一、背景
1.1 AoE是什麼
AoE (AI on Edge) 是一個滴滴開源的終端側AI整合執行時環境(IRE)。以 “穩定性、易用性、安全性” 為設計原則，幫助開發者將不同框架的深度學習演算法輕鬆部署到終端高效執行，Github 地址是 https://github.com/didi/aoe。
為什麼要做一個 AI 終端整合執行時框架，原因有兩個：
一是隨著人工智慧技術快速發展，這兩年湧現出了許多執行在終端的推理框架，在給開發者帶來更多選擇的同時，也增加了將AI佈署到終端的成本；
二是通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、資源載入、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，可以通過下面的業務整合示意圖來了解它。
1.2 終端推理框架一覽
下面是終端執行的8種主流推理框架（排名不分先後）。
1.3 AoE 如何支援各種推理框架
從本質上來說，無論是什麼推理框架，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 支援各種推理框架的基礎。
目前，AoE 實現了兩種推理框架 NCNN 和 TensorFlow Lite 的支援，以這兩種推理框架為例，說明一下 5 個推理過程在各自推理框架裡的形式。
1.4 AoE 支援哪些平臺
目前，AoE 已經開源的執行時環境 SDK 包括 Android 和 iOS 平臺，此外 Linux 平臺執行時環境 SDK 正在緊鑼密鼓地開發中，預計在9月底也會和大家正式見面。
二、工作原理
2.1 抽象推理框架的處理過程
前面已經介紹了，不同推理框架包含著共性的過程，它們分別是初使化、前處理、執行推理、後處理、釋放資源。對 AoE 整合執行環境來說，最基本的便是抽象推理操作，通過 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可以新增新的推理框架，而不用修改框架實現，做到了業務開發和 AoE SDK 開發完全解耦。
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 具體實現如下：
/**
* 模型翻譯元件
*/
interface InterpreterComponent<TInput, TOutput> extends Component {
/**
* 初始化，推理框架載入模型資源
*
* @param context 上下文，用與服務繫結
* @param modelOptions 模型配置列表
* @return 推理框架載入
*/
boolean init(@NonNull Context context, @NonNull List<AoeModelOption> modelOptions);
/**
* 執行推理操作
*
* @param input 業務輸入資料
* @return 業務輸出資料
*/
@Nullable
TOutput run(@NonNull TInput input);
/**
* 釋放資源
*/
void release();
/**
* 模型是否正確載入完成
*
* @return true，模型正確載入
*/
boolean isReady();
}
Convertor的具體實現如下：
interface Convertor<TInput, TOutput, TModelInput, TModelOutput> {
/**
* 資料預處理，將輸入資料轉換成模型輸入資料
*
* @param input 業務輸入資料
* @return 模型輸入資料
*/
@Nullable
TModelInput preProcess(@NonNull TInput input);
/**
* 資料後處理，將模型輸出資料轉換成業務輸出資料
*
* @param modelOutput 模型輸出資料
* @return
*/
@Nullable
TOutput postProcess(@Nullable TModelOutput modelOutput);
}
2.2 穩定性保障
眾所周知，Android平臺開發的一個重要的問題是機型適配，尤其是包含大量Native操作的場景，機型適配的問題尤其重要，一旦應用在某款機型上面崩潰，造成的體驗損害是巨大的。有資料表明，因為效能問題，移動App每天流失的活躍使用者佔比5%，這些流失的使用者，6 成的使用者選擇了沉默，不再使用應用，3 成使用者改投競品，剩下的使用者會直接解除安裝應用。因此，對於一個使用者群龐大的移動應用來說，保證任何時候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，會有大量的操作發生在 Native 過程中，不僅僅是推理操作，還有一些前處理和資源回收的操作也比較容易出現相容問題。為此，AoE 執行時環境 SDK 為 Android 平臺上開發了獨立程式的機制，讓 Native 操作執行在獨立程式中，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作）和主程式的穩定性（主程式任何時候不會崩潰）。
具體實現過程主要有三個部分：註冊獨立程式、異常重新繫結程式以及跨程式通訊優化。
第一個部分，註冊獨立程式，在 Manifest 中增加一個 RemoteService 元件，程式碼如下：
<application>
<service
android:name=".AoeProcessService"
android:exported="false"
android:process=":aoeProcessor" />
</application>
第二個部分，異常重新繫結獨立程式，在推理時，如果發現 RemoteService 終止了，執行 “bindService()” 方法，重新啟動 RemoteService。
@Override
public Object run(@NonNull Object input) {
if (isServiceRunning()) {
...(程式碼省略)//執行推理
} else {
bindService();//重啟獨立程式
}
return null;
}
第三個部分，跨程式通訊優化，因為獨立程式，必然涉及到跨程式通訊，在跨程式通訊裡最大的問題是耗時損失，這裡，有兩個因素造成了耗時損失：
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%。由此可見，對序列化/反序列化的優化是跨程式通訊優化的重點。
對比了當下主流的序列化/反序列化工具，最終AoE整合執行環境使用了kryo庫進行序列化/反序列。以下是對比結果，資料參考oschina的文章《各種 Java 的序列化庫的效能比較測試結果》。
三、MNIST整合示例
3.1 對TensorFlowLiteInterpreter的繼承
當我們要接入一個新的模型時，首先要確定的是這個模型執行在哪一個推理框架上，然後繼承這個推理框架的InterpreterComponent實現，完成具體的業務流程。MNIST是執行在TF Lite框架上的模型，因此，我們實現AoE的TF Lite的Interpreter抽象類，將輸入資料轉成模型的輸入，再從模型的輸出讀取業務需要的資料。初使化、推理執行和資源回收沿用TensorFlowLiteInterpreter的預設實現。
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 執行時環境配置
接入MNIST的第二個步驟是配置推理框架型別和模型相關引數，程式碼如下：
mClient = new AoeClient(requireContext(), "mnist",
new AoeClient.Options()
.setInterpreter(MnistInterpreter.class)/*
.useRemoteService(false)*/,
"mnist");
3.3 推理執行
以下是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();
}
四、加入我們
幫助AI在終端落地，開源AoE整合執行環境是我們走出的第一步！未來，為終端的開發者提供更多推理框架的支援，提供更多有價值的特性，是我們不懈追求的目標。如果您對這個專案感興趣，如果您在終端AI執行環境方面有想法，如果您在使用時有疑問，誠摯邀請您加入我們。
github地址：
您的每一個Star都是對我們最大的肯定：）
QQ交流群：
您的每一個問題都會幫我們成為更好的自己：）
QQ群號： 815254379
同時，也歡迎您關注滴滴技術公眾號，我們會及時釋出最新的開源資訊和技術乾貨！
