作者|舒会(玄裳)
出品|阿里巴巴新零售淘系技术部
关注「淘系技术」微信公众号，回复“MNN”即可获取两次直播完整版 PPT 及视频回放链接；
点击下方「阅读原文」获取 MNN 开源地址，欢迎大家 star 我们哦~
作者：舒会（玄裳）
MNN 项目核心负责人之一
阿里巴巴淘系技术高级技术专家
先后任职于美国 Amazon、Google
Google ML Kit Founding Members之一
引言
在
淘系专家带你初探端智能与MNN（上篇）里，我们探讨了端智能的特性，挑战以及趋势。端智能是Mobile First和AI First两条道路的交叉点，也是许多移动开发者跨界发展的出路。
在这篇文章里，我们会介绍一下手机淘宝中端智能的应用。然后会介绍一下手机淘宝端智能中提供核心基础设施的推理引擎MNN。顺带说一句，MNN团队中许多成员之前是做移动开发的。移动开发者向AI开发跨界，可以参考一下哦。
手机淘宝中端智能的应用
手机淘宝（手淘）里面的端智能应用比比皆是。从大家最常用的商品搜索框，到利用照相机视频流买东西的“拍立淘”，再到最近几年兴起的使用AR（增强现实）进行化妆品的试妆，到处都是端智能的应用。
个人认为，端智能在手淘中的应用方式，分为以下两类：
1、利用AI新技术，创造全新的交互方式。这种利用AI，打开一个新赛道的方式是最难的，也是最有回报的。这方面的例子是AR试妆（口红，染发等）。现在在手淘里，你可以进入雅诗兰黛的口红页面，点击“在线试妆”来玩AR技术预览口红的效果。见下图。
2、利用 AI 新技术，给已有的工作的流程提供新的增长点。这个所谓的增长点，可以是更加契合用户个人的特点，也可以是某些操作更加有效率，更加节省服务端的压力，或者更加隐私。当然，可以是以上的几点（个性化，时效性，省服务端算力，隐私性）结合起来。
- 个性化：千人千模。全局模型可以被用户的个人使用数据个性化定制。目前手淘首页的“猜你喜欢”页面的推荐内容，就是使用了用户的个人数据对全局推荐模型进行了定制，取得CTR的提升 （目前此功能在灰度实验中）。
- 时效性+省服务端的算力：以手机淘宝首页的信息流为例，手机端会向服务端请求展示的商品，服务端为回复一定数量的商品以及相应的排序，但是这个排序是可以被app内的用户行为实时改变的。这个所谓的“端上重排”就是手机端利用本地的信息，运行一个ML模型，快速做出决定，不用与服务端通信。端上重排根据用户的浏览信息重排商品，可以提高转化率。
- 隐私性：这方面比较火的是前几年由Google推出的Federated Learning。它可以在每个用户数据不离开手机的情况下，训练出一个描述所有用户的模型，同时有安全算法保证最终的全局模型无法逆向出原始的训练数据。Federated Learning还存在一些基本的研究挑战没有解决[1]，所以手机淘宝还停留在尝试Federated Learning，并没有完全工业落地。
MNN介绍
MNN (Mobile Neural Network) 是阿里巴巴内部自己研发的推理引擎。在它研发之初，TFLite刚刚发布，而且由于TFLite最初版有诸多问题，为了快速响应业务的变化，阿里巴巴决定内部自研推理引擎MNN。MNN在2019年5月初在Github开源。开源至今，受益于阿里巴巴内部的用户和开源社区用户的反馈，MNN逐渐成长为一个优秀的、成熟稳定的推理引擎。目前，在阿里巴巴内部，MNN是端上推理引擎的事实标准。
MNN主要解决的是现在端智能的两大痛点：1. 底层的硬件、操作系统碎片化 （CPU、GPU、NPU, Android/iOS, Mobile/IOT） 2. 机器学习的框架复杂（TFLite，PyTorch, ONNX, etc.）。为了能够在不同的硬件、操作系统里发挥最好的功能，MNN会在运行时根据运行环境寻找出最快的算子实现算法（我们称这个过程为“半自动搜索”）。关于半自动搜索的技术细节，我们在第二次直播中有深度解答：
http://mudu.tv/watch/4397479。
目前端上的深度学习引擎有许多家（Google有TFLite，Facebook有PyTorch，苹果有CoreML，百度有PaddleLite，腾讯有NCNN，小米有MACE，阿里巴巴有MNN），MNN提供了什么特殊的价值呢？为什么用户要选用MNN而不是别的呢？
第一：MNN 的性能是领先于业界的。2019年9月的数据：Arm CPU上MNN 的单线程推理性能大约是TFlite的2~4倍；4线程推理性能大约是 TFLite 的10~20倍。（更多具体实验数据，我们在第二次直播给出：
）
第二：MNN 的大小有优势。它的静态库约为 TFLite 的66.7% （MNN + OpenCL backend: 1.2M + 334K; TFLite + NNApi backend: 2.3M）。
