技術(shù)的傳播采用通常是由用戶體驗(yàn)的飛躍引發(fā)的。例如，iPhone 促使智能手機(jī)和“應(yīng)用商店”的快速普及。最近，TensorFlow 的易用性啟動(dòng)了人工智能的大規(guī)模增長(zhǎng)，幾乎觸及了我們今天日常生活的方方面面。

OpenVINO工具套件重新定義了采用英特爾技術(shù)設(shè)備上的 AI 推理能力，并獲得了廣大開(kāi)發(fā)人員采用。如今，成千上萬(wàn)的開(kāi)發(fā)人員使用 OpenVINO 工具套件來(lái)加速幾乎所有可以想象到的 AI 推理應(yīng)用場(chǎng)景，從人類視覺(jué)仿真，自動(dòng)語(yǔ)音識(shí)別，自然語(yǔ)言處理，推薦系統(tǒng)等等。該工具包基于最新一代的人工神經(jīng)網(wǎng)絡(luò)，包括卷積神經(jīng)網(wǎng)絡(luò) （CNN）、基于循環(huán)和注意力的網(wǎng)絡(luò)，擴(kuò)展計(jì)算機(jī)視覺(jué)和非視覺(jué)工作負(fù)載，可跨英特爾 硬件（英特爾 CPU、英特爾集成顯卡 、英特爾 神經(jīng)計(jì)算棒 2 和英特爾 視覺(jué)加速器設(shè)計(jì)與英特爾 Movidius VPU）從而最大限度地提高性能。它通過(guò)從邊緣部署到云的高性能、AI 和深度學(xué)習(xí)推理來(lái)加速應(yīng)用。

我們很榮幸能與客戶/開(kāi)發(fā)者合作，為他們的成功做出貢獻(xiàn)。透過(guò)不斷傾聽(tīng)和創(chuàng)新，以滿足他們不斷變化的需求，同時(shí)也致力于提供世界一流的用戶體驗(yàn)。因此，根據(jù)客戶反饋，在OpenVINO 工具套件的成功基礎(chǔ)上，我們將OpenVINO 與TensorFlow* 集成。

有在涉略 AI 邊緣運(yùn)算的各位們對(duì)于 OpenVINO 應(yīng)該都有基礎(chǔ)的了解：不同框架（如 TensorFlow、PyTorch 等）訓(xùn)練完成的模型文件在經(jīng)由 OpenVINO 轉(zhuǎn)換后可以在不同邊緣運(yùn)算裝置執(zhí)行推理加速。

若筆者告訴各位，現(xiàn)不用經(jīng)過(guò)模型轉(zhuǎn)換可以直接在 TensorFlow 中推理時(shí)完成 OpenVINO 加速呢？

是的你沒(méi)看錯(cuò)！英特爾在 2021 下半年推出的OpenVINO integration with TensorFlow（以下簡(jiǎn)稱OVTF）能夠?qū)崿F(xiàn)在 TensorFlow 中介接 OpenVINO 執(zhí)行推理加速。

OpenVINO x TensorFlow幸福來(lái)得太突然

對(duì) TensorFlow 開(kāi)發(fā)人員的好處：不須轉(zhuǎn)換, 只需加 2 行代碼即可加速其 TensorFlow 模型的推理速度。

OpenVINO 與 TensorFlow* 的集成提供了增強(qiáng) TensorFlow 兼容性所需的 OpenVINO 工具套件內(nèi)聯(lián)優(yōu)化和 run time。它專為使用OpenVINO 工具包的開(kāi)發(fā)人員而設(shè)計(jì) - 幫助提高其推理應(yīng)用程序的性能 - 只需最少的代碼修改。它可以加速各種英特爾 芯片上許多 AI 模型的推理，例如：

英特爾中央處理器

英特爾集成顯卡

英特爾Movidius視覺(jué)處理單元 – 又稱 VPU

采用 8 個(gè)英特爾MovidiusMyriadX VPC 的英特爾視覺(jué)加速器設(shè)計(jì) - 稱為 VAD-M 或 HDDL

利用此集成的開(kāi)發(fā)人員可預(yù)期以下好處：

性能加速- 與原本 TensorFlow 相比(取決于底層硬件配置)

