随着深度学习的快速发展和端侧设备算力的不断提高，本来在云端执行的推理预测工做正在部分迁移到端侧。在 GMTC 全球大前端技术大会上，淘宝无线开发专家陈以鎏发表了《MNN - 端侧推理引擎面临的挑战与应对》的演讲，与你们分享了 MNN （Mobile Neural Network) 开发、开源中的思考与总结。本文整理内容以下。前端
开源与背景
人工智能从 2006 年开始，迎来了第三次浪潮。随着 AlphaGo 在 2016 年、2017 年前后打败李世石和柯洁，人工智能完全进入了公众的视野。人工智能大热的背后，是大数据的积累，是深度学习的发展，也是设备算力的提高。与此同时，深度学习的框架也在不断演进 —— 从 Torch 、 Caffe 到 TensorFlow 、PyTorch ，再到更面向移动端的 CoreML 、 NNAPI 、 NCNN 、 MACE 等。淘宝的深度学习推理引擎 MNN 也于 2019 年 5 月宣布开源。android
MNN 项目从 2017 年开始启动，在经历一年多的开发迭代并经过了淘宝双十一的考验后，于 2018 年末启动开源计划，在历时小半年的开源改造后，今年 5 月份正式在 Github 开源。git
开源首先仍是由于经历过双十一以后，咱们以为本身作好了准备，开源有助于咱们鞭策本身，把 MNN 作的更好；另外一方面，业界的开源方案，不管是 TensorFlow Lite、NCNN 仍是 Mace，都给了咱们很好的输入和借鉴，咱们也但愿借着开源，将咱们的思考和创新回馈社区。github
下文就主要围绕着 MNN，来介绍淘宝在移动 AI 上的一些实践经验。算法
挑战与应对
端侧推理引擎面临的挑战中，碎片化是最为显著的，这种碎片化是多层次、多维度的 ——后端
-
训练框架上，Caffe、TensorFlow、PyTorch、MXNet 在训练模型时都很经常使用；缓存
-
计算设备上，CPU、GPU 已经是主流，NPU、TPU 渐渐成为标配，DSP、FPGA 在 IoT 上也很常见；网络
-
算子层面上，众多参数会造成不一样的组合，从而对应出不一样的优化方式，轻量化和通用化须要取舍；app
一款优秀的端侧推理引擎，就须要在这样碎片化的环境下，利用设备有限的资源，尽量发挥出设备的性能。为此，也须要在转换、调度、执行上加入相应的优化策略。下文，会就其中的部分展开说明。
转换工具
模型优化
在模型优化中，MNN 引入了前端的概念来统一训练框架。不一样的前端负责加载不一样训练框架的模型，统一转换为 MNN 的模型格式。对于最经常使用的训练框架 TensorFlow 和 Caffe，咱们提供了独立的前端；其余训练框架，好比 MXNet，则须要先将模型转换为 ONNX，再经过 ONNX 前端加载。这里，因为 TensorFlow 的算子颗粒度相比 Caffe 和 ONNX 要更小，咱们引入了图优化的模块来对齐算子之间的颗粒度。模型转换以后，会通过优化器优化，包含算子融合、算子替换、布局调整等等。以后，能够选择对浮点模型执行量化压缩。目前模型压缩的模块尚未开源，咱们会在完善以后，将相关代码开源。这些步骤都完成以后，会使用 flatbuffer 来保存部署模型。
图优化
这里以 RNN-GRU cell 为例，说明一下图优化。
左图是 RNN-GRU cell 在 TensorBoard 中的可视化描述。它足足包含了 3584 个节点，而每个节点都表明了必定的数据读写或运算，累积起来的总量很是大。然而，全部这些节点能够打包使用一个大颗粒的算子来替代。这不只大幅下降了部署模型的大小，还能够在大颗粒算子的实现中聚合大量的计算，避免没必要要的数据读写。
右图展现的是一个实际业务模型在图优化先后的性能对比。在华为 P十、红米 3x、小米 6 上都有 1 倍左右的性能提高。而若是是双向 GRU，效果还会更明显。
算子融合
再以 Convolution、Batchnorm、Scale、ReLU 为例说明优化器中的算子融合。
