mace
作者：十岁的小男孩
QQ：929994365
心之安处即是吾乡。
本文主要的方向是终端移植。其主要又分两个小方向，理论和实践，即模型优化和模型移植。
本文对MACE当前的学习做一个总结，重心放在数据流的逻辑过程。首先通过对模型移植针对的问题解答为什么我们需要学习mace，和我们在学习mace过程中遇到的最主要的矛盾，以及我们如何解决这些矛盾。对mace的学习主要分两个重点：
一、模型优化
模型优化是模型移植的重心，最主要矛盾在于资源和性能的平衡，有限的资源情况下使得性能最大化。现在的模型都在电脑端进行训练，资源充足性能较好，但是在终端资源较少运算速率较低的前提下性能不能损失太多，这需要平衡。这个矛盾两种解决方法：
第一种：模型放在服务端，通过在终端获取数据和展示数据，模型放在服务端进行运算，这样得到的性能较好，但是需要网络传输，浪费时间。
第二种：将模型直接在终端运行，终端资源cpu/gpu，gpu运算较快，但是电脑端的模型如何在终端使用而且能够使用gpu加速计算？
答案是小米mace，TensorFlow Lite，百度的paddle-mobile，还有腾讯的ncnn。由于mace能够采用gpu加速计算和社区活跃度较高，所以本文主要学习mace，其他的框架了解不深。
模型压缩优化这是重心中的重心，要掌握更多的机器学习深度学习的概念知识，以下链接是当前掌握压缩优化的一些信息，这在后期重点学习。
二、模型工程化
模型工程的重心在于掌握工程开发经验，熟练应用Java，Android和c++语言涉及NDK编译。以下三个链接是mace学习过程的分步总结，针对mace官方提供的mobilnet v2例子进行学习。
以下的内容根据我的理解从数据流的角度串下整个过程。首先我们采用python语言构建模型model.pb，进行模型的压缩和优化后，将model.pb打包在yaml文件中配置，这一步是上面链接的第二步，主要讲解了如何撰写yaml文件。之后在mace环境下进行编译生成静态库和头文件库，其实是转换成了c++文件了，这步完成后就和mace没有什么关系了，接下来的难题是这些生成的库如何在工程中使用，这个工作是上面链接的第三步，重点是NDK编译，在c++端实现在java声明的native方法。
文中介绍有可能局限个人的实践以及理解水平，存在不正确或不合理的地方，欢迎讨论。
