚本
            - run_with_adb.sh # 示例程序adb运行脚本
        - libs
          - PaddleLite
            - linux
              - arm64 # Linux 64 位系统
                - include # Paddle Lite 头文件
                - lib # Paddle Lite 库文件
                  - rockchip_npu # 瑞芯微 NPU DDK、NNAdapter 运行时库、device HAL 库
                  	- libnnadapter.so # NNAdapter 运行时库
                  	- librockchip_npu.so # NNAdapter device HAL 库
                    - librknpu_ddk.so # 瑞芯微 NPU DDK
                    - libGAL.so # 芯原 DDK
                    - libVSC.so # 芯原 DDK
                    - libOpenVX.so # 芯原 DDK
                    - libgomp.so.1 # gnuomp 库
                  - libpaddle_full_api_shared.so # 预编译 Paddle Lite full api 库
                  - libpaddle_light_api_shared.so # 预编译 Paddle Lite light api 库
              - armhf # Linux 32 位系统
                - include
                - lib
                  - rockchip_npu
                    - libnnadapter.so
                    - librockchip_npu.so
                    - librknpu_ddk.so
                    - libGAL.so
                    - libVSC.so
                    - libOpenVX.so
                    ...
              	  - libpaddle_full_api_shared.so # 预编译 Paddle Lite full api 库
                  - libpaddle_light_api_shared.so # 预编译 Paddle Lite light api 库
              ...
            - android
          - OpenCV # OpenCV 预编译库
        - ssd_detection_demo # 基于 ssd 的目标检测示例程序
    
  • 按照以下命令分别运行转换后的 ARM CPU 模型和 Rockchip NPU 模型,比较它们的性能和结果;

    注意:
    1`run_with_adb.sh` 不能在 Docker 环境执行,否则可能无法找到设备,也不能在设备上运行。
    2`run_with_ssh.sh` 不能在设备上运行,且执行前需要配置目标设备的IP地址、SSH账号和密码。
    3`build.sh` 根据入参生成针对不同操作系统、体系结构的二进制程序,需查阅注释信息配置正确的参数值。
    4`run_with_adb.sh` 入参包括模型名称、操作系统、体系结构、目标设备、设备序列号等,需查阅注释信息配置正确的参数值。
    5`run_with_ssh.sh` 入参包括模型名称、操作系统、体系结构、目标设备、ip 地址、用户名、用户密码等,需查阅注释信息配置正确的参数值。
    
    在 ARM CPU 上运行 mobilenet_v1_int8_224_per_layer 全量化模型
    $ cd PaddleLite-generic-demo/image_classification_demo/shell
    
    For RK1808 EVB
    $ ./run_with_adb.sh mobilenet_v1_int8_224_per_layer linux arm64 cpu a133d8abb26137b2
      (RK1808 EVB)
      warmup: 1 repeat: 5, average: 266.965796 ms, max: 267.056000 ms, min: 266.848999 ms
      results: 3
      Top0  Egyptian cat - 0.512545
      Top1  tabby, tabby cat - 0.402567
      Top2  tiger cat - 0.067904
      Preprocess time: 2.423000 ms
      Prediction time: 266.965796 ms
      Postprocess time: 0.538000 ms
    
    For RK1806/RV1126/RV1109 EVB
    $ ./run_with_ssh.sh mobilenet_v1_int8_224_per_layer linux armhf cpu 192.168.100.13 22 root rockchip
      (RV1109 EVB)
      warmup: 1 repeat: 5, average: 331.796204 ms, max: 341.756012 ms, min: 328.386993 ms
      results: 3
      Top0  Egyptian cat - 0.512545
      Top1  tabby, tabby cat - 0.402567
      Top2  tiger cat - 0.067904
      Preprocess time: 3.380000 ms
      Prediction time: 331.796204 ms
      Postprocess time: 0.554000 ms
    