第三：MNN 支持多种异构设备。CPU方面，MNN 支持了X86，ArmV7, V8。GPU 方面，MNN 支持了 OpenCL, OpenGL, Vulkan, Metal。NPU方面，MNN 支持了华为的 NPU ，并用在手淘的拍立淘场景中。
第四：MNN 的算子支持程度已经得到大幅的加强。MNN 在2019年12月大约增加了200个 OP 。
▐ MNN 的主要模块
MNN 的主要模块有：模型转换，模型量化工具和推理引擎本身。
► 模型转换
模型转换器如下图：
目前，MNN还没有支持从头开始训练一个模型的能力。也就是说，用户必须事先用其他的训练框架比如Tensorflow, PyTorch把模型训练好，然后再转换为MNN的模型格式，最终部署到端上。
它主要的工作流程是，先解析“源头”格式的模型（Caffe、TF、ONNX），进行一些与硬件无关的优化，例如图优化、算子融合、算子替换、布局调整等。得到初步优化的图之后，转换为MNN自己的格式。MNN的模型格式是一个自定义Schema的flatbuffer格式 [2]。
► 量化工具
模型转换好之后，可以使用 MNN 的量化工具对模型进行压缩。目前，MNN支持 post-training quantization（无训练量化）。后续 MNN 会支持 quantization-aware training（带训练量化），以获得更好的准确率和更低比特的压缩。
模型的量化工具如下图：
MNN的量化方案是自己实现的，它目前有ADMM和KL散度两种方案。也就是说，“源头”的预训练好的模型需要是浮点的。ADMM量化方案，是MNN根据达摩院的Paper “Extremely Low Bit Neural Network: Squeeze the Last Bit Out with ADMM” [3] 实现的。它与KL散度的区别在于：ADMM是基于数学优化的方法，只需要几十个数据点即可，但是计算较慢。而KL散度是基于概率统计的方法，需要较多的数据（500到1000个数据点），计算较快。实际操作上来说，对特征的量化，ADMM和KL散度没有巨大的差距；对权重的量化，推荐使用ADMM。
▐ MNN 未来展望
对于未来的发展，我们主要立足于两点来看：第一，解决现有问题；第二，把握未来的趋势，面向未来做技术布局。
解决现有问题方面：
MNN 的易用性还不够。这方面，我们会有一整套的易用性提升：开箱即用的工具箱；文档补齐；Demo 示例；预编译包等… 这些易用性提升的改变，我们预计在今年春节之前发布。
训练：很多时候，要获得一个用于某个应用场景的模型其实很简单：拿 MobileNet 做一下迁移学习，就可以达到很好的效果。MNN 未来会加入训练模型的能力，让这种迁移学习的场景可以直接通过 MNN 的 API 或者工具达成。
面向未来的技术布局方面：
MNN + NPU：NPU的运行速度快了 CPU 好几倍，而且能耗有优势。是未来的主流。而且在可预见的未来，NPU的碎片化比较严重。MNN目前支持了华为的海思NPU，以后会支持更多的 NPU ，并且会提供一个统一的 API ，降低碎片化。
MNN 小程序：小程序平台降低了外部客户把他们的软件写入手淘的门槛。以后，手淘里面的端智能能力，可以通过小程序透出给外部开发者，使用简单，功能强大。今年的双11，modiface 与我们合作，通过小程序使用 MNN ，巨大提升了运行速度（相比于 TFJS ），降低了内存使用。未来，更多的外部客户可以在他们的小程序里调用 MNN ，简单、高效地将机器学习带到小程序里。
模型压缩：前文也提到了 NLP 应用是未来的一大趋势。而 NLP 的模型普遍大于 CV 模型。在这个时候，大幅度地压缩模型，能够让之前只能在服务器运行的模型放到端上运行。所以未来的 MNN ，会提供更好的模型压缩。
结语
坊间传言，许多人在众多推理引擎中选择 MNN 的原因是它快。而 MNN 并没有那么易用。这些用户为了能够使用 MNN 将他们的模型部署到 app 中所做的事情，可谓翻山越岭。
2020年，我们希望 MNN 与用户们一起成长，能够真正成为好用、高效的机器学习引擎，帮助开发者把端智能玩进自己的 app 中。
References
[1]
https://en.wikipedia.org/wiki/Federated_learning#Technical_limitations[2]
https://github.com/alibaba/MNN/blob/master/schema/default/MNN.fbs[3]
https://arxiv.org/abs/1707.0987We are hiring
淘宝基础平台部-端智能团队欢迎移动端计算优化工程师和推理引擎架构师的加入。对新技术感兴趣，善于创新突破，渴望用新技术给用户带来创新体验的同学请联系我们。
简历投递至吕行：[email protected]