全面了解MindSporeLite轻量化推理工具（概念版）

一、参考资料

技术干货｜极速、极智、极简的昇思MindSpore Lite：助力华为Watch更加智能

二、相关概念

MCU

MCU的全称是Microcontroller Unit，中文可以称为微控制器或者单片机。MCU既可用于汽车电子、工业控制等领域，也可应用于小型和低功耗设备中。全球有数十亿台物联网（IOT）设备，大到扫地机器人、微波炉、音箱，小到手表、手环、电动牙刷等，都离不开MCU。MCU不仅承担计算任务，还可扩展接入众多外设，比如按键、麦克风、扬声器、摄像头和传感器等，实现与周围环境的互动。即便五年前，大部分MCU小型设备都不具备智能能力。

近几年，随着深度神经网络技术的快速发展，出现了TinyML的细分领域。**TinyML(微型机器学习)**是指机器学习或者深度学习应用于微型设备上的场景。简单来说，它是指在MCU设备上进行AI模型训练和推理。有了TinyML，再小的设备也可以具备智能化，而无需依赖昂贵的硬件或者可靠的互联网传输。TinyML的另一项优势是隐私保护，所有操作均在本地完成，无需向云侧发送任何数据。

智能手表是华为消费者业务除手机外另一个重要的产品，也是典型的MCU设备。华为在2015年发布了第一款智能手表。前两代手表自发布后，经常收到用户反馈在抬腕亮屏这个功能上体验不佳，比如亮屏时延较大、概率性不亮屏和误亮等，这些问题也间接造成了手表续航时间的减少，对华为品牌声誉造成影响。造成该问题长期存在的原因很多，比如早期使用的是传统算法（非深度学习）；使用了友商的推理框架，由于该框架没有对MCU设备进行优化，导致程序的ROM和RAM占用均较高，这对于资源受限的MCU设备来说，无疑雪上加箱。另外，该框架算子计算性能不佳，导致推理时延也比较大，最终导致亮屏时延较大。

三、MindSporeLite相关介绍

1. 概述

2020年，华为自研的深度学习框架MindSpore正式对外开源。作为一款优秀的全场景AI框架，MindSpore也提供对TinyML模型端到端的部署能力。MindSpore训练框架可以让用户快速入门AI应用，简单高效地训练出自己专属的AI模型。而MindSpore Lite for Micro作为一款超轻量AI推理引擎，让用户轻松部署自己的TinyML模型。MindSpore Lite for Micro核心理念是“模型即代码”，会根据目标硬件的CPU体系结构、内存状况，以低功耗、高性能和无第三方依赖为优化目标，为每个模型生成专属的高效推理代码。

在这里插入图片描述

该方案分为Host和Device两个阶段。在Host阶段，我们会对AI模型进行各种算子转换和图优化操作，大幅缩减冗余计算，力求在目标硬件上达到最优推理性能。这里的模型不单指MindSpore的模型，还支持其他主流模型格式接入，比如TF、TFLITE、ONNX和CAFFE等。我们还支持训练后量化，实现模型更小、推理更快。Device阶段，用户需要将生成的目标源代码进行交叉编译，部署到目标硬件上。我们生成代码的同时，配套提供了CMake的构建工程，大大方便了用户集成。

在这里插入图片描述

2021年6月2日，HarmonyOS及华为全场景新品发布会上，作为华为旗舰智能腕表的WATCH 3正式发布。该款产品内置了我们MindSpore Lite for Micro超轻量AI引擎，实现了误亮屏减少50%、超长续航模式下续航提升1.2天、ROM和RAM占用均大幅减少的优秀成绩，取得了不俗的市场评价和用户口碑。在解决长期困扰手表用户的抬腕亮屏问题背后，是MindSpore Lite for Micro针对MCU设备的精准定位。首先，它在模型小型化上做到极致，通过模型优化和代码裁剪大幅降低代码量，从而降低ROM的空间占用。其次，它通过代码优化提升内存块复用，从而减少RAM空间占用。最后，基于开源CMSIS-NN算子库进行卷积类算子优化，进一步提升性能，降低时延。