    For TB-RK1808S0 AI 计算棒
    $ ./run_with_ssh.sh mobilenet_v1_int8_224_per_layer linux arm64 cpu 192.168.180.8 22 toybrick toybrick
      (TB-RK1808S0 AI计算棒)
      warmup: 1 repeat: 5, average: 357.467200 ms, max: 358.815002 ms, min: 356.808014 ms
      results: 3
      Top0  Egyptian cat - 0.512545
      Top1  tabby, tabby cat - 0.402567
      Top2  tiger cat - 0.067904
      Preprocess time: 3.199000 ms
      Prediction time: 357.467200 ms
      Postprocess time: 0.596000 ms
    
    ------------------------------
    
    在 Rockchip NPU 上运行 mobilenet_v1_int8_224_per_layer 全量化模型
    $ cd PaddleLite-generic-demo/image_classification_demo/shell
    
    For RK1808 EVB
    $ ./run_with_adb.sh mobilenet_v1_int8_224_per_layer linux arm64 rockchip_npu a133d8abb26137b2
      (RK1808 EVB)
      warmup: 1 repeat: 5, average: 6.982800 ms, max: 7.045000 ms, min: 6.951000 ms
      results: 3
      Top0  Egyptian cat - 0.514779
      Top1  tabby, tabby cat - 0.421183
      Top2  tiger cat - 0.052648
      Preprocess time: 2.417000 ms
      Prediction time: 6.982800 ms
      Postprocess time: 0.509000 ms
    
    For RK1806/RV1126/RV1109 EVB
    $ ./run_with_ssh.sh mobilenet_v1_int8_224_per_layer linux armhf rockchip_npu 192.168.100.13 22 root rockchip
      (RV1109 EVB)
      warmup: 1 repeat: 5, average: 7.494000 ms, max: 7.724000 ms, min: 7.321000 ms
      results: 3
      Top0  Egyptian cat - 0.508929
      Top1  tabby, tabby cat - 0.415333
      Top2  tiger cat - 0.064347
      Preprocess time: 3.532000 ms
      Prediction time: 7.494000 ms
      Postprocess time: 0.577000 ms
    
    For TB-RK1808S0 AI 计算棒
    $ ./run_with_ssh.sh mobilenet_v1_int8_224_per_layer linux arm64 rockchip_npu 192.168.180.8 22 toybrick toybrick
      (TB-RK1808S0 AI 计算棒)
      warmup: 1 repeat: 5, average: 9.330400 ms, max: 9.753000 ms, min: 8.421000 ms
      results: 3
      Top0  Egyptian cat - 0.514779
      Top1  tabby, tabby cat - 0.421183
      Top2  tiger cat - 0.052648
      Preprocess time: 3.170000 ms
      Prediction time: 9.330400 ms
      Postprocess time: 0.634000 ms
    
  • 如果需要更改测试图片,可将图片拷贝到 PaddleLite-generic-demo/image_classification_demo/assets/images 目录下,然后调用 convert_to_raw_image.py 生成相应的 RGB Raw 图像,最后修改 run_with_adb.shrun_with_ssh.sh 的 IMAGE_NAME 变量即可;

  • 重新编译示例程序:

    注意:
    1)请根据 `buid.sh`配置正确的参数值。
    2)需在 Docker 环境中编译。
    
    # 对于 RK1808EVB, TB-RK1808S0
    ./build.sh linux arm64
    
    # 对于 RK1806EVB, RV1109/1126 EVB
    ./build.sh linux armhf
    

更新模型

  • 通过 Paddle 训练或 X2Paddle 转换得到 MobileNetv1 foat32 模型 mobilenet_v1_fp32_224

  • 通过 Paddle+PaddleSlim 后量化方式,生成 mobilenet_v1_int8_224_per_layer量化模型

  • 下载 PaddleSlim-quant-demo.tar.gz ,解压后清单如下:

