作者： Arindam， Yamini， Mustafa， Ritesh， Priya， Chandrakant， Surya， Amar， Sesh

翻译：李翊玮

技术的传播采用通常是由用户体验的飞跃引发的。例如，iPhone促使智能手机和“应用商店”的快速普及。或者，最近，TensorFlow中的易用性启动了人工智能的大规模增长，几乎触及了我们今天日常生活的方方面面。

OpenVINO™ 工具包重新定义了采用英特尔技术的设备上的 AI 推理，并获得了前所未有的开发人员采用。如今，成千上万的开发人员使用OpenVINO™工具包来加速几乎所有可以想象的用例的AI推理，从人类视觉仿真，自动语音识别，自然语言处理，推荐系统等等。该工具包基于最新一代的人工神经网络，包括卷积神经网络 （CNN）、循环和基于注意力的网络，可跨英特尔®硬件（英特尔 CPU、英特尔集成显卡®、英特尔®®神经计算棒 2 和英特尔®视觉加速器设计与英特尔® Movidius™ VPU）扩展计算机视觉和非视觉工作负载，从而最大限度地提高性能。它通过从边缘部署到云的高性能、AI 和深度学习推理来加速应用。

我们很荣幸能与客户合作，为他们的成功做出贡献。我们不断倾听和创新，以满足他们不断变化的需求，同时也致力于提供世界一流的用户体验。因此，根据客户反馈，并在OpenVINO™工具包的成功基础上，我们将OpenVINO™与TensorFlow*集成。这种集成使TensorFlow开发人员只需2行额外的代码即可在部署中加速其TensorFlow模型的推理。

对TensorFlow开发人员的好处：

OpenVINO™ 与 TensorFlow* 的集成提供了增强 TensorFlow 兼容性所需的 OpenVINO™ 工具包内联优化和运行时。它专为希望体验使用OpenVINO™工具包的好处的开发人员而设计 - 帮助提高其推理应用程序的性能 - 只需最少的代码修改。它可以加速各种  英特尔®芯片上许多 AI 模型的推理，例如：

· 英特尔中央®处理器

· 英特尔®集成显卡

· 英特尔® Movidius™ 视觉处理单元 - 称为 VPU

· 采用 8 个英特尔® Movidius™ MyriadX VPC 的英特尔视觉加速器设计 - 称为 VAD-M 或 HDDL

利用此集成的开发人员可以预期以下好处：

· 与本机TensorFlow相比，性能加速（取决于底层硬件配置）。

· 精度 – 保持与原始模型几乎相同的精度。

· 简单性 – 继续使用 TensorFlow API 进行推理。无需重构代码。只需导入，启用和设置设备。

· 健壮性 – 旨在支持各种操作系统/Python 环境中的各种 TensorFlow 模型和运算符。

· 无缝的内联模型转换 – 无需显式模型转换。

· 轻量级占用空间 – 所需的增量内存和磁盘占用空间极小。

· 支持广泛的英特尔供电设备 – CPU、iGPU、VPU （Myriad-X）。

注意：为了获得最佳性能、效率、工具定制和硬件控制，我们建议超越此组件，采用本机 OpenVINO™ API 及其运行时。

它是如何工作的？

开发人员可以通过将以下两行代码添加到他们的Python代码或Jupyter Notebooks中来大大加快TensorFlow模型的推理。

1. import openvino_tensorflow

2. openvino_tensorflow.set_backend（'<backend_name>'）

支持的后端<backend_name>包括“CPU”，“GPU”，“MYRIAD”和“VAD-M”。参见图1。

示例代码：

以下是OpenVINO™与TensorFlow*集成的示例：

图 1

它是如何在引擎盖下真正工作的？

OpenVINO™ 与 TensorFlow* 的集成通过将 TensorFlow 图有效地划分为多个子图来提供加速的 TensorFlow 性能，然后将这些子图调度到 TensorFlow 运行时或 OpenVINO™ 运行时以实现最佳加速推理。最终组合结果以提供最终的推理结果。

图 2：工作流的端到端概述

下面是一个详细的体系结构图。

在边缘和云端部署

OpenVINO™ 与 TensorFlow 的集成适用于从云到边缘的各种环境，只要底层硬件是英特尔平台即可。例如，附加组件适用于以下云平台：

· 面向边缘的英特尔® DevCloud

· AWS Deep Learning AMI Ubuntu 18 和 Ubuntu 20 on EC2 C5 实例，针对推理进行了优化

· Azure ML

· 谷歌实验室

支持任何基于 AI 的边缘设备。

示例在 gitrepo 的示例/ 目录中提供。

这与使用原生OpenVINO™工具包有何不同：

OpenVINO™ 与 TensorFlow* 的集成使 TensorFlow 开发人员能够以非常快速简便的方式加速其 TensorFlow 模型推理 - 只需 2 行代码。OpenVINO™模型优化器可加速推理性能，以及丰富的集成开发人员工具和高级功能，但如前所述，为了获得最佳性能，效率，工具定制和硬件控制，我们建议使用本机OpenVINO™ API及其运行时。

客户采用

客户正在将OpenVINO™集成用于TensorFlow用于各种用例。以下是一些示例

1. Extreme Vision（极视角）：极视角 的 CV MART 等专用 AI 云  可帮助数十万开发人员提供丰富的服务、模型和框架目录，从而在各种英特尔平台（如 CPU 和 iGPU）上进一步优化其 AI 工作负载。与 AI 框架（如 OpenVINO™ 与 TensorFlow* 的集成）正确集成的易于使用的开发人员工具包可加速模型，从而提供两全其美的优势 - 提高推理速度以及以最小的更改重用已创建的 AI 推理代码的能力。Extreme Vision团队正在测试OpenVINO™与TensorFlow*的集成，目标是在Extreme Vision平台上为TensorFlow开发人员提供支持。

2. CNNScoreVariants是GATK中包含的深度学习工具之一，它应用卷积神经网络来过滤带注释的变体。在一篇博客中，Broad Institute展示了如何使用OpenVINO™与TensorFlow*集成来进一步加速CNNScoreVariants的推理性能。

结论

现在，您已经更好地了解了其优势、工作原理、部署环境以及 OpenVINO 与 TensorFlow 的集成与使用原生 OpenVINO API 的不同之处，我们迫不及待地想亲自尝试将 OpenVINO 与 TensorFlow 集成，并开始在所有英特尔平台上体验 AI 模型的推理性能提升。与往常一样，我们很乐意听到您对此集成的反馈，请通过 OpenVINO-tensorflow@intel.com 与我们联系或在gitrepo中提出问题。谢谢！