精度– 保持與原始模型幾乎相同的精度。

簡(jiǎn)單性– 繼續(xù)使用 TensorFlow API 進(jìn)行推理。無(wú)需重構(gòu)代碼。只需導(dǎo)入，啟用和設(shè)置設(shè)備。

健壯性– 旨在支持各種操作系統(tǒng) / Python 環(huán)境中的各種 TensorFlow 模型和運(yùn)算符。

無(wú)縫加速- 內(nèi)聯(lián)模型轉(zhuǎn)換 – 無(wú)需模型轉(zhuǎn)換。

輕量級(jí)占用空間– 所需的增量?jī)?nèi)存和磁盤占用空間極小。

支持廣泛的英特爾產(chǎn)品– CPU、iGPU、VPU （Myriad-X）。

注意：為獲得最佳性能、效率、工具定制和硬件控制，我們建議采用本機(jī) OpenVINOAPI 及其run time運(yùn)行。

如何實(shí)現(xiàn)？

開(kāi)發(fā)人員可通過(guò)將以下兩行代碼添加到他們的 Python 代碼或 Jupyter Notebooks 中來(lái)大大加快 TensorFlow 模型的推理。

1import openvino_tensorflow

2openvino_tensorflow.set_backend

（''）

支持的后端包括“CPU”，“GPU”，“MYRIAD”和“VAD-M”。參見(jiàn)圖1。

上面第一行嚴(yán)格來(lái)說(shuō)不算指令，只匯入了 OpenVINO整合 TensorFlow 套件。而第二行呼叫了 openvino_tensorflow 設(shè)定后端運(yùn)算硬件的指令，其中帶入的參數(shù)可以設(shè)定為CPU（Intel 處理器）、GPU（Intel 處理器中的集成式顯卡）、MYRIAD（AI加速芯片VPU）等。如此一來(lái)就已完成TensorFlow推理加速了。

示例代碼

以下是OpenVINO與 TensorFlow*集成的示例：

圖 1

它是如何達(dá)成的？

而其特別之處從架構(gòu)圖看來(lái)可以得知在原始 TenorFlow 與 OpenVINOtoolkit 之間多增加了 Operator Capability Manager （OCM）、Graph Partitioner、 TensorFlow Importer 與 Backend Manager，讓前述二者可以渾然天成的結(jié)合在一起。簡(jiǎn)單來(lái)說(shuō)在執(zhí)行推論時(shí)會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)各個(gè)運(yùn)算進(jìn)行判讀，是否能夠透過(guò) OpenVINO進(jìn)行加速，并讓其對(duì)應(yīng)到 OpenVINO的相應(yīng)的運(yùn)算子，最后分配到指定的后端硬件進(jìn)行運(yùn)算，反之若是不行加速的運(yùn)算則讓其返回在 TensorFlow 中處理。

個(gè)別功能作用細(xì)節(jié)可從 github repo 與說(shuō)明文件進(jìn)行深入探究。若不了解這些技術(shù)細(xì)節(jié)也不要緊，參考模型支持文件可以得知各個(gè)TensorFlow模型（包含 TF-Slim Classification、Object Detecion、 TF- Hub 等眾多來(lái)源）的支持程度，或是跟著我們接下來(lái)的步驟進(jìn)行體驗(yàn)一番！

圖2：OpenVINO integration with TensorFlow架構(gòu)圖（https://github.com/openvinotoolkit/openvino_tensorflow/blob/master/docs/ARCHITECTURE.md）

OpenVINO與 TensorFlow*的集成通過(guò)將 TensorFlow 圖有效地劃分為多個(gè)子圖來(lái)提供加速的 TensorFlow 性能，然后將這些子圖調(diào)度到 TensorFlow 運(yùn)行時(shí)或 OpenVINO運(yùn)行時(shí)以實(shí)現(xiàn)最佳加速推理。最終組合出最終的推理結(jié)果。

圖 3：工作流的端到端概述

在邊緣和云端部署

OpenVINO與 TensorFlow 的集成適用于從云到邊緣的各種環(huán)境，只要底層硬件是英特爾平臺(tái)即可。適用于以下云平臺(tái)：

面向邊緣的英特爾 DevCloud

https://www.intel.com/content/www/us/en/developer/tools/devcloud/edge/build/ovtfoverview.html

