滴滴开源 AoE！帮你在终端快速集成 AI 框架

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。滴滴开源的 AoE (AI on Edge) 将解决这一痛点，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。

背景

AoE 是什么

AoE (AI on Edge) 是一个滴滴开源的终端侧 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，原因有两个：

• 
  

• 一是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；

• 
  

• 
  

• 二是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。

• 
  

目前 AoE SDK 已经在滴滴银行卡 OCR 上应用，想更加清晰地理解 AoE 和推理框架、宿主 App 的关系，可以通过下面的业务集成示意图来了解它。

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）。

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。

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，此外 Linux 平台运行时环境 SDK 正在紧锣密鼓地开发中，预计在 9 月底也会和大家正式见面。

工作原理

抽象推理框架的处理过程

前面已经介绍了，不同推理框架包含着共性的过程，它们分别是初使化、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);}

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。

@Overridepublic 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%。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》。

MNIST 集成示例

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;    }}

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");

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();}

写在最后

帮助 AI 在终端落地，开源 AoE 集成运行环境是我们走出的第一步！未来，为终端的开发者提供更多推理框架的支持，提供更多有价值的特性，是我们不懈追求的目标。如果您对这个项目感兴趣，如果您在终端 AI 运行环境方面有想法，如果您在使用时有疑问，诚挚邀请您加入我们。QQ 群号：815254379