关于在端侧部署时，./opt转化提示 No kernels No kernels found for fake_channel_wise_dequantize_max_abs。

[longshifeng]

树莓派4B 在端侧部署 已编译好Paddle-lite ，在按照demo 最后执行 ./ocr_db_crnn ch_ppocr_mobile_v1.1_det_prune_opt.nb ch_ppocr_mobile_v1.1_rec_quant_opt.nb ch_ppocr_mobile_cls_quant_opt.nb ./11.jpg ppocr_keys_v1.txt 时候 提示 现有的paddlite-version与opt-version不符

因此决定自行在树莓派上 ./opt转化推理模型，下载了 ch_ppocr_mobile_v1.1_det_prune_infer ch_ppocr_mobile_v1.1_cls_quant_infer ch_ppocr_mobile_v1.1_rec_quant_infer 三部分模型 进行端侧./opt转化

最终只转化成功det模型，cls与rec模型均提示 No kernels found for fake_channel_wise_dequantize_max_abs

查看paddle-lite官方网站的支持OPl列表，https://paddlepaddle.github.io/Paddle-Lite/v2.1.0/support_operation_list/ 发现fake_channel算子确实不在ARM kernals中

那么历程中的.nb是如何转化的？？或者这种情况应该如何转化？ @LDOUBLEV 多谢大佬指教~多有打扰。

[LDOUBLEV]

你编译opt使用的paddlelite版本和树莓派4B上的芯片是？opt和预测库建议用2.7分支自己编译的，这个OP在arm系列芯片上已经支持了的

另外，检测模型没有量化，识别和分类模型都量化了，如果想 临时避开 这个问题，可以用这两个模型： ch_ppocr_mobile_v1.1_cls_infer ch_ppocr_mobile_v1.1_rec_infer

[longshifeng]

@LDOUBLEV
谢谢，已解决。 期待团队能给出python下的部署demo,因为paddle-lite在端侧 python环境下编译更容易。 另外，cls模型还是有些问题，跳过就好了=。=