阿里開源首個移動AI項(xiàng)目：淘寶同款推理引擎

本文經(jīng)AI新媒體量子位（公眾號 ID: QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

淘寶上用的移動AI技術(shù)，你也可以用在自己的產(chǎn)品中了。

剛剛，阿里巴巴宣布，開源自家輕量級的深度神經(jīng)網(wǎng)絡(luò)推理引擎MNN（Mobile Neural Network），用于在智能手機(jī)、IoT設(shè)備等端側(cè)加載深度神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行推理預(yù)測。

這是阿里開源的首個移動AI項(xiàng)目，已經(jīng)用于阿里手機(jī)淘寶、手機(jī)天貓、優(yōu)酷等20多個應(yīng)用之中。覆蓋直播、短視頻、搜索推薦、商品圖像搜索、互動營銷、權(quán)益發(fā)放、安全風(fēng)控等場景。在IoT等移動設(shè)備場景下，也有若干應(yīng)用。

阿里表示，在iOS、Android的CPU、GPU性能上，MNN已經(jīng)普遍領(lǐng)先業(yè)界。

他們選擇深度神經(jīng)網(wǎng)絡(luò)模型MobileNet V2和SqueezeNet V1.1進(jìn)行了測試。

Android方面以小米6為例，MobileNet V2上耗費(fèi)時(shí)間約為27毫秒，SqueezeNet V1.1上耗費(fèi)約為25毫秒，領(lǐng)先業(yè)界至少30%；

iOS方面以iPhone 7為例，MobileNet V2上耗費(fèi)時(shí)間約為15毫秒，SqueezeNet V1.1上耗費(fèi)約為14.8毫秒，領(lǐng)先業(yè)界至少15%。

淘寶端智能無線技術(shù)專家離青說，MNN開源之后，每隔兩個月都會進(jìn)行一次更新，發(fā)布經(jīng)過淘寶應(yīng)用驗(yàn)證的版本。

MNN的兩大功能與四大特點(diǎn)

基于淘寶和達(dá)摩院的研究成果，阿里巴巴在2017年10月正式組建了MNN團(tuán)隊(duì)。

經(jīng)過淘寶技術(shù)部、搜索工程團(tuán)隊(duì)、達(dá)摩院團(tuán)隊(duì)、優(yōu)酷等各方力量的打磨，以及雙11和集五福等重大業(yè)務(wù)項(xiàng)目的考驗(yàn)，在離青看來，MNN已經(jīng)是一個成熟的推理引擎了。

現(xiàn)在，MNN可以提供模型轉(zhuǎn)換和計(jì)算推理兩部分功能。

模型轉(zhuǎn)換部分幫助開發(fā)者兼容不同的訓(xùn)練框架。

當(dāng)前，MNN已經(jīng)支持Tensorflow(Lite)、Caffe和ONNX，PyTorch/MXNet的模型可先轉(zhuǎn)為ONNX模型再轉(zhuǎn)到MNN。而且，也能通過算子融合、算子替代、布局調(diào)整等方式優(yōu)化圖。

計(jì)算推理部分致力于高效完成推理計(jì)算。

為了更好地完成對模型的加載、計(jì)算圖的調(diào)度，以及各計(jì)算設(shè)備下的內(nèi)存分配、Op實(shí)現(xiàn)等任務(wù)。

他們在MNN中應(yīng)用了多種優(yōu)化方案，包括在卷積和反卷積中應(yīng)用Winograd算法、在矩陣乘法中應(yīng)用Strassen算法、低精度計(jì)算、多線程優(yōu)化、內(nèi)存復(fù)用、異構(gòu)計(jì)算等。

△MNN架構(gòu)設(shè)計(jì)

離青介紹稱，在這樣的架構(gòu)設(shè)計(jì)下，MNN具備了以下的四大特點(diǎn)：

輕量性：針對端側(cè)設(shè)備特點(diǎn)深度定制和裁剪，無任何依賴，可以方便地部署到移動設(shè)備和各種嵌入式設(shè)備中。

通用性：支持Tensorflow、Caffe、ONNX等主流模型文件格式，支持CNN、RNN、GAN等常用網(wǎng)絡(luò)。

高性能：不依賴任何第三方計(jì)算庫，依靠大量手寫匯編實(shí)現(xiàn)核心運(yùn)算，充分發(fā)揮ARM CPU的算力。比如，在iOS設(shè)備上，可以開啟GPU加速（Metal），常用模型上快于蘋果原生的CoreML。