首先融合 Convolution 和 Batchnorm，Convolution 的 weight 等于 weight 乘 alpha，而 bias 等于 bias 乘 alpha 再加 beta；
然后融合 Convolution 和 Scale，融合过程和 Batchnorm 相似；
最后融合 Convolution 和 ReLU，在输出结果前，计算激活函数 ReLU 便可。
这样，四个算子就能够合并成一个算子。融合的过程避免了三次 tensor 读写、两次 tensor 乘加。优化效果见右图，MobileNet V1 在小米 5 和华为 P10 上有 20 ~ 40% 的性能提高，效果仍是比较明显的。
智能调度
总体设计
在调度上，MNN 将每一类计算设备抽象为一个后端，将算子在特定后端上的实现抽象为执行器。后端负责特定设备上的资源分配和计算调度，执行器负责具体的实现。后端和算子的添加都经过注册表来实现，这是一个双层注册表结构，拓展起来就相对灵活。
调度时，能够为子图选择相应的后端，再由后端建立出相应的执行器，组成管线；也能够为子图选择后端组，实现混合调度。好比，在 GPU 上不宜实现排序算子时，能够回退到 CPU 来执行。
目前，MNN 在 CPU 上实现了 76 个算子，Metal 上有 55 个，OpenGL 覆盖了基础的 CNN 网络，OpenCL 和 Vulkan 分别有 29 和 31 个。
缓存管理
在建立完执行器以后，子图和管线已经就绪。下来，须要计算出全部 tensor 的形状，在相应的后端上完成内存的分配。然后，在准备执行器时，再为全部的执行器预先在后端上申请好必要的 buffer。运行结束后，返回 tensor 便可。
因为推理所需的全部内存在准备期就已经申请完毕，在后续推理时，若是输入的形状不变，就能够复用 tensor 和 buffer，从而避免频繁地申请、释放内存；只有输入形状改变的时候，才须要从形状计算开始，调整一次内存分配。同时，因为使用后端统一管理缓存，后端内的执行器之间，缓存就能够充分复用的，这就大大减小了内存的需求量。此外，MNN 分配内存时，默认按照 32 位对齐，内存对齐有利于数据读写。
执行优化
数据布局与滑窗卷积
数据布局对性能影响巨大。
先来看一看在 NCHW 的布局下，怎么利用 SIMD 加速 3x3 的 depth-wise 卷积：
首先，读取数据时，须要一次性读取四个 float 做为第一行的数据，后两行的读取也是类似的；
这时，读取出的三行数据已经足够计算两列输出，即，能够复用部分数据；
然后，为了提升数据复用，会再读取出第四行数据，一次计算两行两列，即，能够引入循环展开；
然而，残留的 5~25 和 21~25 亮度眼边界没法利用 SIMD 计算，只能逐一循环读写完成计算；
按照这样的方式，就能够相应完成后几个通道的计算。
可是，NCHW 布局下，没法充分利用 SIMD 进行加速，同时，实现优化分支越多，占用包大小也就越多。
再来看一看 NC/4HW4 布局下，利用 SIMD 加速的状况又是怎样的。
这里的 "C/4" 指的是按照 4 个通道对齐的方式重排数据。重排全部输入和权重数据后，每次 SIMD 读写都自然是 4 个通道的输入数据和 4 个通道的权重数据。这样，不论 kernel、stride、dilation 怎么变化，咱们均可以简单地使用 for 循环和 SIMD 的一套通用优化完成卷积计算。既不会有边缘数据没法加速的问题，也不会对包大小形成影响。
Winograd
对于对于 KxK 卷积，可使用 Winograd 算法进一步加速。MNN 中支持 2x2 到 7x7 的 Winograd 实现。Winograd 计算时，须要把输出拆分红 NxN 的小块，把输入拆分红 (N+K-1)x(N+K-1) 的小块。这样，问题就能够简化为两个小矩阵的卷积。
