小米开源自研移动端深度学习框架MACE

地址：https://github.com/XiaoMi/mace

近年来，随着移动互联网的深入发展和IoT智能设备的普及，以及用户对智能性，低延迟和隐私保护的诉求变得越来越高，移动设备上的离线深度学习应用变得越来越普遍。

MACE 是专门为移动设备优化的深度学习模型预测框架，MACE 从设计之初，便针对移动设备的特点进行了专门的优化：

• 速度：对于放在移动端进行计算的模型，一般对整体的预测延迟有着非常高的要求。在框架底层，针对ARM CPU进行了NEON指令级优化，针对移动端GPU，实现了高效的OpenCL内核代码。针对高通DSP，集成了nnlib计算库进行HVX加速。同时在算法层面，采用Winograd算法对卷积进行加速。

• 功耗：移动端对功耗非常敏感，框架针对ARM处理器的big.LITTLE架构，提供了高性能，低功耗等多种组合配置。针对Adreno GPU，提供了不同的功耗性能选项，使得开发者能够对性能和功耗进行灵活的调整。

• 系统响应：对于GPU计算模式，框架底层对OpenCL内核自适应的进行分拆调度，保证GPU渲染任务能够更好的进行抢占调度，从而保证系统的流畅度。

• 初始化延迟：在实际项目中，初始化时间对用户体验至关重要，框架对此进行了针对性的优化。

• 内存占用：通过对模型的算子进行依赖分析，引入内存复用技术，大大减少了内存的占用。

• 模型保护：对于移动端模型，知识产权的保护往往非常重要，MACE支持将模型转换成C++代码，大大提高了逆向工程的难度。

此外，MACE 支持 TensorFlow 和 Caffe 模型，提供转换工具，可以将训练好的模型转换成专有的模型数据文件，同时还可以选择将模型转换成C++代码，支持生成动态库或者静态库，提高模型保密性。

目前MACE已经在小米手机上的多个应用场景得到了应用，其中包括相机的人像模式，场景识别，图像超分辨率，离线翻译(即将实现)等。

此外，随着MACE一起开源的还有 MACE Model Zoo 项目，目前包含物体识别，场景语义分割，图像风格化等多个公开模型。后续会增加更多模型。

上方是用MACE Model Zoo中的fast style transfer（快速风格迁移）模型在手机端生成的风格化图片。

此前小米曾参与多个国际重大的开源项目，比如Hadoop，HBase，Spark，TensorFlow等，同时，小米也积极参与自研、具有通用性的软件系统。过去几年，小米相继推出了Linden（分布式实时搜索系统），Open-Falcon（互联网企业级监控系统）、Pegasus（分布式KV存储系统）等一系列开源项目。

在AI方面，小米开源了自研的针对移动端设备优化的深度学习框架 MACE，目前已经支持内部的多个业务。