知乎大佬们好，我懂深度学习算法，目前想往模型部署优化这个方向发展，请问学习路线是什么？
请问如何满足如图所示jd，我现在只会Python，每天工作就是写脚本处理数据，训练模型，但是没什么工程能力，我想往模型部署优化，算法落地这个方向发展，请问该怎么学习与规划。请学习路线是什么？ 模型部署优化这个方向其实比较宽泛。从模型完成训练，到最终将模型部署到实际硬件上，整个流程中会涉及到很多不同层面的工作，每一个环节对技术点的要求也不尽相同。
文：王佩琪部署的流程大致可以分为以下几个环节：
一、模型转换
从训练框架得到模型后，根据需求转换到相应的模型格式。模型格式的选择通常是根据公司业务端 SDK 的需求，通常为 caffe 模型或 onnx 模型，以方便模型在不同的框架之间适配。
该环节的工作需要对相应的训练框架以及 caffe/onnx 等模型格式有所了解。
常用的 Pytorch 和 TensorFlow 等框架都有十分成熟的社区和对应的博客或教程；caffe 和 onnx 模型格式也有很多可参考和学习的公开文档。
即使没找到有可参考的文章时，好在二者都是开源的，依然可以通过对源码和样例代码的阅读来寻找答案。
二、模型优化
此处的模型优化是指与后端无关的通用优化，比如常量折叠、算数优化、依赖优化、函数优化、算子融合以及模型信息简化等等。
部分训练框架会在训练模型导出时就包含部分上述优化过程，同时如果模型格式进行了转换操作，不同IR表示之间的差异可能会引入一些冗余或可优化的计算，因此在模型转换后通常也会进行一部分的模型优化操作。
该环节的工作需要对计算图的执行流程、各个 op 的计算定义、程序运行性能模型有一定了解，才能知道如果进行模型优化，如何保证优化后的模型具有更好的性能。
了解得越深入，越可以挖掘到更多的模型潜在性能。
三、模型压缩
广义上来讲，模型压缩也属于模型优化的一部分。模型压缩本身也包括很多种方法，比如剪枝、蒸馏、量化等等。模型压缩的根本目的是希望获得一个较小的模型，减少存储需求的同时降低计算量，从而达到加速的目的。
该环节的工作需要对压缩算法本身、模型涉及到的算法任务及模型结构设计、硬件平台计算流程三个方面都有一定的了解。
当因模型压缩操作导致模型精度下降时，对模型算法的了解，和该模型在硬件上的计算细节有足够的了解，才能分析出精度下降的原因，并给出针对性的解决方案。
对于模型压缩更重要的往往是工程经验，因为在不同的硬件后端上部署相同的模型时，由于硬件计算的差异性，对精度的影响往往也不尽相同，这方面只有通过积累工程经验来不断提升。
OpenPPL 也在逐步开源自己的模型压缩工具链，并对上述提到的模型算法、压缩算法和硬件平台适配等方面的知识进行介绍。
四、模型部署
模型部署是整个过程中最复杂的环节。从工程上讲，主要的核心任务是模型打包、模型加密，并进行SDK封装。
在一个实际的产品中，往往会用到多个模型。
模型打包是指将模型涉及到的前后处理，以及多个模型整合到一起，并加入一些其他描述性文件。模型打包的格式和模型加密的方法与具体的 SDK 相关。在该环节中主要涉及到的技能与 SDK 开发更为紧密。
从功能上讲，对部署最后的性能影响最大的肯定是 SDK 中包含的后端库，即实际运行模型的推理库。开发一个高性能推理库所需要的技能点就要更为广泛，并且专业。
并行计算的编程思想在不同的平台上是通用的，但不同的硬件架构的有着各自的特点，推理库的开发思路也不尽相同，这也就要求对开发后端的架构体系有着一定的了解。
具体到不同架构的编程学习，建议参考当前各大厂开源的推理库来进一步学习。
尝试一下：《从 0 到 1，使用 OpenPPL 实现一个 AI 推理应用》
加入我们：《OpenPPL 招人啦！》
欢迎 star
openppl-public/ppl.nn 交流 QQ 群：627853444，入群密令 OpenPPL 一般你部署的每一个硬件平台都有自己家的推理框架，需要自己做的任务基本也就是调用api来对一些模型进行落地，这其实不难，只要稍微熟悉一些c/c++即可。如果想进阶，学习一些优化的知识，比如卷积优化算法winograd,sgemm，或者更深入的汇编优化等等可以关注知乎移动端专栏或者GiantPandaCV公众号，都会带来一些比较良心的部署优化相关的文章。 深度学习进阶：算法与应用5 手写数字识别 懂深度学习算法就不会问这个问题了... 你应该是会调用ops自己组网... 但是对框架本身不懂。从要求来看，主要侧重于优化方面，而且是边缘优化，看起来是对性能要求较高的手机端app部署... 这个建议看看各路来源框架吧，
边缘部署
菊厂的mindsphore，小米的mace，腾讯的TNN，apache tvm, 亚马逊的SageMaker Neo
然后需要会QNN加速(一般写一行转化就好)
会并行计算懂CUDA我觉得比较硬盒了，除非是自己组需要自己写模型，不用框架，就是前向后向运算都要自己撸... 否则一般不会接触到CUDA的...