AWS Deep Learning AMI Ubuntu 18 和 Ubuntu 20 on EC2 C5 實(shí)例，針對(duì)推理進(jìn)行優(yōu)化

https://github.com/openvinotoolkit/openvino_tensorflow/blob/master/docs/cloud_instructions/AWS_instructions.md

Azure ML

https://www.intel.com/content/www/us/en/developer/tools/devcloud/edge/build/ovtfoverview.html

谷歌實(shí)驗(yàn)室

https://github.com/openvinotoolkit/openvino_tensorflow/tree/master/examples/notebooks

支持任何基于 AI 的邊緣設(shè)備。

示例在 gitrepo 的示例/ 目錄中提供。

這與使用原生OpenVINO

有何不同

OpenVINO與 TensorFlow*的集成使 TensorFlow 開(kāi)發(fā)人員能夠以非?？焖俸?jiǎn)便的方式加速其 TensorFlow 模型推理 - 只需 2 行代碼。OpenVINO模型優(yōu)化器可加速推理性能，以及豐富的集成開(kāi)發(fā)人員工具和高級(jí)功能，但如前所述，為了獲得最佳性能，效率，工具定制和硬件控制，我們建議使用本機(jī) OpenVINOAPI 及 run time 運(yùn)行。

案例

以下客戶正在將 OpenVINO集成用于 TensorFlow 用于各種用例。以下是一些示例

Extreme Vision（極視角）：極視角 的 CV MART 等專用 AI 云 https://www.cvmart.net/

可幫助數(shù)十萬(wàn)開(kāi)發(fā)人員提供豐富的服務(wù)、模型和框架目錄，從而在各種英特爾平臺(tái)（如 CPU 和 iGPU）上進(jìn)一步優(yōu)化其 AI 工作負(fù)載。與 AI 框架（如 OpenVINO 與 TensorFlow* 的集成）正確集成的易于使用的開(kāi)發(fā)人員工具包可加速模型，從而提供兩全其美的優(yōu)勢(shì) - 提高推理速度以及以最小的更改重用已創(chuàng)建的 AI 推理代碼的能力。Extreme Vision 團(tuán)隊(duì)正在測(cè)試OpenVINO 與TensorFlow* 的集成，目標(biāo)是在 Extreme Vision 平臺(tái)上為 TensorFlow 開(kāi)發(fā)人員提供支持。

由博德研究所開(kāi)發(fā)的基因組分析工具包（GATK）是世界上使用最廣泛的變體調(diào)用開(kāi)源工具包之一。Terra 是一個(gè)更安全，可擴(kuò)展的開(kāi)源平臺(tái)，供生物醫(yī)學(xué)研究人員訪問(wèn)數(shù)據(jù)，運(yùn)行分析工具和協(xié)作?；谠频钠脚_(tái)由麻省理工學(xué)院博德研究所與哈佛大學(xué)，微軟和 Verily 共同開(kāi)發(fā)。Terra 平臺(tái)包括 GATK 工具和管道，供研究界運(yùn)行其分析。CNNScoreVariants 是 GATK 中包含的深度學(xué)習(xí)工具之一，它應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)來(lái)過(guò)濾帶注釋的變體。在一篇博客中，Broad Institute 展示了如何使用 OpenVINO 與TensorFlow* 集成來(lái)進(jìn)一步加速 CNNScoreVariants 的推理性能。

結(jié)論

現(xiàn)在，您已了解了其優(yōu)勢(shì)、工作原理、部署環(huán)境以及 OpenVINO與 TensorFlow 的集成與使用原生 OpenVINOAPI 的不同之處，相信你已迫不及待地想親自嘗試將 OpenVINO與 TensorFlow 集成，并在英特爾平臺(tái)上體驗(yàn) AI 模型的推理性能提升。與往常一樣，我們很樂(lè)意聽(tīng)到您對(duì)此集成的反饋，請(qǐng)通過(guò) OpenVINO-tensorflow@intel.com 與我們聯(lián)系或在 gitrepo 中提出問(wèn)題。謝謝！

審核編輯 ：李倩