AoE：一種快速集成AI的終端運行環境SDK

1、背景

1.1 AoE是什麼

AoE (AI on Edge) 是一個滴滴開源的終端側AI集成運行時環境(IRE)。以 「穩定性、易用性、安全性」 爲設計原則，幫助開發者將不一樣框架的深度學習算法輕鬆部署到終端高效執行，Github 地址是 https://github.com/didi/aoe

爲何要作一個 AI 終端集成運行時框架，緣由有兩個：

一是隨着人工智能技術快速發展，這兩年涌現出了許多運行在終端的推理框架，在給開發者帶來更多選擇的同時，也增長了將AI佈署到終端的成本；

二是經過推理框架直接接入AI的流程比較繁瑣，涉及到動態庫接入、資源加載、前處理、後處理、資源釋放、模型升級，以及如何保障穩定性等問題。

目前AoE SDK已經在滴滴銀行卡OCR上應用使用，想更加清晰地理解 AoE 和推理框架、宿主 App 的關係，能夠經過下面的業務集成示意圖來了解它。

1.2 終端推理框架一覽

下面是終端運行的8種主流推理框架（排名不分前後）。

1.3 AoE 如何支持各類推理框架

從本質上來講，不管是什麼推理框架，都必然包含下面 5 個處理過程，對這些推理過程進行抽象，是 AoE 支持各類推理框架的基礎。 目前，AoE 實現了兩種推理框架 NCNN 和 TensorFlow Lite 的支持，以這兩種推理框架爲例，說明一下 5 個推理過程在各自推理框架裏的形式。

1.4 AoE 支持哪些平臺

目前，AoE 已經開源的運行時環境 SDK 包括 Android 和 iOS 平臺，此外 Linux 平臺運行時環境 SDK 正在緊鑼密鼓地開發中，預計在9月底也會和你們正式見面。

2、工做原理

2.1 抽象推理框架的處理過程

前面已經介紹了，不一樣推理框架包含着共性的過程，它們分別是初使化、前處理、執行推理、後處理、釋放資源。對 AoE 集成運行環境來講，最基本的即是抽象推理操做，經過 依賴倒置 的設計，使得業務只依賴AoE的上層抽象，而不用關心具體推理框架的接入實現。這種設計帶來的最大的好處是開發者隨時能夠添加新的推理框架，而不用修改框架實現，作到了業務開發和 AoE SDK 開發徹底解耦。

在 AoE SDK 中這一個抽象是 InterpreterComponent（用來處理模型的初使化、執行推理和釋放資源）和 Convertor（用來處理模型輸入的前處理和模型輸出的後處理），InterpreterComponent 具體實現以下：

/**
 * 模型翻譯組件
 */
interface InterpreterComponent<TInput, TOutput> extends Component {
    /**
     * 初始化，推理框架加載模型資源
     *
     * [@param](https://my.oschina.net/u/2303379) context      上下文，用與服務綁定
     * [@param](https://my.oschina.net/u/2303379) modelOptions 模型配置列表
     * [@return](https://my.oschina.net/u/556800) 推理框架加載
     */
    boolean init([@NonNull](https://my.oschina.net/u/2981441) Context context, [@NonNull](https://my.oschina.net/u/2981441) List<AoeModelOption> modelOptions);
 
    /**
     * 執行推理操做
     *
     * @param input 業務輸入數據
     * @return 業務輸出數據
     */
    @Nullable
    TOutput run(@NonNull TInput input);
 
    /**
     * 釋放資源
     */
    void release();
 
    /**
     * 模型是否正確加載完成
     *
     * @return true，模型正確加載
     */
    boolean isReady();
}

Convertor的具體實現以下：

interface Convertor<TInput, TOutput, TModelInput, TModelOutput> {
    /**
     * 數據預處理，將輸入數據轉換成模型輸入數據
     *
     * @param input 業務輸入數據
     * @return 模型輸入數據
     */
    @Nullable
    TModelInput preProcess(@NonNull TInput input);
 
    /**
     * 數據後處理，將模型輸出數據轉換成業務輸出數據
     *
     * @param modelOutput 模型輸出數據
     * @return
     */
    @Nullable
    TOutput postProcess(@Nullable TModelOutput modelOutput);
}

