标签：高性能 内存管理 个数 唤醒 ogr ble 优化 实践 ocr
Paddle Mobile是PaddlePaddle组织下的致力于嵌入式平台的深度学习框架，集成了百度移动端预测的实践经验，提供多平台支持，在工程实现支持及底层算法模型压缩的基础上，通过CPU、mall GPU等硬件加速，作用于DuerOS、百度APP、百度网盘APP等移动端场景。目前，Paddle Mobile在PaddlePaddle 0.14版本下已支持CPU、Mali GPU等平台，以及图像、人脸、OCR等模型。值得一提的是，它的体积极小，最小仅300K。今天这篇文章是由百度大搜索高级研发工程师谢柏渊老师，为大家介绍Paddle Mobile的技术实现和业务落地。
以下为谢柏渊的演讲实录
Paddle Mobile框架概览
图一：Paddle mobile框架
Paddle mobile各大框架，偏重于与AI硬件的结合，提升本地用户性能。
? Paddle mobile的训练分为训练过程和运算过程，训练过程兼容统一训练模型，训练基础上提供量化深度压缩功能。
? 目标检测有单主体检测，多主体检测，手势识别。
? 实时OCR保证在高性能的情况下，每个图片完整的映射。
? 语音唤醒，形成无数的样本输出。
? 多硬件平台支持，支持全部ARM CPU,Mali GPU,高通DSP，Arm-Linux FPGA。
Paddle mobile的架构设计
Paddle mobile的架构设计主要分为: Loader 模块、 Program 模块、 Executor 模块、 Op 模块、 Kernel 模块、Scope variable Tensor 模块。它的模型分为两种结构: 一种为参数文件是散开的, 如下图, 红框为模型结构的 protobuf 文件, 其余为参数文件。
图二：模型
其中Loader 模块的作用是将模型结构信息 load 进内存, 如红框内的 protobuf 文件 load 进内存, 并对模型结构进行优化(如将几个细粒度的 op 融合成粗粒度的op, 如将 conv、 add、 batchnorm、 relu 融合为 conv_add_batchnorm_relu)，方便进行算法优化。由于 conv 可以转换为两个大矩阵相乘, 更进一步可以分为若干个一行一列的小矩阵相乘, 并得出最终运算。
图三：op融合
Program 为 Loader 模块的结果, 包含了优化前的模型结构对象, 以及优化后的模型结构对象, 此模块基本对应 PaddlePaddle 模型结构, 关于Paddle 模型的概念定义, 详细设计可以参考 program.md。
kernel 为 op 的底层运算实现, 主要有两个函数, Init 和 Compute, 分别用来初始化、预处理 和 运算操作, 值得提出的是, kernel 会根据泛型特化到不同的平台, 如图所示:
图四：平台
不同平台的 kernel 实现, 为同一个 kernel 类不同泛型的特化实现, 目前有三个平台, arm、mali、fpga, 图中的 central-arm-func\ 目录为 op kernel 的 arm 实现, 它承担了 arm\ 目录下 kernel 的底层实现, 同时 arm 处理器作为中央处理器, central-arm-func\ 也可以作为其他协处理器的底层实现, 如: fpga 的某一个 op kernel 还没有 fpga 协处理器的实现, 就可以直接调用使用这里的 arm 实现.
Paddle Mobile的优化
Paddle Mobile的优化的体现在两个方面，体积优化和效率提升。其中，体积优化从三方面来进行：第一，模型量化压缩方案；第二，代码深度精简；第三，分模型打包。效率提升主要从Operator融合和各平台特化实现两方面才进行提升。
Scope用来存储管理所需要用到的variable，用来存储不同类型的对象，主要是矩阵为tensor，也就是说scpoe管理着op运算过程中所有参数矩阵，输入输出矩阵。可以将scope理解为一个map，这里在map上封了一层scope的概念是为了方便内存管理。scope可以用来存储不同类型的对象，Paddle mobile主要用它来存储tensor，tensor代表着矩阵，通过泛型可以用来存储不同类型的矩阵，但需要注意的是存入和取出时的类型必须保持一致，如果类型不一致，不能通过类型检查。
提问环节
提问：把很多模型压缩放到移动端，压缩是手动还是会自动。
谢柏渊：我们提供一个脚本，跟Paddle mobile项目读取模型一样，我们进行映射，按照255乘以值，预算的时候用这个数乘以255。具体实践可以看Paddle mobile这个项目有量化的脚本，做一个简单的片断。
提问：压缩是把矩阵一点点读进去，读的是哪部分？
谢柏渊：我对这个算法了解不是特别深入，这个想深入了解可以打开PaddlePaddle，在文档列表搜介绍。
提问：能否提供简单的算法然后传播，我们进行简单的预算？
谢柏渊：目前没有，后续考虑会支持。
提问：如果把训练好模型放到手机上，大概有多大？
谢柏渊：目前压缩以后，差不多有5兆，6兆左右，很小。例如有一些AR团队设立鸡蛋的模型，只有50多K，不用量化，量化以后10K，就没有必要了。模型大小跟复杂程度有关，用一张数据训练，参数大就大；模型设计的简单，参数少，模型也就小。模型大小是纯粹数据的排列，非常简单，你有多少数就多大。所以我们设计一个模型考虑的问题就是如何设计一个既省空间，效率又高，又准确的模型。
提问：您的模型用的是哪个模型。
谢柏渊：模型因为属于商业化东西，我们对外开放了一部分，在官网可以查询和观看demo，对外也提供了接口，把项目编译出来后，ARM模型在手机上，处理好的数据输入进去，可以拿到所有点的结果。使用起来非常简单。
实录结束
谢柏渊，百度大搜索高级研发工程师，拥有多年Android开发经验，多模搜索部创新团队成员，Paddle Mobile团队成员，落地功能有图搜实时翻译，lite版语音搜索，悬浮球搜索等。目前主要负责Paddle Mobile从学术到上线的打通工作，推动技术实现到业务落地。
标签：高性能 内存管理 个数 唤醒 ogr ble 优化 实践 ocr
原文地址：http://blog.51cto.com/13970240/2288305