2. 架构图

MindSpore端云协同全场景

在这里插入图片描述

MindSporeLite架构图

在这里插入图片描述

3. 架构分析

MindSpore Lite整体架构介绍

总体架构

在这里插入图片描述

Frontend前端

负责模型转换，用户可以通过模型构建接口构建模型，将第三方模型和MindSpore训练的模型转换为MindSpore Lite模型，其中第三方模型包括TensorFlow Lite、Caffe和ONNX模型。

MindIR模块

复杂而Tensor定义、算子定义、图定义。

Backend后端

基于IR进行图优化，包括GHLO、GLLO和量化三部分。其中，GHLO负责和硬件无关的优化，如算子融合、常量折叠等；GLLO负责与硬件相关的优化；量化Quantizer支持权重量化、激活值量化等训练后量化手段。

Micro模块

IOT设备运行时，包括模型生成.c文件、线程池、内存复用、算子库。

Lite RT模块

Lite RT（Runtime），智能终端的推理运行时，其中session负责会话管理，提供对外接口；线程池和并行原语负责图执行使用的线程池管理，内存分配负责图执行中各个算子的内存复用，算子库提供CPU、GPU和NPU算子。

注意：Lite RT和Micro共享底层的算子库、内存分配、线程池、并行原语等基础设施层。

4. MindSporeLite特性

极致性能

高效的内核算法和汇编级优化，支持CPU、GPU、NPU异构调度，最大化发挥硬件算力，最小化推理时延和功耗。

轻量化

提供超轻量化的解决方案，支持模型量化压缩，模型更小跑得更快，使能AI模型极限环境下的部署执行。

全场景支持

支持IOS、Android、HarmonyOS等手机操作系统以及LiteOS嵌入式操作系统，支持手机、大屏、平板、IOT等各种智能设备上的AI应用。

高效部署

支持MindSpore/TensorFlow Lite/Caffe/ONNX模型，提供模型压缩、数据处理等能力，统一训练和推理IR，方便用户快速部署。

5. FP16推理

MindSporeLite全面支持ARMv8.2的FP16推理，推理时延基本达到FP32推理的二分之一，FP16推理方案已经在华为HMS MLKit和华为手机预置的各类AI服务中普遍应用。

6. Int8量化

对于量化算子，MindSporeLite实现在算法层面加入如Convolution Kernel为3x3的Winograd优化算法（目前主要针对非ARMv8.2机型），在支持ARMv8.2的高端机型上使用SDOT指令对MatMul、Full Connection、Convolution等算子进行优化，以及提高底层缓存命中率的一系列优化策略。使用TF Hub官方预置的量化模型，测试证明：MNN存在大量量化模型无法转换问题，TF Lite对自家模型也存在转换问题。

7. 硬件支持

横向方面（复杂的异构芯片）做的更广，纵向方面（支持FP32、FP16、INT8、UINT8）做的更深。

MindSporeLite支持ARM CPU、ARM GPU、X86 CPU、Kirin NPU、MTK APU多种硬件平台。

在这里插入图片描述

8. 软硬件异构加速

卷积计算适合在NPU上运行，resize、图像插值适合在GPU上并行运算。针对不同的算子或者不同的芯片异构，会将算子放到不同的地方处理。

在这里插入图片描述

9. 支持端侧训练

由于使用公共数据集训练的模型与真实用户场景存在一定的偏差，比如人脸识别、语音识别等场景，往往需要利用本地数据对预训练模型进行微调，从而提高本地模型推理的精度，改善用户体验。

在这里插入图片描述

支持30+反向算子，提供SGD、ADAM等常见优化器及CrossEntropy/SparsCrossEntropy/MSE等损失函数；既可从零训练模型，也可指定特定网络层微调，达到迁移学习目的;
已支持LeNet/AlexNet/ResNet/MobileNetV1/V2/V3和EffectiveNet等网络训练，提供完整的模型加载，转换和训练脚本，方便用户使用和调测;
MindSpore云侧训练和端侧训练实现无缝对接，云侧模型可直接加载到端侧进行训练;
支持checkpoint机制，训练过程异常中断后可快速恢复继续训练;

四、MindSporeLite优化

超轻量AI引擎MindSpore Lite

MindSporeLite为AI模型推理提供高性能和超轻量的解决方案：通过高效的内核算法和编译级优化，以及CPU、GPU、NPU的异构调度，可以充分发挥硬件算力，实现最小化推理时延和功耗；提供模型量化压缩技术，采用训练后量化（Post-Training Quantization，PTQ），无需数据集即可直接将权重数据从浮点型映射到低比特的定点数据，有效降低模型的大小，助力AI模型在资源受限环境下的部署执行。