2.2 穩定性保障

衆所周知，Android平臺開發的一個重要的問題是機型適配，尤爲是包含大量Native操做的場景，機型適配的問題尤爲重要，一旦應用在某款機型上面崩潰，形成的體驗損害是巨大的。有數據代表，由於性能問題，移動App天天流失的活躍用戶佔比5%，這些流失的用戶，6 成的用戶選擇了沉默，再也不使用應用，3 成用戶改投競品，剩下的用戶會直接卸載應用。所以，對於一個用戶羣龐大的移動應用來講，保證任什麼時候候App主流程的可用性是一件最基本、最重要的事。結合 AI 推理過程來看，不可避免地，會有大量的操做發生在 Native 過程當中，不只僅是推理操做，還有一些前處理和資源回收的操做也比較容易出現兼容問題。爲此，AoE 運行時環境 SDK 爲 Android 平臺上開發了獨立進程的機制，讓 Native 操做運行在獨立進程中，同時保證了推理的穩定性（偶然性的崩潰不會影響後續的推理操做）和主進程的穩定性（主進程任什麼時候候不會崩潰）。

具體實現過程主要有三個部分：註冊獨立進程、異常從新綁定進程以及跨進程通訊優化。

第一個部分，註冊獨立進程，在 Manifest 中增長一個 RemoteService 組件，代碼以下：

<application>
    <service
        android:name=".AoeProcessService"
        android:exported="false"
        android:process=":aoeProcessor" />
 
</application>

第二個部分，異常從新綁定獨立進程，在推理時，若是發現 RemoteService 終止了，執行 「bindService()」 方法，從新啓動 RemoteService。

@Override
public Object run(@NonNull Object input) {
    if (isServiceRunning()) {
        ...(代碼省略)//執行推理
    } else {
        bindService();//重啓獨立進程
    }
    return null;
}

第三個部分，跨進程通訊優化，由於獨立進程，必然涉及到跨進程通訊，在跨進程通訊裏最大的問題是耗時損失，這裏，有兩個因素形成了耗時損失：

• 傳輸耗時
• 序列化/反序列化耗時

相比較使用binder機制的傳輸耗時，序列化/反序列化佔了整個通訊耗時的90%。因而可知，對序列化/反序列化的優化是跨進程通訊優化的重點。

對比了當下主流的序列化/反序列化工具，最終AoE集成運行環境使用了kryo庫進行序列化/反序列。如下是對比結果，數據參考oschina的文章《各類 Java 的序列化庫的性能比較測試結果》。

3、MNIST集成示例

3.1 對TensorFlowLiteInterpreter的繼承

當咱們要接入一個新的模型時，首先要肯定的是這個模型運行在哪個推理框架上，而後繼承這個推理框架的InterpreterComponent實現，完成具體的業務流程。MNIST是運行在TF Lite框架上的模型，所以，**咱們實現AoE的TF Lite的Interpreter抽象類，將輸入數據轉成模型的輸入，再從模型的輸出讀取業務須要的數據。**初使化、推理執行和資源回收沿用TensorFlowLiteInterpreter的默認實現。

public class MnistInterpreter extends TensorFlowLiteInterpreter<float[], Integer, float[], float[][]> {
 
    @Nullable
    @Override
    public float[] preProcess(@NonNull float[] input) {
        return input;
    }
 
    @Nullable
    @Override
    public Integer postProcess(@Nullable float[][] modelOutput) {
        if (modelOutput != null && modelOutput.length == 1) {
            for (int i = 0; i < modelOutput[0].length; i++) {
                if (Float.compare(modelOutput[0][i], 1f) == 0) {
                    return i;
                }
            }
        }
        return null;
    }
}

3.2 運行時環境配置

接入MNIST的第二個步驟是配置推理框架類型和模型相關參數，代碼以下：

mClient = new AoeClient(requireContext(), "mnist",
        new AoeClient.Options()
                .setInterpreter(MnistInterpreter.class)/*
                .useRemoteService(false)*/,
        "mnist");

3.3 推理執行

如下是MINST初使化推理框架、推理執行和資源回收的實現：

//初使化推理框架
int resultCode = mClient.init();
//推理執行
Object result = mClient.process(mSketchModel.getPixelData());
if (result instanceof Integer) {
    int num = (int) result;
    Log.d(TAG, "num: " + num);
    mResultTextView.setText((num == -1) ? "Not recognized." : String.valueOf(num));
}
//資源回收
if (mClient != null) {
    mClient.release();
}

4、加入咱們

幫助AI在終端落地，開源AoE集成運行環境是咱們走出的第一步！將來，爲終端的開發者提供更多推理框架的支持，提供更多有價值的特性，是咱們不懈追求的目標。若是您對這個項目感興趣，若是您在終端AI運行環境方面有想法，若是您在使用時有疑問，誠摯邀請您加入咱們。

github地址:

您的每個Star都是對咱們最大的確定：）

QQ交流羣:

您的每個問題都會幫咱們成爲更好的本身：）

QQ羣號： 815254379

同時，也歡迎您關注滴滴技術工做公衆號，咱們會及時爲您發佈最新的開源信息和技術乾貨！

滴滴技術公衆號：