中新網6月10日電 從學界到工業界，“開源”已經成為AI領域的一個關鍵詞。一方面，它以“授人以漁”的方式為AI構建了一個開放共進的生態環境，幫助行業加速AI應用落地；另一方面，在解決行業實際問題時持續更新和迭代，源源不斷地給AI領域輸送重要的技術養料和創造力，可以說開源是AI落地和繁榮不可或缺的源動力。
6月10日，騰訊優圖實驗室宣佈正式開源新一代移動端深度學習推理框架TNN，透過底層技術最佳化實現在多個不同平臺的輕量部署落地，效能優異、簡單易用。基於TNN，開發者能夠輕鬆將深度學習演算法移植到手機端高效的執行，開發出人工智慧 APP，真正將 AI 帶到指尖。
輕量級部署，TNN助力深度學習提速增效
深度學習對算力的巨大需求一直制約著其更廣泛的落地，尤其是在移動端，由於手機處理器效能弱、算力無法多機拓展、運算耗時長等因素常常導致發熱和高功耗，直接影響到app等應用的使用者體驗。騰訊優圖基於自身在深度學習方面的技術積累，並借鑑業內主流框架優點，推出了針對手機端的高效能、輕量級移動端推理框架TNN。
TNN在設計之初便將移動端高效能融入核心理念，對2017年開源的ncnn框架進行了重構升級。透過GPU深度調優、ARM SIMD深入彙編指令調優、低精度計算等技術手段，在效能上取得了進一步提升。
低精度計算的運用對TNN的效能提升發揮了重要作用。在神經網路計算中，浮點精度在許多研究和業務落地成果上都被證明存在一定冗餘，而在計算、記憶體資源都極為緊張的移動端，消除這部分冗餘極為必要。TNN引入了INT8、 FP16、 BFP16等多種計算低精度的支援，相比大部分僅提供INT8支援的框架，不僅能靈活適配不同場景，還讓計算效能大大提升。TNN透過採用8bit整數代替float進行計算和儲存，模型尺寸和記憶體消耗均減少至1/4，在計算效能上提升50%以上。同時引入arm平臺BFP16的支援，相比浮點模型，BFP16使模型尺寸、記憶體消耗減少50%，在中低端機上的效能也提升約20%。驍龍615平臺實測：通用、輕便是TNN框架的另一大亮點。長久以來，不同框架間的模型轉換都是AI專案應用落地的痛點。TNN設計了與平臺無關的模型表示，為開發人員提供統一的模型描述檔案和呼叫介面，支援主流安卓、iOS等作業系統，適配CPU、 GPU、NPU硬體平臺。企業一套流程就能部署到位，簡單易用、省時省力。同時， TNN透過ONNX可支援TensorFlow, PyTorch, MXNet, Caffe等多種訓練框架，目前支援ONNX運算元超過80個，覆蓋主流CNN網路。TNN所有運算元均為原始碼直接實現，不依賴任何第三方，介面易用，切換平臺僅需修改呼叫引數即可。
開源文化興起，AI底層技術助推產業發展
事實上，作為騰訊旗下頂級AI實驗室，騰訊優圖長期致力於AI基礎設施的研發和推進。此前，騰訊優圖已開發了Rapidnet 前向計算框架、RapidAIoT 邊緣計算框架，實現了業界首個專注移動端的推斷框架ncnn的開源，並在業界受到廣泛推崇。從2017年開源至今，ncnn在GitHub上star(8.9k)和 fork(2.3k)數均領先於其它各大推理框架。
據悉，TNN已於3月中旬在騰訊內部開源，為騰訊QQ、QQ空間、騰訊微視、騰訊雲、天天P圖等多款產品和服務中持續提供技術能力，釋放出更多效能。
“TNN已在GitHub上開源，歡迎業界人士參與協同共建，共同打造更優的移動端推理框架。“騰訊優圖實驗室副總經理吳永堅介紹，騰訊優圖後續將在現有CV業務的基礎上研發更多的AI推理模型，如語音、NLP等相關業務，同時開展針對CPU、GPU伺服器端的服務，為業界公司提供更廣泛的最佳化服務。 “作為產業發展的高速公路，以深度學習框架、元件為代表的AI基礎設施將是未來的主流趨勢，騰訊優圖也將以此為著力點，助推產業發展。”吳永堅表示，騰訊優圖還將持續開發模型訓練元件、模型壓縮元件、基礎演算法元件，並擇機開源，希望從框架到平臺、到演算法，打造一體化的AI基礎設施，降低AI門檻，加速產業發展。
隨著以開源為代表的新程式碼文化的興起，騰訊近年來在開源領域表現亮眼：在全球最大的程式碼託管平臺GitHub上，騰訊釋出的開源專案已經超過一百個，涵蓋雲原生、大資料、AI、雲計算、安全、硬體等多個熱門的技術方向。
透過開源協同，騰訊將各個事業群最底層和共性的技術能力進行梳理和拉通，在業務實踐和海量使用者檢驗下，優質的內部開源專案不僅在公司層面推廣複用，同時也對外貢獻整個開源社群。僅在Github上，騰訊的開源專案就收穫了30w star數，躋身國際上有影響力的開源企業之一。
在開源的道路上，騰訊不僅將內部優質專案持續對外開放，也積極與開源社群協同合作，發揮中國企業的科技力量，推動開源和開放進一步升級。
開源地址：https://github.com/Tencent/TNN