一款通過(guò)AI技術(shù)自動(dòng)批改數(shù)學(xué)作業(yè)的APP

愛(ài)作業(yè)是一款通過(guò) AI 技術(shù)自動(dòng)批改數(shù)學(xué)作業(yè)的 APP，上線一年來(lái)已經(jīng)積累超過(guò)千萬(wàn)用戶， 幫助大量的老師和家長(zhǎng)節(jié)約時(shí)間，提高效率。

在愛(ài)作業(yè) APP 里面有個(gè)功能叫 “口算同步練”，我們希望提供給小朋友一種輕量的方便的方法可以直接在手機(jī)上鞏固訓(xùn)練口算。如下圖所示：

識(shí)別在屏幕上手寫的筆跡，我們最早使用的方法是追蹤書寫軌跡，這也是比較傳統(tǒng)和經(jīng)典的方法，這種方法依賴于規(guī)則，不需要大量的訓(xùn)練數(shù)據(jù)。 但是經(jīng)過(guò)我們?cè)囼?yàn)，這種方法對(duì)于少量數(shù)字效果還不錯(cuò)，對(duì)于位數(shù)比較多的數(shù)字，特別是數(shù)字之間還存在連寫，或者書寫順序不夠標(biāo)準(zhǔn)的情況， 識(shí)別效果就差強(qiáng)人意了。

這時(shí)候我們想到要使用 Deep Learning 來(lái)解決問(wèn)題，然后我們需要解決訓(xùn)練數(shù)據(jù)，模型， 和移動(dòng)端部署的問(wèn)題。

首先是訓(xùn)練數(shù)據(jù)，這是深度學(xué)習(xí)繞不開(kāi)的問(wèn)題。為此，我們專門開(kāi)發(fā)了一個(gè)小工具（iOS / Android），讓我們的標(biāo)注人員可以方便的生成訓(xùn)練數(shù)據(jù)。這個(gè)工具會(huì)隨機(jī)生成一些數(shù)字（包含小數(shù)點(diǎn)，分?jǐn)?shù)），然后標(biāo)注人員在屏幕中書寫提示的數(shù)字，然后可以方便的保存到我們的服務(wù)器。 我們就這樣收集到了第一批原始數(shù)據(jù)大概有 5000張訓(xùn)練圖片左右。

然后是模型。由于模型需要在移動(dòng)端運(yùn)行，所以不管是圖片輸入大小和模型本身，都需要相對(duì)精簡(jiǎn)?；谪Q屏的比例，我們最終采用了將所有圖片預(yù)處理成 60x100(高x寬) 的大小。模型的整體方案是一個(gè) seq2seq 的模型，這個(gè)框架最早是 Google 用于解決 NLP 相關(guān)的問(wèn)題， 我們可以把它做一些調(diào)整來(lái)做圖像 OCR。

首先我們需要一個(gè)生成 feature 的基礎(chǔ)模型，最終我們采用了 MobileNet。 MobileNet 模型的核心就是將原本標(biāo)準(zhǔn)的卷積操作因式分解成一個(gè) depthwise convolution 和一個(gè) 1*1 的卷積（文中叫 pointwise convolution）操作。簡(jiǎn)單講就是將原來(lái)一個(gè)卷積層分成兩個(gè)卷積層，其中前面一個(gè)卷積層的每個(gè) filter 都只跟 input 的每個(gè) channel 進(jìn)行卷積，然后后面一個(gè)卷積層則負(fù)責(zé) combining，即將上一層卷積的結(jié)果進(jìn)行合并。MobileNet 可以在基本保證準(zhǔn)確率的前提下大大減少計(jì)算時(shí)間和參數(shù)數(shù)量。 正如這個(gè)命名，我們相信用這個(gè)作為基礎(chǔ)網(wǎng)絡(luò)可以在移動(dòng)端有不錯(cuò)的表現(xiàn)， 并且這個(gè)模型在 TensorFlow 的 model zoo 中有標(biāo)準(zhǔn)實(shí)現(xiàn)，并且提供了預(yù)訓(xùn)練模型。豐富的模型實(shí)現(xiàn)也是我們當(dāng)初選擇用 TensorFlow 來(lái)實(shí)現(xiàn)的重要原因之一。

在得到圖片 feature 以后，我們通過(guò) LSTMRNN 進(jìn)行一個(gè)標(biāo)準(zhǔn)的 Encoder->Decoder 過(guò)程，得益于 TensorFlow 的豐富實(shí)現(xiàn)，這整個(gè)過(guò)程只要調(diào)用 TensorFlow 中 seq2seq 相關(guān)接口就可以輕松實(shí)現(xiàn)。 不過(guò) seq2seq 的接口在 TensorFlow1.0 以后有一些接口上的變化，我們使用了更新以后的接口。

接下來(lái)是如何把模型放到客戶端去運(yùn)行，我們?cè)谶@里面臨諸多選擇。 整體方案來(lái)看，我們需要選擇使用 TensorFlow Mobile 還是 TensorFlow Lite，另外在 iOS 端，我們需要考慮是否要將模型轉(zhuǎn)為 iOS 的 CoreML 模型。由于 CoreML 只從 iOS 11 開(kāi)始支持，我們很快否掉了這個(gè)選項(xiàng)。我們?cè)谧鲞@個(gè)功能的時(shí)候，TensorFlow 剛發(fā)布了 1.4（目前已經(jīng) 1.12 了），Lite 還是一個(gè)全新的東西， 最大的問(wèn)題是對(duì)于各種 ops 支持不夠好，而且當(dāng)時(shí)官方網(wǎng)站也是推薦在生產(chǎn)環(huán)境中使用 Mobile 版本， 所以盡管 Lite 有著各種優(yōu)點(diǎn)， 我們還是選擇了 Mobile。

