hivemq开源 aide开源

本次给大家推荐一个开源项目，它的名字叫AoE，可以在终端（iOS + Android）和 Linux 平台上快速部署 AI 运行环境，这是它的项目地址：

https://github.com/didi/AoE

欢迎大家star、fork，下面给大家介绍下它的背景和工作原理。

一、背景

1.1 AoE是什么

AoE (AI on Edge) 是一个终端侧AI集成运行时环境(IRE)。以 “稳定性、易用性、安全性” 为设计原则，帮助开发者将不同框架的深度学习算法轻松部署到终端高效执行，Github 地址是 https://github.com/didi/aoe

为什么要做一个 AI 终端集成运行时框架：

一、随着人工智能技术快速发展，这两年涌现出了许多运行在终端的推理框架，在给开发者带来更多选择的同时，也增加了将AI布署到终端的成本；

二、通过推理框架直接接入AI的流程比较繁琐，涉及到动态库接入、资源加载、前处理、后处理、资源释放、模型升级，以及如何保障稳定性等问题。

以下是 AoE 的业务集成示意图：

1.2 终端推理框架一览

下面是终端运行的 8 种主流推理框架（排名不分先后）。

1.3  AoE 如何支持各种推理框架

从本质上来说，无论是什么推理框架，都必然包含下面 5 个处理过程，对这些推理过程进行抽象，是 AoE 支持各种推理框架的基础。

目前，AoE 实现了两种推理框架 NCNN 和 TensorFlow Lite 的支持，以这两种推理框架为例，说明一下 5 个推理过程在各自推理框架里的形式。

1.4 AoE 支持哪些平台

目前，AoE 已经开源的运行时环境 SDK 包括 Android 和 iOS 平台，Linux 平台运行时环境 SDK 预计在9月底提供。

二、工作原理

2.1 抽象推理框架的处理过程

前面我们了解到，不同推理框架包含着共性的过程，它们分别是初始化、前处理、执行推理、后处理、释放资源。对 AoE 集成运行环境来说，最基本的便是抽象推理操作，通过 依赖倒置 的设计，使得业务只依赖AoE的上层抽象，而不用关心具体推理框架的接入实现。这种设计带来的最大的好处是开发者随时可以添加新的推理框架，而不用修改框架实现，做到了业务开发和 AoE SDK 开发完全解耦。

在 AoE SDK 中这一个抽象是 InterpreterComponent（用来处理模型的初使化、执行推理和释放资源）和 Convertor（用来处理模型输入的前处理和模型输出的后处理），InterpreterComponent 具体实现如下：

/**	
 * 模型翻译组件	
 */	
interface InterpreterComponent<TInput, TOutput> extends Component {	
    /**	
     * 初始化，推理框架加载模型资源	
     *	
     * @param context      上下文，用与服务绑定	
     * @param modelOptions 模型配置列表	
     * @return 推理框架加载	
     */	
    boolean init(@NonNull Context context, @NonNull List<AoeModelOption> modelOptions);	
 	
    /**	
     * 执行推理操作	
     *	
     * @param input 业务输入数据	
     * @return 业务输出数据	
     */	
    @Nullable	
    TOutput run(@NonNull TInput input);	
 	
    /**	
     * 释放资源	
     */	
    void release();	
 	
    /**	
     * 模型是否正确加载完成	
     *	
     * @return true，模型正确加载	
     */	
    boolean isReady();	
}

Convertor的具体实现如下：

interface Convertor<TInput, TOutput, TModelInput, TModelOutput> {	
    /**	
     * 数据预处理，将输入数据转换成模型输入数据	
     *	
     * @param input 业务输入数据	
     * @return 模型输入数据	
     */	
    @Nullable	
    TModelInput preProcess(@NonNull TInput input);	
 	
    /**	
     * 数据后处理，将模型输出数据转换成业务输出数据	
     *	
     * @param modelOutput 模型输出数据	
     * @return	
     */	
    @Nullable	
    TOutput postProcess(@Nullable TModelOutput modelOutput);	
}

2.2 稳定性保障

众所周知，Android平台开发的一个重要的问题是机型适配，尤其是包含大量Native操作的场景，机型适配的问题尤其重要，一旦应用在某款机型上面崩溃，造成的体验损害是巨大的。有数据表明，因为性能问题，移动App每天流失的活跃用户占比5%，这些流失的用户，6 成的用户选择了沉默，不再使用应用，3 成用户改投竞品，剩下的用户会直接卸载应用。因此，对于一个用户群庞大的移动应用来说，保证任何时候App主流程的可用性是一件最基本、最重要的事。结合 AI 推理过程来看，不可避免地，会有大量的操作发生在 Native 过程中，不仅仅是推理操作，还有一些前处理和资源回收的操作也比较容易出现兼容问题。为此，AoE 运行时环境 SDK 为 Android 平台上开发了独立进程的机制，让 Native 操作运行在独立进程中，同时保证了推理的稳定性（偶然性的崩溃不会影响后续的推理操作）和主进程的稳定性（主进程任何时候不会崩溃）。

具体实现过程主要有三个部分：注册独立进程、异常重新绑定进程以及跨进程通信优化。第一个部分，注册独立进程，在 Manifest 中增加一个 RemoteService 组件，代码如下：

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

第二个部分，异常重新绑定独立进程，在推理时，如果发现 RemoteService 终止了，执行 “bindService()” 方法，重新启动 RemoteService。

@Override	
public Object run(@NonNull Object input) {	
    if (isServiceRunning()) {	
        ...(代码省略)//执行推理	
    } else {	
        bindService();//重启独立进程	
    }	
    return null;	
}

第三个部分，跨进程通信优化，因为独立进程，必然涉及到跨进程通信，在跨进程通信里最大的问题是耗时损失，这里，有两个因素造成了耗时损失：

• 传输耗时
• 序列化/反序列化耗时

相比较使用binder机制的传输耗时，序列化/反序列化占了整个通信耗时的90%以上。由此可见，对序列化/反序列化的优化是跨进程通信优化的重点。

对比了当下主流的序列化/反序列化工具，最终AoE集成运行环境使用了kryo库进行序列化/反序列。以下是对比结果，数据参考oschina的文章《各种 Java 的序列化库的性能比较测试结果》。

三、MNIST集成示例

3.1 对TensorFlowLiteInterpreter的继承

当我们要接入一个新的模型时，首先要确定的是这个模型运行在哪一个推理框架上，然后继承这个推理框架的InterpreterComponent实现，完成具体的业务流程。MNIST是运行在TF Lite框架上的模型，因此，我们实现AoE的TF Lite的Interpreter抽象类，将输入数据转成模型的输入，再从模型的输出读取业务需要的数据。初始化、推理执行和资源回收沿用TensorFlowLiteInterpreter的默认实现。

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 运行时环境配置

接入MNIST的第二个步骤是配置推理框架类型和模型相关参数，代码如下：

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

3.3 推理执行

以下是MINST初始化推理框架、推理执行和资源回收的实现：

//初始化推理框架	
int resultCode = mClient.init();	
//推理执行	
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));	
}	
//资源回收	
if (mClient != null) {	
    mClient.release();	
}