繼PaddlePaddle之后，百度研發(fā)的移動(dòng)端深度學(xué)習(xí)框架也加入Github開源網(wǎng)站啦！百度方面表示，這一框架致力于讓卷積神經(jīng)網(wǎng)絡(luò)可極度簡單的部署在手機(jī)端。目前正在手機(jī)百度內(nèi)運(yùn)行。支持iOS gpu計(jì)算，體積小，速度快。

• 體積 armv7 340k+

• 速度 iOS GPU mobilenet 可以達(dá)到 40ms、squeezenet 可以達(dá)到 30ms

我們先來看看運(yùn)行效果：

看完Demo，如果你想了解demo源碼實(shí)現(xiàn)可以往下看，它位于examples目錄中。

運(yùn)行examples文件

1. 復(fù)制項(xiàng)目

2. 安裝apk\ipa文件或者導(dǎo)入IDE.

3. 運(yùn)行

開發(fā)或使用要求

• 安卓用戶：安裝NDK

• 安裝Cmake.

• Android NDK CMake 文件

• 安裝Protocol Buffers.

如何使用MDL lib

在OSX或者Linux上運(yùn)行測試

在項(xiàng)目中使用MDL lib

在MDL lib使用多線程

開發(fā)

編譯android的MDL源碼

編譯iOS的MDL源碼

模型轉(zhuǎn)換

MDL需要兼容的型號(hào)才能使用。要獲得MDL兼容模型，程序員可以使用百度的腳本將其他深度學(xué)習(xí)工具訓(xùn)練的模型轉(zhuǎn)換為MDL模型。

百度方面強(qiáng)烈建議使用PaddlePaddle模型。

將PaddlePaddle模型轉(zhuǎn)換為mdl格式

Paddlepaddle型號(hào)可以轉(zhuǎn)換為MDL型號(hào)

將caffemodel轉(zhuǎn)換為mdl格式

#Convert model.prototxt and model.caffemodel to model.min.json and data.min.bin that mdl use

./build.sh mac

cd ./build/release/x86/tools/build

# copy your model.prototxt and model.caffemodel to this path

./caffe2mdl model.prototxt model.caffemodel

# if you want to test the model produced by this script, provide color value array of an image as the third parameter ,like this:

./caffe2mdl model.prototxt model.caffemodel data

# the color value should in order of rgb,and transformed according to the model.

# then you will get a new data.min.bin with test data inside

# after this command, model.min.json data.min.bin will be created in current

# some difference step you need to do if you convert caffe model to iOS GPU format

# see this:

open iOS/convert/iOSConvertREADME.md

特征

• 一鍵部署，腳本參數(shù)就可以切換ios或者android

• 支持iOS gpu運(yùn)行MobileNet、squeezenet模型

• 已經(jīng)測試過可以穩(wěn)定運(yùn)行MobileNet、GoogLeNet v1、squeezenet模型

• 體積極小，無任何第三方依賴。純手工打造。

• 提供量化腳本，對(duì)32位float轉(zhuǎn)8位uint直接支持，模型體積量化后4M上下

• 與ARM相關(guān)算法團(tuán)隊(duì)線上線下多次溝通，針對(duì)ARM平臺(tái)會(huì)持續(xù)優(yōu)化

• NEON使用涵蓋了卷積、歸一化、池化所有方面的操作

• 匯編優(yōu)化，針對(duì)寄存器匯編操作具體優(yōu)化

• loop unrolling 循環(huán)展開，為提升性能減少不必要的CPU消耗，全部展開判斷操作

• 將大量繁重的計(jì)算任務(wù)前置到overhead過程

MDL使用的是寬松的MIT開源協(xié)議。

如果你不想了解CNN細(xì)節(jié)實(shí)現(xiàn)，百度在項(xiàng)目開源頁面（https://github.com/baidu/mobile-deep-learning）也附加了安裝的二維碼，可以直接掃碼安裝。