原标题:资源 | 小米开源移动端深度学习框架MACE：可转换TensorFlow模型
选自GitHub
机器之心编译
参与：思源、李亚洲
6 月 28 日，小米首席架构师，人工智能与云平台副总裁崔宝秋在 2018（第十三届）开源中国开源世界高峰论坛上宣布，正式开源小米移动端深度学习框架 MACE。该框架采用与 Caffe2 类似的描述文件定义模型，因此它能非常便捷地部署移动端应用。
项目地址：https://github.com/XiaoMi/mace
文档地址：https://mace.readthedocs.io/en/latest/
Mobile AI Compute Engine (MACE) 是一个专为移动端异构计算平台优化的神经网络计算框架。目前该框架为 TensorFlow 和 Caffe 模型提供转换工具，并且其它框架定义的模型很快也能得到支持。下图展示了该计算框架的整体结构：
据 Github 项目介绍，小米的 MACE 主要从以下的角度做了专门的优化：
性能：代码经过 NEON 指令，OpenCL 以及 Hexagon HVX 专门优化，并且采用 Winograd 算法来进行卷积操作的加速。此外，还对启动速度进行了专门的优化。
功耗：支持芯片的功耗管理，例如 ARM 的 big.LITTLE 调度，以及高通 Adreno GPU 功耗选项。
系统响应：支持自动拆解长时间的 OpenCL 计算任务，来保证 UI 渲染任务能够做到较好的抢占调度，从而保证系统 UI 的相应和用户体验。
内存占用：通过运用内存依赖分析技术，以及内存复用，减少内存的占用。另外，保持尽量少的外部 依赖，保证代码尺寸精简。
模型加密与保护：模型保护是重要设计目标之一。支持将模型转换成 C++代码，以及关键常量字符混淆，增加逆向的难度。
硬件支持范围：支持高通，联发科，以及松果等系列芯片的 CPU，GPU 与 DSP(目前仅支持 Hexagon) 计算加速。同时支持在具有 POSIX 接口的系统的 CPU 上运行。
模型格式
MACE 定义的定制化模型格式与 Caffe2 的类似，MACE 模型能由 TensorFlow 和 Caffe 输出的模型转化。YAML 文件详细描述了模型部署细节，后文将展示该文件的示例。
模型加载
MACE 模型格式包含两部分：定义模型的计算图和模型参数张量。计算图部分利用 Protocol Buffers 做序列化，而所有的模型参数张量级联在一起成为一个连续字节数组，我们称这个数组为张量数据。在模型图中，张量数据的偏移（offsets）和长度都会被记录下来。
可用以下三种方式加载模型：
模型计算图和张量数据都通过外部动态地加载（默认从文件系统加载，但用户可以自由选择它们的实现，例如使用压缩或加密）。这种方式提供最灵活的模型部署方式，但是模型安全也是最低的。
模型计算图和张量数据都转化为 C++代码，并通过执行经编译的代码而加载。这种方式能提供最强的模型防护和最简单的部署。
将模型计算图转换为 C++代码，并以第二种方式构建，而张量数据将在外部以第一种方式加载。
部署文件示例
部署模型到移动端的第一步就是创建 YAML 文件，该 YAML 文件描述了模型部署的情况，每一个文件都将生成一个静态库（如果指定了多个 ABIs，那么每个都会有一个静态库）。部署文件可以包含一个或多个模型，例如智能相机应用可能包含人脸识别、目标识别和语音识别模型，它们可以在一个部署文件中定义。
以下展示了用于安卓示例应用的部署文件：
# The name of librarylibrary_name: mobilenet
target_abis: [arm64-v8a]
embed_model_data: 1
# The build mode for model(s).
# 'code' stand for transfer model(s) into cpp code, 'proto' for model(s) in protobuf file(s).
build_type: code
linkshared: 0
# One yaml config file can contain multi models' config message.
models:
mobilenet_v1: # model tag, which will be used in model loading and must be specific.
platform: tensorflow
# support local path, and https://
model_file_path: https://cnbj1.fds.api.xiaomi.com/mace/miai-models/mobilenet-v1/mobilenet-v1-1.0.pb
model_sha256_checksum: 71b10f540ece33c49a7b51f5d4095fc9bd78ce46ebf0300487b2ee23d71294e6
subgraphs:
- input_tensors: input
input_shapes: 1,224,224,3
output_tensors: MobilenetV1/Predictions/Reshape_1
output_shapes: 1,1001
runtime: cpu+gpu
limit_opencl_kernel_time: 0
nnlib_graph_mode: 0
obfuscate: 0
winograd: 0
mobilenet_v2:
platform: tensorflow
model_file_path: https://cnbj1.fds.api.xiaomi.com/mace/miai-models/mobilenet-v2/mobilenet-v2-1.0.pb
model_sha256_checksum: 369f9a5f38f3c15b4311c1c84c032ce868da9f371b5f78c13d3ea3c537389bb4
subgraphs:
- input_tensors: input
input_shapes: 1,224,224,3
output_tensors: MobilenetV2/Predictions/Reshape_1
output_shapes: 1,1001
runtime: cpu+gpu
limit_opencl_kernel_time: 0
nnlib_graph_mode: 0
obfuscate: 0
winograd: 0
}
模型与性能评测