1. 性能优化

支持ARM CPU(FP16/FP32/INT8)性能优化，ARM GPU推理性能大幅提升。同时为了更好的支持PC侧推理，在X86_64算子方面做了大量汇编层面的优化。

2. ARM CPU优化

引入减少计算量的更优算法，尽可能减少硬件访存，提高指令吞吐量。

MindSporeLite是目前端侧推理框架中CPU算子支持最丰富的框架之一，模型转换工具支持TF Lite（100个）、TF（53个）、ONNX（96个）、Caffe（26个）等第三方框架算子定义的解析，做到了高兼容性。同时，MindSporeLite实现了121个FP32，55个FP16以及71个INT8 CPU算子。MindSporeLite1.1版本对控制流算子进行了一次大的调整和完善，以便更好支持语音类模型。

3. ARM GPU优化

MindSporeLite重点优化了GPU推理性能，除了在算子层面进行常规优化外，还支持在线融合、Auto Tuning、OpenCL Kernel二进制cache机制等多种优化方式，使得整体性能有显著提升。

实验证明，同样在华为Mate30上使用TF Hub官方100+预置模型与MNN（1.1版本）和TF（2.4版本），进行GPU推理性能对比测试，测试结果显示：MindSporeLite在GPU推理性能大部分模型上优化TF Lite，而对MNN则优势明显。

基本实现常用CV类网络覆盖，支持权重量化，实现8bit权重量化网络在GPU整网运行。

4. Kirin NPU优化

支持华为麒麟NPU硬件平台，支持大部分CV类模型在NPU上的加速运行。

5. X86_64 CPU优化

在Intel Core i7-8700的CPU上与Intel OpenVINO和MNN在几个经典CV类网络上进行benchmark测试，从测试结果看MindSporeLite性能比MNN和OpenVINO都有一定优势。

在这里插入图片描述

6. 自动图优化

MindSpore云测和端侧共用一个IR，从而做到了端云统一。同时，部分的云测图优化会复用到端侧，而端侧实现了一个自动的图优化。

自动图优化，包括：算子融合、算子替换、算子前移三种不同方式，来大幅减少冗余计算。在训练阶段，conv卷积、BN、activation激活三个算子不能融合在一块，因为activation激活算子有自己对应的反向算子，每一层的算子都有自己对应的反向算子，对其进行梯度求解的时候，不能够进行融合。但是，在推理阶段，为了更好的减少冗余算子，公式中每一个计算都会有一个输入和输出，为了避免输入和输出不断的在内存里调度（搬运），所以把conv卷积、BN、activation激活统一融合为conv卷积算子，减少内存的读写和计算量，这就是算子融合。

在这里插入图片描述

7. 算子-指令级深度调优

在MindSpore开始研发阶段，第一个版本不是手写指令集去实现算子的，而是用TVM去实现的，但TVM在不同手机上测试，发现TVM的性能并不高。于是MindSpore团队开始自己去实现指令集，去实现不同的算子。

以conv卷积算子为例，先实现最常用、最简单的ConvCommon算子，后来实现完这个算子之后，发现在3x3卷积算子的Winograd算法运行的效率更高，于是有了Winograd算子。后来，在实现kernel 1x1的conv算子的时候发现，当卷积核W和H都是1的时候，可以用Strassen算法实现的效率更高。

总结：在整个版本的演进迭代当中，演化了非常多的不同的卷积算法，而针对不同的卷积算法，使用了硬件指令集去优化，包括SIMD指令、指令流水Tiling、Cache优化等，通过不同的优化方法，让AI模型跑得更快。

在这里插入图片描述

8. 算子融合

当前MindSporeLite版本已经基本覆盖了CV领域通用的卷积相关融合pattern，同时针对基于Transformer结构的语言模型和LSTM结构的模型进行了深度融合优化，主要包括将小算子融合成Layernorm、LSTM等大算子，多个MatMul融合成BatchMatMul算子，Slice算子切分矩阵的前移融合等，使得语音类模型获得20%+提升。

换句话说，MindSporeLite对Transformer、LSTM结构的模型优化效果不佳，有待提升。