Kaldi 之父加盟后的小米开发者大会：亮眼 AI 开源项目逐一盘点

雷锋网 AI 开发者： 2019 年 11 月 19 日，小米开发者大会（MIDC，MI Developer Conference）在北京举行，1 场主论坛+12 场分论坛，将呈现 AIoT+5G 等主题为「智能新时代」的多个领域最新技术；同时，这也是一场开源盛会。

大会现场，小米集团副总裁、技术委员会主席崔宝秋不仅正式发布了支持更丰富的异构计算算子、降低跨设备运行性能损失的自研移动端深度学习框架 MACE 0.12.0 升级版；也发布了小米自用 NLP 技术 MiNLP 1.2；还宣布了 Pegasus 1.12 已在 GitHub 上线的消息。因此，雷锋网 (公众号：雷锋网) AI 开发者将开源内容整理编辑如下。

更丰富算子，更低性能损失

据了解，MACE 是专门为移动设备优化的深度学习模型预测框架，MACE 提供工具和文档，帮助用户将深度学习模型部署到移动电话、平板电脑、个人电脑和物联网设备上。

通过这一框架，小米可在移动端布局各类深度学习应用和算法，包括计算机视觉、语音识别等。据小米不完全统计，MACE 每天被调用 5000 万次。

MACE 从设计之初，便针对移动设备的特点进行了专门的优化，例如：

• 速度 在框架底层，针对 ARM CPU 进行了 NEON 指令级优化，针对移动端 GPU，实现了高效的 OpenCL 内核代码。针对高通 DSP，集成了 nnlib 计算库进行 HVX 加速。同时在算法层面，采用 Winograd 算法对卷积进行加速，从而契合在移动端进行计算的模型整体所需的预测延迟高要求。

• 功耗 框架针对 ARM 处理器的 big.LITTLE 架构，提供了高性能，低功耗等多种组合配置。针对 Adreno GPU，提供了不同的功耗性能选项，使得开发者能够对性能和功耗进行灵活的调整，从而解决移动端对功耗非常敏感这一问题。

• 系统响应 对于 GPU 计算模式，框架底层对 OpenCL 内核自适应的进行分拆调度，保证 GPU 渲染任务能够更好的进行抢占调度，从而保证系统的流畅度。

• 内存占用 通过对模型的算子进行依赖分析，引入内存复用技术，大大减少内存的占用。

更多详细可参考《小米开源自研移动端深度学习框架MACE》：

https://www.leiphone.com/news/201806/5PYJx9sVJDURvwpj.html

MACE 计算框架的整体结构

而现在，MACE 支持的应用场景大大增多，包括：AI 单摄、图片风格化、场景识别、图像超分辨率、翻译以及语音等。它针对移动芯片特性进行了大量优化，目前在小米手机上的人像模式、场景识别功能中已广泛应用。

用 MACE Model Zoo 中的 fast style transfer 模型在手机端生成的风格化图片

这次的升级，MACE 0.12.0 主要从以下四个方面入手，使其在实际应用中有了更大优势：

• 更丰富的异构计算算子

• 降低跨设备运行性能损失

• 新增 Kaldi 语音识别算子支持

• 新增 CMake 支持

其中，框架已支持的语音识别系统 Kaldi 是由 Daniel Povey（日前刚出任小米集团语音首席科学家）主导开发的开源语音识别系统，在众多语音识别测试和应用中有广泛的使用。

据介绍，MACE 已经支持大部分 Kaldi 系统内组件，以及 ONNX 形式的的 Kaldi 模型。此外，项目还提供了 Kaldi-onnx 转换工具。

值得注意的是，小米也在大会上公布了 MACE 近期（未来一两个月）的规划：

• 一是即将开源 MACE-Kit（人脸检测、人脸识别、语音识别、目标检测端到端 SDK）；

• 二是新增微控制器支持（全面支持手机与 IoT 设备超低功耗推理场景）；

崔宝秋也表示，在未来小米将继续加大在 Kaldi 上的投入，帮助打造一个国际化的开源社区，进一步引领开源的语音识别技术。

Github 地址：

https://github.com/XiaoMi/mace  

文档地址：

https://mace.readthedocs.io/en/latest/  

MACE Model Zoo 项目地址:

  https://github.com/XiaoMi/mace-models  

其它开源内容

MiNLP 1.2

今年年初，小米 MiNLP1.0 正式发布，该平台是小米基于声学自主深耕平台，在小米开发者大会上，崔宝秋表示小米 MiNLP 平台每天调用次数达到 60 亿次，然后正式发布 MiNLP 1.2。

新版 MiNLP 1.2 平台相较之前主要有两个重大更新：

• 调用模式从本地调用到支持云端、本地、移动端三端调用；

• 分析功能从词法分析拓展到句法和语义分析；

另外，新版平台也可以吸收和集成当前的前沿进展，并进行技术创新；同时，新版平台所支持的业务也进行了全面拓展，目前可支持公司的多项业务。

Pegasus 1.12 

Pegasus 是一个分布式 Key-Value 存储系统，最初是用于弥补 HBase 在可用性和性能上的不足。

Pegasus 系统的 Server 端完全采用 C++ 语言开发，从而避免了使用 Java 所带来的 GC 影响和虚拟机开销；同时，它也使用了 PacificA 协议支持强一致性，使用了 RocksDB 作为单机存储引擎。由于不依赖外部文件系统，Pegasus 的 IO 路径更短，延迟通常更加稳定可控。

模型设计上，Pegasus 则采用了哈希分片进行数据的拆分，分片（Partition）是系统内部数据迁移的最小单元，每一分片内的数据有序存储，各个分片之间数据隔离，每个分片对应一个单独的 RocksDB 实例。

它也可看做是 HBase 和 Redis 的结合体，保证了高的可用度，也具有好的伸缩性。如果业务对性能的要求不是太高（譬如 P99 要求在 1 毫秒以内），那么 Pegasus 将是个不错的选择。

对于升级后的 Pegasus 1.12，其性能变化主要有三点，包括：

• 提供 HTTP 接口，以获取集群元信息；

• 提供更好的多租户支持能力；

• 支持接入 Prometheus 监控系统； 

目前，Pegasus 1.12 则在提供一系列丰富的功能支持，如：快照冷备份、表的软删除、表级写限流等的基础上，有了更完善的高可用、高性能、强一致、易伸缩等性能。

Pegasus 1.12 Github 地址：

https://github.com/XiaoMi/pegasus  

更多关于 Pegasus 

https://pegasus-kv.github.io/overview/  

雷锋网 AI 开发者

雷锋网年度评选—— 寻找19大行业的最佳AI落地实践

创立于2017年的「AI最佳掘金案例年度榜单」，是业内首个人工智能商业案例评选活动。雷锋网从商用维度出发，寻找人工智能在各个行业的最佳落地实践。

第三届评选已正式启动，关注微信公众号“雷锋网”，回复关键词“榜单”参与报名。详情可咨询微信号：xqxq_xq

。