過去三年是端側AI高速發展的幾年，華為在2020年預言了端側AI的發展潮流，2021年透過提供端雲協同的方式使我們的HiAI Foundation應用性更進一個臺階，2022年提供影片超分端到端的解決方案，在2023HDC大會上，HiAI Foundation基於硬體能力的開放，提供更多場景高效能的解決方案。
華為HiAI Foundation提供了高效能AI運算元和豐富的AI特性的介面，App直接對應HiAI Foundation的DDK。今年完整支援了HarmonyOS NEXT，開發者無需修改任何程式碼，只需按照HarmonyOS NEXT的要求重新編譯即可執行。同時，在開發者聯盟網站有HarmonyOS NEXT指導文件，在Gitee上也開源了對應的Demo，降低大家的整合成本。
今年，華為在原有的基礎上，擴充了更多端側AI場景解決方案。
華為HiAI Foundation是基於硬體創新架構的能力開放，構建了一個高效能的NPU、CPU、GPU運算元，同時提供整網融合、AIPP硬化預處理、運算元搜尋工具、異構計算等多元的基礎能力，在硬體創新架構和多元競爭基礎的能力上，提供生態開放機制，在生態開放機制上提供對使用者開放的介面DDK工具鏈、模型輕量化、運算元庫動態升級、開源等等機制。
華為HiAI Foundation主要由以下幾個部分構成，首先是HiAI Foundation DDK推理加速平臺，它主要完成與上層推理框架的接入，使開發者可以遮蔽底層硬體，能夠更加聚焦於模型效果的最佳化。第二部分是異構計算HCL平臺，它主要是使能各個硬體，比如NPU、CPU、GPU。第三部分是提供對應的工具鏈，包括模型轉換工具鏈、異構調優工具鏈。同時我們也提供了統一的API，透過一次開發可以做到賦能多形態的裝置硬體上執行，並且華為HiAI Foundation可以與HarmonyOS實時融合。
下面以典型AI場景為例，從部署的角度來探索一下華為HiAI Foundation是如何完成這些挑戰，並最終實現這些場景的落地。
視覺類加速方案人像分割
我們知道人像分割通常用於影片中的背景替換、長短影片的彈幕穿人玩法等。華為HiAI Foundation透過人像分割，透過AIPP硬化預處理指令、模型量化，使得人像分割達到效能和功耗的業務要求。從影片解碼和開通預覽流到AIPP推理和GPU渲染，有多個過程參與，華為HiAI Foundation不僅要進行推理，還要完成上下游的深度協同。
影片流和開放預覽幀到模型，以人像分割為例，人像分割要求的輸入是RGB格式，並且輸入要求是固定的尺寸，影片解碼幀和預覽流出來的資料，要求支援影像預處理的指令，並且把它硬化到NPU裡面，所以人像分割提供了包括圖片縮放resize、圖片旋轉rotation、色域轉換color space convert的能力。基於華為實驗室測試結果，實現效能提升20%，模型大小縮小75%，精度損失1%以內，效能提升19%。
第二部分是模型在NPU上的高效運算元推理，推理結束之後將結果送到GPU上做渲染。在傳統方案中，NPU和GPU通常是操作兩塊不同的記憶體，華為HiAI Foundation提供了零複製的介面，將NPU和GPU在同一塊記憶體上操作，並且在格式上保持嚴格一致，透過多IP協同+AIPP實現高效人像分割計算。
在端側部署過程中提供了模型視覺化+Profiling工具，透過模型視覺化了解HiAI Foundation結構，透過Profiling知道IP的分佈，包括運算元在NPU和GPU的推理時間，綜合起來透過視覺化工具和Profiling工具設計出系統友好的結構，設計效能最佳的模型。
透過Profiling工具瞭解到模型運算元的效能不夠友好，然後把它反饋到HiAI Foundation，我們在支援好這些運算元之後，透過端雲協同的方式快速推送到使用者手中，使使用者能夠儘快上線業務。本次華為在端雲協同助力效能最佳化快速升級方面做了全面的升級，開發者無SDK就可以整合，相比原來繁瑣的整合要求，可以做到無感整合。
語音類的加速方案語音識別
端側部署語音識別實時出字、響應快，在端側執行可以保證使用者的隱私，此外華為能做到在NPU上執行，穩定性高，並且可以降低雲側的資源部署成本。在語音識別這一塊，HiAI Foundation支援的是端到端的Transformer模型，全部在雲端推理。基於華為實驗室測試結果，模型量化模型大小縮小74%，精度損失1%以內。
模型如圖所示，支援Transformer模型，開發者可以根據自身的業務，根據效能和泛化性來進行定製，也可以實現高效的運算元融合。
將原來需要頻繁和記憶體互動的指令融合成一個大的運算元，透過對這些關鍵結構進行運算元融合，總共帶來了60%的功耗收益，將左邊很多小運算元組成的結構融合成一個大運算元，避免這些小運算元頻繁和記憶體進行互動，從而提升了運算效率。
在端側部署的過程中，儲存空間也是開發者們關注的問題，希望用更小的儲存空間來實現更多更強的能力，所以華為提供量化工具鏈，透過量化工具鏈可以量化出更小巧、更靈活的模型。以人像分割和語音識別為例，基於華為實驗室測試結果，它們的儲存大小能夠相比32位浮點減少70%以上，精度WER指標相比32浮點小於1%，相應的功率也有一定的提升。
在端側AI部署中會涉及到硬體、軟體和AI演算法，所以華為透過開源的方式來加速業務，透過更多方式靈活部署。目前開放了推理原始碼的開源，透過開源可以做到和App、第三方深度學習框架對接，同時可以基於自身的需求做靈活的定製裁剪，做到開發靈活，透過這些開源平臺能和開發者溝通更便捷。透過這些開源，開發者可以快速下載、編譯，即可在華為手機上用NPU做推理，更高效整合業務。
未來，華為會探索Transformer模型更加泛化、更高能效的場景化解決方案，同時在端雲協同上也會探索更多更高效能場景的能力支援，也會透過ModelZoo提供更多場景NPU友好的模型結構，使用者可以設計更加NPU友好的模型結構。
瞭解更多詳情>>
關注我們，第一時間瞭解 HMS Core 最新技術資訊~