再套用 Winograd 的公式，将矩阵间的卷积运算转换为矩阵点乘运算。在这个过程当中，除了矩阵点乘外，还引入三个矩阵转换，分别是输入矩阵 d、权重矩阵 g 和结果矩阵 Y’的转换。其中，权重转换时，G 矩阵能够利用中国剩余数定理计算，GgGT 就能够在准备执行器时提早计算；输入转换和输出转换时用到的 A 和 B 矩阵须要根据 N 和 K 计算，咱们在代码中内置了几种优化后的组合，因此实际计算时，这两个转换并不须要通过复杂的矩阵乘法。
这样，原来矩阵卷积所须要的 9x4 次乘法计算就能够用矩阵点乘的 4x4 次乘法计算代替。只考虑乘法耗时的话，加速了 2.25 倍。示例中，K=3，N=2，但实际使用时，能够选择更大的 N 值，获取高的加速倍数，但也要相应消耗更多的内存。
Strassen
MNN 多是端侧推理引擎中，第一个应用 Strassen 算法优化矩阵乘法的。
Strassen 在计算矩阵乘法时，首先须要将矩阵平均拆分红四个小矩阵。这里使用 a11 ~ a2二、b11 ~ b2二、c11 ~ c22 表明四个小矩阵，计算过程一共须要 8 次小矩阵乘法运算。
这里能够引入中间小矩阵，s1 ~ s四、t1 ~ t四、m1 ~ m七、u1 ~ u7。其中，只有 m1 ~ m7 包含小矩阵乘法，一共 7 次小矩阵乘法运算。而其余的，只包含小矩阵的加减法。也就是说，经过 4 + 4 + 7 次小矩阵加减法，替代了一次小矩阵乘法。
与原来的矩阵乘法相比，Strassen 的时间复杂度从 n 的 3 次方，下降到 n 的 2.81 次方。在矩阵较大时，矩阵乘法远远慢于矩阵加减法，收益就更明显。
在 MNN 中，咱们会递归使用 Strassen。也就是说，递归拆分矩阵。在矩阵足够大时，继续拆分；在矩阵不够大时，使用普通的矩阵算法。这里使用减免的矩阵乘法开销做为收益，使用小矩阵 s、小矩阵 t、小矩阵 u 矩阵的加减法开销之和做为代价，收益大于代价时，就能够考虑使用 Strassen 算法。
链路优化
链路优化能够举一个 19 年春节淘宝扫年货的例子。在得到手机相机输入后，每一帧的图像首先须要通过一次预处理，将图片缩放到年货检测模型的输入大小上，然而再通过推理，断定图像有没有年货，若是有，就发放相关权益。这个过程当中，图片预处理的耗时也不容忽视。下降这个耗时，就能够帮助咱们提高帧率，从而改进用户体验。为此，咱们引入了一个轻量级的 2D 图片处理库，能够高效地完成色值变化、色彩空间的转换或者仿射变换等。这样，MNN 的用户就再也不须要为图片处理引入 libyuv 或者 opencv 了。
性能比较
通过种种优化后，这是咱们在性能上交出的答卷。
MobileNet V2，在 OPPO r17 和 iPhone 7Plus 上作了一系列的性能对比。
如图，MNN 的性能在 CPU 和 GPU 上都有必定的优点。
小结
总的来讲，MNN 吸纳了前人的经验，也结合本身对端侧推理引擎的认知，作了许多创新。综合考虑性能、模型和后端的拓展性、缓存、CPU 和 GPU 的算子实现，以及 CV 库等方面的表现，在端侧推理引擎中，MNN 是值得移动 AI 用户尝试的选择。
后续规划
在后续计划上，转换部分，咱们计划追加更多算子和更多图优化匹配模板，也计划将模型量化工具开源；调度部分，咱们计划分步实现端侧训练和边缘学习，计算设备自动选择也在筹划中；执行部分，仍是会持续优化现有各端算子的实现，也计划优化量化卷积、矩阵乘算法，计划在 CV 库上直接支持 GPU，咱们也考虑将现有 NC/4HW4 实现的算法，整理为独立的高性能计算库，算法自动选择一样在筹划中；其余部分，咱们会持续建设项目的可用性，持续加入更多的文档和示例。
也欢迎你们参与到 MNN 中来。欢迎你们给咱们提 issue，提 pull request。
嘉宾介绍
陈以鎏，花名离青，2015 年加入淘宝，从事无线开发至今，目前担任无线开发专家一职。是阿里巴巴开源的首款端侧推理引擎 MNN (Mobile Neural Network) 的核心开发。