    - PaddleSlim-quant-demo
      - image_classification_demo
        - quant_post # 后量化
          - quant_post_rockchip_npu.sh # Rockchip NPU 一键量化脚本
          - README.md # 环境配置说明,涉及 PaddlePaddle、PaddleSlim 的版本选择、编译和安装步骤
          - datasets # 量化所需要的校准数据集合
            - ILSVRC2012_val_100 # 从 ImageNet2012 验证集挑选的 100 张图片
          - inputs # 待量化的 fp32 模型
            - mobilenet_v1
            - resnet50
          - outputs # 产出的全量化模型
          - scripts # 后量化内置脚本
    
  • 查看 README.md 完成 PaddlePaddle 和 PaddleSlim 的安装

  • 直接执行 ./quant_post_rockchip_npu.sh 即可在 outputs 目录下生成 mobilenet_v1_int8_224_per_layer 量化模型

    -----------  Configuration Arguments -----------
    activation_bits: 8
    activation_quantize_type: moving_average_abs_max
    algo: KL
    batch_nums: 10
    batch_size: 10
    data_dir: ../dataset/ILSVRC2012_val_100
    is_full_quantize: 1
    is_use_cache_file: 0
    model_path: ../models/mobilenet_v1
    optimize_model: 1
    output_path: ../outputs/mobilenet_v1
    quantizable_op_type: conv2d,depthwise_conv2d,mul
    use_gpu: 0
    use_slim: 1
    weight_bits: 8
    weight_quantize_type: abs_max
    ------------------------------------------------
    quantizable_op_type:['conv2d', 'depthwise_conv2d', 'mul']
    2021-08-30 05:52:10,048-INFO: Load model and set data loader ...
    2021-08-30 05:52:10,129-INFO: Optimize FP32 model ...
    I0830 05:52:10.139564 14447 graph_pattern_detector.cc:91] ---  detected 14 subgraphs
    I0830 05:52:10.148236 14447 graph_pattern_detector.cc:91] ---  detected 13 subgraphs
    2021-08-30 05:52:10,167-INFO: Collect quantized variable names ...
    2021-08-30 05:52:10,168-WARNING: feed is not supported for quantization.
    2021-08-30 05:52:10,169-WARNING: fetch is not supported for quantization.
    2021-08-30 05:52:10,170-INFO: Preparation stage ...
    2021-08-30 05:52:11,853-INFO: Run batch: 0
    2021-08-30 05:52:16,963-INFO: Run batch: 5
    2021-08-30 05:52:21,037-INFO: Finish preparation stage, all batch:10
    2021-08-30 05:52:21,048-INFO: Sampling stage ...
    2021-08-30 05:52:31,800-INFO: Run batch: 0
    2021-08-30 05:53:23,443-INFO: Run batch: 5
    2021-08-30 05:54:03,773-INFO: Finish sampling stage, all batch: 10
    2021-08-30 05:54:03,774-INFO: Calculate KL threshold ...
    2021-08-30 05:54:28,580-INFO: Update the program ...
    2021-08-30 05:54:29,194-INFO: The quantized model is saved in ../outputs/mobilenet_v1
    post training quantization finish, and it takes 139.42292165756226.
    
    -----------  Configuration Arguments -----------
    batch_size: 20
    class_dim: 1000
    data_dir: ../dataset/ILSVRC2012_val_100
    image_shape: 3,224,224
    inference_model: ../outputs/mobilenet_v1
    input_img_save_path: ./img_txt
    save_input_img: False
    test_samples: -1
    use_gpu: 0
    ------------------------------------------------
    Testbatch 0, acc1 0.8, acc5 1.0, time 1.63 sec
    End test: test_acc1 0.76, test_acc5 0.92
    --------finish eval int8 model: mobilenet_v1-------------
    
    • 参考模型转化方法,利用 opt 工具转换生成 Rockchip NPU 模型,仅需要将 valid_targets 设置为 rockchip_npu,arm 即可。

    $ ./opt --model_dir=mobilenet_v1_int8_224_per_layer \
        --optimize_out_type=naive_buffer \
        --optimize_out=opt_model \
        --valid_targets=rockchip_npu,arm
    