TensorFlow Mobile 的文檔也算是相對(duì)豐富的，我們?cè)诓渴鸬倪^(guò)程中并沒(méi)有遇到太大的障礙。有一點(diǎn)需要注意的是，需要使用 print_selective_registration_header 這個(gè)小工具來(lái)分析模型中真正使用到的算子，從而大大減少生成的運(yùn)行庫(kù)的大小。

就這樣我們第一個(gè)版本順利上線并穩(wěn)定運(yùn)行，但我們依然關(guān)注著 Lite 的動(dòng)態(tài)。 在經(jīng)過(guò)一些考慮后，特別是在 2018 年 10 月的谷歌開(kāi)發(fā)者大會(huì)上聽(tīng)到了更多 TensorFlow Lite 的介紹，我們決定用Lite 替換掉 Mobile 版本，主要基于以下幾個(gè)考慮：

更小的運(yùn)行庫(kù)體積， 通過(guò) TensorFlow Lite 生成的運(yùn)行庫(kù)體積很小，去掉了很多不必要的依賴。比如模型采用新的更輕量級(jí) FlatBuffers 格式，而之前使用的 protobuf 需要很多的依賴庫(kù)。同時(shí) TensorFlow Lite 以更加輕量級(jí)的方式實(shí)現(xiàn)了原來(lái) TensorFlow 中的核心算子， 也有效降低了運(yùn)行庫(kù)的體積。

更快的運(yùn)行速度。 TensorFlow Lite 很多核心算子是專門為移動(dòng)平臺(tái)優(yōu)化過(guò)的，同時(shí)通過(guò)NNAPI 能夠透明的支持 GPU 加速，在一些老設(shè)備上能夠自動(dòng)回滾到 CPU 計(jì)算。

TensorFlow Lite 的模型量化功能，將模型量化到 int8，在幾乎不怎么損失計(jì)算精度的情況下把模型變?yōu)樵瓉?lái)的 1/4 大小。

但是我們?nèi)匀挥龅搅撕芏嗬щy。主要是：

TensorFlow Lite 尚不支持 controlflow，意味著 TensorFlow 新 seq2seq 接口中的 dynamic_decode不能正確導(dǎo)出執(zhí)行。

TensorFlow Lite 中對(duì)于 LSTM 的支持不夠完善，比如 forgetbias 參數(shù)并不支持。

我們所使用的部分 operators 在 TensorFlow Lite 中還不支持，比如 GatherTree等等。

在 TensorFlow Lite 中實(shí)現(xiàn) controlflow 并不是件容易的事情，并不能直接通過(guò) customop 來(lái)實(shí)現(xiàn)，最終我們把動(dòng)態(tài)解碼變成了靜態(tài)展開(kāi)，稍微損失了一些性能但是解決了這個(gè)問(wèn)題。 對(duì)于 forget bias 的問(wèn)題， 我們?nèi)∏傻脑趨?shù)恢復(fù)的時(shí)候把 forgetbias 加在 LSTMforgetgate 的 bias 上，這樣就不用修改 TensorFlow Lite 的代碼了。對(duì)于其他問(wèn)題，都可以通過(guò) customop 來(lái)實(shí)現(xiàn)，相對(duì)容易一些。

最終我們通過(guò) toco 把 graphpb 導(dǎo)出成 TensorFlow Lite 格式，接下來(lái)就是要集成到手機(jī)上運(yùn)行。在這一步上我們并沒(méi)有遇到太多阻礙。因?yàn)橛辛酥凹?TensorFlowMobile 的經(jīng)驗(yàn)，我們很快完成了集成。 我們?cè)诰唧w實(shí)現(xiàn)的時(shí)候把識(shí)別接口做了封裝，這樣在我們從 TensorFlowMobile 遷移到 TensorFlowLite 的時(shí)候，客戶端開(kāi)發(fā)的同事幾乎不需要改動(dòng)代碼就可以使用新的接口。

在完成 TensorFlow Mobile 到 TensorFlow Lite 的遷移以后，我們單次 inference 的速度提高了20%，模型大小減少了 75%，可以說(shuō)是非常有吸引力的。

隨著手機(jī)端計(jì)算能力的不斷增強(qiáng)，越來(lái)越多的深度學(xué)習(xí)模型可以在手機(jī)端運(yùn)行。 目前TensorFlow Lite 也在快速開(kāi)發(fā)迭代中，相信 TensorFlow Lite 會(huì)在更多實(shí)踐中越來(lái)越好。

感謝 TensorFlow Lite 團(tuán)隊(duì)在我們的開(kāi)發(fā)過(guò)程中給予的支持，特別是顧仁民和劉仁杰兩位技術(shù)專家給我們提供了很多有幫助的資料和參考，希望將來(lái)有更多的合作機(jī)會(huì)。