然后服务器部署的话，服务器不同的点是，要保证低延迟而且稳定两个特性，同时要兼顾高并发以及可扩展性。这些集其一身的话用的比较多的就是Flask+Gunicorn (PyThon)。对于Java来说建议学AWS出的DJL:
Deep Java Library总之学习路线不再是深度学习本身，要懂一些服务部署的知识，同时还有各种优化的方法。还有常见框架动态图转静态图的算法之类的。 插个眼~
我觉得这个问题问的非常好，期待下大佬们的回答！
说下我的情况吧。
我从毕业开始做图像算法，四年多的时间。我记得刚毕业那会儿（16年），行业内的图像解决方案基本上都是adaboost，SVM然后加上传统图像处理的手段，然后突然到16年年底的时候，新出来的文章很多都是DL方向的了，甚至感觉是爆发式的一样，全行业开始搞AI，然后产品宣传，铺天盖地都是AI。然后我也感觉有点懵逼，随大流呗，然后开始搞caffe。
最开始上手DL，搞caffe，然后搞 RCNN -> Fast RCNN ->Faster RCNN，后来搞darknet，这些框架真的牛逼，只是自己搭网络，增加新层会比较麻烦，后来SSD出来，自带了修改过的caffe，然后后来很长一段时间都在ssd框架下玩，改backbone
再后来，逐渐转到pytorch，keras，框架做的越来越好。api抽象程度越来越高，搭建网络和训练越来越不那么需要脑子了
然后随着每一年毕业生进入职场，大家都会看paper，都会调框架，内卷都快卷出花来了
再回头看看项目落地，特别是边缘计算平台的落地，情况远没有算法这块乐观，模型压缩，计算加速，好像变得越来越高端
后来强迫自己去学了一下tensorRT，ncnn，发现这里面也是有套路可循，并且这种类似的框架的易用性也在变好，调用api也在越来越抽象，这是好事
直接去学习优秀的部署框架里面对基本算子的操作，可以对算法的理解更上一个台阶 题主贴的图里面提到了汇编和cuda，很有可能是这个团队里面的研究岗的自由度比较高，经常整出框架里面不支持的算子。
他们比较看中的应该是算子优化的能力吧，算子优化方面可以学习一下NCNN的代码，arm和x86的算子优化都比较完整。
https://github.com/Tencent/ncnn 这个jd看上去是一个算法中心里面工程组发的，大概率进去之后是做一些工具来帮助算法同学将算法落地到业务上，这个在我看来主要分为两个角度，性能优化的算法角度与工程角度，目标就是用尽可能低的代价取得尽可能高的指标
1、算法角度
从算法侧来做性能优化基本就是这几个套路：设计紧凑模型，模型剪枝，模型量化，知识蒸馏等等，除此之外就是在这几个套路上面再套个automl。要入手这个方向比较简单，顺着mit的hansong组最新的论文看就好，再顺着里面提到的参考文献挑感兴趣的看，不过他们组大部分工作是关于cv的，如果要做特定应用的性能优化直接在Google用关键字搜一下相关论文即可（只看大组和高引论文）。总体来说在算法角度上这个事没有特别深。
2、工程角度
工程角度上感觉这个事会更深一些，相对算法角度而言个人感觉难度也大很多，需要比较扎实的计算机基础。