更新支持 Rockchip NPU 的 Paddle Lite 库

  • 下载 Paddle Lite 源码和 Rockchip NPU DDK

    $ git clone https://github.com/PaddlePaddle/Paddle-Lite.git
    $ cd Paddle-Lite
    $ git checkout <release-version-tag>
    $ git clone https://github.com/airockchip/rknpu_ddk.git
    
  • 编译并生成 PaddleLite+RockchipNPU for armv8 and armv7 的部署库

    • For RK1808 EVB and TB-RK1808S0 AI计算棒

      • tiny_publish 编译方式

        $ ./lite/tools/build_linux.sh --with_extra=ON --with_log=ON --with_nnadapter=ON --nnadapter_with_rockchip_npu=ON --nnadapter_rockchip_npu_sdk_root=$(pwd)/rknpu_ddk
        
      • full_publish 编译方式

        $ ./lite/tools/build_linux.sh --with_extra=ON --with_log=ON --with_nnadapter=ON --nnadapter_with_rockchip_npu=ON --nnadapter_rockchip_npu_sdk_root=$(pwd)/rknpu_ddk full_publish
        
      • 替换头文件和库

        # 替换 include 目录
        $ cp -rf build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nnadapter/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/include/
        # 替换 NNAdapter 运行时库
        $ cp -rf build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nnadapter/cxx/lib/libnnadapter.so PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/rockchip_npu/
        # 替换 NNAdapter device HAL 库
        $ cp -rf build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nnadapter/cxx/lib/librockchip_npu.so PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/rockchip_npu/
        # 替换 libpaddle_light_api_shared.so
        $ cp -rf build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nnadapter/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/
        # 替换 libpaddle_full_api_shared.so (仅在 full_publish 编译方式下)
        $ cp -rf build.lite.linux.armv8.gcc/inference_lite_lib.armlinux.armv8.nnadapter/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/arm64/lib/
        
    • For RK1806/RV1126/RV1109 EVB

      • tiny_publish 编译方式

        $ ./lite/tools/build_linux.sh --arch=armv7hf --with_extra=ON --with_log=ON --with_nnadapter=ON --nnadapter_with_rockchip_npu=ON --nnadapter_rockchip_npu_sdk_root=$(pwd)/rknpu_ddk
        
      • full_publish 编译方式

        $ ./lite/tools/build_linux.sh --arch=armv7hf --with_extra=ON --with_log=ON --with_nnadapter=ON --nnadapter_with_rockchip_npu=ON --nnadapter_rockchip_npu_sdk_root=$(pwd)/rknpu_ddk full_publish
        
      • 替换头文件和库

        # 替换 include 目录
        $ cp -rf build.lite.linux.armv7hf.gcc/inference_lite_lib.armlinux.armv7hf.nnadapter/cxx/include/ PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/include/
        # 替换 NNAdapter 运行时库
        $ cp -rf build.lite.linux.armv7hf.gcc/inference_lite_lib.armlinux.armv7hf.nnadapter/cxx/lib/libnnadapter.so PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/lib/rockchip_npu/
        # 替换 NNAdapter device HAL 库
        $ cp -rf build.lite.linux.armv7hf.gcc/inference_lite_lib.armlinux.armv7hf.nnadapter/cxx/lib/librockchip_npu.so PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/lib/rockchip_npu/
        # 替换 libpaddle_light_api_shared.so
        $ cp -rf build.lite.linux.armv7hf.gcc/inference_lite_lib.armlinux.armv7hf.nnadapter/cxx/lib/libpaddle_light_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/lib/
        # 替换 libpaddle_full_api_shared.so (仅在 full_publish 编译方式下)
        $ cp -rf build.lite.linux.armv7hf.gcc/inference_lite_lib.armlinux.armv7hf.nnadapter/cxx/lib/libpaddle_full_api_shared.so PaddleLite-generic-demo/libs/PaddleLite/linux/armhf/lib/
        
  • 替换头文件后需要重新编译示例程序

其它说明

  • RK研发同学正在持续增加用于适配 Paddle 算子 bridge/converter,以便适配更多 Paddle 模型。