易用性：有高效的圖像處理模塊，覆蓋常見的形變、轉(zhuǎn)換等需求，一般情況下，無需額外引入libyuv或opencv庫處理圖像。

MNN不僅支持回調(diào)機(jī)制，可以在網(wǎng)絡(luò)運(yùn)行中插入回調(diào)，提取數(shù)據(jù)或者控制運(yùn)行走向；還支持只運(yùn)行網(wǎng)絡(luò)中的一部分，或者指定CPU和GPU間并行運(yùn)行。

離青介紹，這一項(xiàng)目的核心目標(biāo)，就是進(jìn)一步降低開發(fā)工程師和算法工程師在移動環(huán)境中使用深度學(xué)習(xí)技術(shù)的門檻。

這樣的一個引擎，應(yīng)用到實(shí)際中是什么樣的情況呢？

這里有一個淘寶的例子——

手機(jī)淘寶春節(jié)活動：掃年貨，集五福

2019年春節(jié)期間，淘寶通過掃年貨的方式加入到了阿里“集五福”活動之中。

具體的使用場景是，通過掃一掃商品識別能力，來識別紅色年貨，并分析照片中有年貨的概率，根據(jù)概率來發(fā)放相關(guān)權(quán)益。

首先，為了掃描年貨，淘寶在服務(wù)端用百萬張年貨圖片訓(xùn)練出了一個可以鑒別年貨的深度神經(jīng)網(wǎng)絡(luò)模型。

接下來，就需要MNN發(fā)揮作用了。

用戶通過相機(jī)掃描年貨時(shí)，淘寶會獲取相機(jī)中的照片數(shù)據(jù)。然后，對照片做預(yù)處理，包括圖片的縮放、顏色空間的轉(zhuǎn)換等。

離青說，掃年貨是一個基于相機(jī)的應(yīng)用場景，使用云端AI會消耗用戶大量的流量去傳輸逐幀照片、服務(wù)端的計(jì)算資源，同時(shí)響應(yīng)速度也會取決于網(wǎng)絡(luò)狀況。

而MNN，可以通過端側(cè)AI，避免了網(wǎng)絡(luò)開銷，使整體體驗(yàn)流暢、穩(wěn)定。

它能夠結(jié)合訓(xùn)練好的模型和經(jīng)過處理的數(shù)據(jù)，快速做出相應(yīng)的計(jì)算處理，分析出照片中有年貨的概率。

如果照片中有年貨的概率達(dá)到淘寶設(shè)定的標(biāo)準(zhǔn)，就可以認(rèn)定用戶掃描到了年貨，進(jìn)而發(fā)放相關(guān)的權(quán)益。

這只是阿里將移動AI應(yīng)用到自身業(yè)務(wù)之中的一個場景；MNN，也只是阿里眾多移動AI項(xiàng)目中的一個。

在離青看來，移動AI領(lǐng)域的應(yīng)用、框架/引擎、硬件方面都有著很多的可能性。

接下來，他們將會在維持MNN輕量、通用、易用、高性能等方面特點(diǎn)的情況下，進(jìn)一步加強(qiáng)在端側(cè)核心算法的投入，降低開發(fā)者使用門檻，探索如何在云+端結(jié)合的情況下，發(fā)揮出更強(qiáng)的AI能力。

在這個項(xiàng)目中，阿里巴巴提供了使用說明文檔和基于圖片、視頻流的示例應(yīng)用等等。

他們也發(fā)出呼吁，希望大家多多進(jìn)行體驗(yàn)、反饋，用MNN構(gòu)建出不同的人工智能應(yīng)用~

One more thing

今年3月份正式宣布加入阿里的框架大牛賈揚(yáng)清，在MNN項(xiàng)目開源評審時(shí)也給出了自己的建議。

在賈揚(yáng)清看來，與Tensorflow、Caffe2等同時(shí)覆蓋訓(xùn)練和推理的通用框架相比，MNN更注重在推理時(shí)的加速和優(yōu)化，解決在模型部署的階段的效率問題，從而在移動端更高效地實(shí)現(xiàn)模型背后的業(yè)務(wù)。

這和服務(wù)器端TensorRT等推理引擎的想法不謀而合。

離青說，這樣的轉(zhuǎn)變，讓MNN有了更切合使用場景的定位，對于其進(jìn)一步發(fā)展，和為開發(fā)者服務(wù)，都有很大的幫助。