如果从一个经过充分算法优化的pretrained模型出发，首先这个pretrained模型本质上就是一个经过序列化的DAG图，其中的每个节点就是一个算子（例如卷积），模型进行推理其实就是从输入节点开始遍历这个图，每个节点执行对应的算子进行计算，直到最后的输出节点。只从优化模型推理时间的角度来考虑的话（先不考虑peak memory优化，数据加载优化等），整个过程的时间其实就是花在每个节点上的时间之和，那么可以做的事情有两个：减小遍历的节点数和减小在单个节点上的时间。减小遍历的节点数也就是计算图优化，例如可以从输出节点反向遍历依赖的节点，将不需要的节点进行裁剪，还有就是将一些算子进行融合，例如将matmul+add操作合并为gemm，以及conv+bn层融合进单个conv层，计算图优化比较好的实践是Google的grappler。减小单个节点上的时间也就是算子优化，单个节点上花的时间由访存+计算两方面组成，有的算子是计算密集型的（例如conv），有的算子是访存密集型的（例如add），如果某个模型绝大部分都是访存密集型算子，那通过优化计算时间能得到的加速也会很有限（参考Amdahl加速定律）。优化算子除了高效的实现（例如用Winograd计算卷积，矩阵相乘时分块开多线程计算等）之外，还需要考虑部署平台的特性，例如不同平台不同指令集对低精度计算的支持不一样，Intel直到Cascade Lake才开始支持半精度浮点计算（bf16），在gpu上用半精度加速计算的套路在前几年的Intel cpu上就不好使了。
前面光是推理加速就一堆东西可以做，除此之外还有流计算等方向可以做很多事。总而言之工程方面想做的深不太容易，建议多看看计算机系统类的书籍（csapp和计算机系统量化方法等），除此之外再看看现有的解决方案（tensorrt，ncnn，tvm等），以及多实践。 hi大佬我有实现过简单的RNN落地手机App，Java调用tflite模型
当然用的是tf了，据说torch也有相应的功能，似乎和caffe差不多，
当然，阿里腾讯也有框架，MNN和NCNN，或许我们会再次相遇。 -菜鸡，也算走这个方向，安防行业，说说自己的看法。
-首先这个工作是开发。对算法的熟悉是为了帮助工程实现，对算法的要求和研究员的关键区别是不太需要算法上的创新。
1. 网络压缩，没深入过不太了解，个人感觉还是有点偏算法，实际干起来就变成 循环{训练}。或者搞计算图转换，算子融合；
2. 封SDK，这个看平台，有时候可能需要手撸部分计算代码，包括指令集啊CUDA啊啥的，因为稀奇古怪的需求很多，尤其是前后处理；
3. 打杂，嘿嘿嘿。。。
-这个应该还不是专业搞框架的，看看框架实现有助于实际工程落地，但框架和sdk还是有区别的。自下向上结构应该是这个样子：框架（tf等）-SDK-顶层应用（监控软件、手机美颜） ，作为中间商了解上下游才能赚差价
-核心技能也就是学习路线：
1. 压缩没深入过不太了解；
2. C/C++和python，数据结构，计算机原理等等开发的内功；
3. 经验经验经验经验经验！做这个平时的主要问题都是：小明，来需求了；小明，检测sdk挂了；小明，新上的识别太慢了；甚至是小明，测试机显卡是不是烧掉了。看看git上有些开源的完整的应用，啥检测美颜变脸什么的，是那种最后输出exe和apk（有上下游更好理解），不是一个脚本python run.py（并不是说所有python的工程都是这样，很多集群部署是python）；
4. 所有软件开发工程师的知识都应该有，一点点学，毕竟算是改行了。
总结就是，C/C++开发工程师做AI方面的软件开发，开发别的要会啥，这里也一样。
页:
[1]