人工智能技术经历6年的快速发展，重新定义了很多行业的用户体验，而这仅是开始。
随着5G商用大规模落地，以及智能手机硬件性能越来越强、AIoT设备的快速普及，基于云-边缘-端算法和算力结构的移动端人工智能，仍有非常大的发展空间，亟待我们快速理解移动端深度学习的原理，掌握如何将其应用到实际业务中。
在互联网行业中，在移动端应用深度学习技术的案例越来越多。从深度学习技术的运行端来看，主要可以分为下面两种。
一种是完全运行在移动端，这种方式的优点显而易见，那就是体验好。在移动端高效运行神经网络，用户使用起来会感觉没有任何加载过程，非常流畅。前面的“拾相”和手机百度中的图像搜索都属于这一流派，还有其他一些比较好的应用，典型的如识别植物花卉的App“识花”。
另一种是在服务器端运行深度学习技术，移动端只负责UI展示。在第一种流派出现之前，绝大部分App都是使用这种在服务器端运算、在移动端展示的方式的。这种方式的优点是实现相对容易，开发成本低。
▊ 植物花卉识别
花卉识别的App近两年来颇多，“识花”是微软亚洲研究院推出的一款用于识别花卉的 App，如下图所示，用户可以在拍摄后查看花卉信息，App会给出该类花卉的详细相关信息。精准的花卉分类是其对外宣传的一大亮点。
识花App
▊ 奇妙的风格化效果
将计算机视觉技术应用在App中，可以为图片实现滤镜效果。使用深度学习技术实现的风格化滤镜效果非常魔幻。例如，Philm这款App就可以提供非常出色的体验，它使用了深度学习技术，有不少风格化滤镜效果，下面第一张图是原图，第二张是增加滤镜效果之后的图。
Philm的滤镜效果展示
除此之外，还有许多产品也尝试了在移动端支持视频、图片的风格化，如Prisma和Artisto这两款App也都可以实现风格化的效果。
▊ 视频主体检测技术在App中的应用
深度学习技术在移动端的应用越来越多，视频主体检测技术在App中的应用也在加速。目前，手机使用视频主体检测技术进行身份认证已经是非常普遍的事。视频主体检测技术主要根据物体的特征来进行判别，整个流程（如识别和监测这样的操作）包含大量的神经网络计算。下图是我们团队在2017年做的一个Demo，它通过实时识别视频中的图像主体，再通过该区域进行图像搜索，就可以得到商品、明星等多种垂直分类相关图片的信息。
移动端视频播放器中的视频主体检测效果
你可能会问，这一功能的意义是什么？直接来看，我们可以利用此技术为视频动态添加演员注解，并且动态支持“跳转到xxx（某个明星的名字）出现的第一个镜头”这样的命令。扩展来看，我们还可以思考一下这一功能实现商业化的方式可能有哪些。例如，假设某个女士看到视频中出现了她喜欢的包包，但是不知道在哪里能够买到。使用了视频主体检测技术后，可以让用户自行筛选，然后在视频中自动提示包包的产地、品牌等信息，甚至可以让用户直接购买。这样就能扩展出非常多的移动AI场景。
在移动端应用深度学习技术，要考虑各种机型和App指标的限制，因此难点较多。如何使深度学习技术稳定高效地运行在移动设备上是最大的考验。拆解落地过程中的复杂算法问题，就是移动端团队面临的首要挑战。
▊ 在服务器端和移动端应用深度学习技术的难点对比
通过对比服务器端的情况，更容易呈现移动端应用深度学习技术的难点，对比如下表所示。
表：在服务器端和移动端应用深度学习技术的难点对比
在移动端App的开发过程中，需要克服以上所有困难，才能在移动端应用相关技术。将Demo的演示效果转化为亿级安装量的App线上效果，并不是一件容易的事情。在移动端和嵌入式设备的App中使用深度学习技术，可以大大提升App给用户带来的体验。但是，只应用深度学习技术还不能实现所有想要的效果，往往还要结合计算机视觉相关的技术，才能解决从实验到上线的难题。工程师需要具备很高的将工程与算法结合的能力，才能综合运用多种技术解决问题。在移动端应用深度学习技术时，往往没有太多可以查阅和参考的资料，需要开发人员活学活用，因地制宜。接下来通过实例看一下，如何使用诸多办法来实现AR实时翻译功能。
▊ 实现AR实时翻译功能
AR实时翻译能够实现所见即所得的翻译效果，什么意思呢？来看下面的实例，在下图中，电脑屏幕上有“实时翻译”四个字，将其放在百度App图像搜索实时翻译框中，就能得到“Real-Time translation”，而且手机上的文字和电脑屏幕上的文字具有同样的背景色和字色。
实时翻译效果图
AR实时翻译功能最早在Google翻译软件中应用并上线，Google使用了翻译和OCR（图片转文本）模型全部离线的方式。翻译和OCR离线的好处是，用户不联网也能使用实时翻译功能，且每帧图像在及时处理运算后实时贴图，以达到即视效果。
但是全部离线的方式也有弊端，那就是OCR和翻译模型体积较大，且需要用户下载到手机中才可以使用。另外离线OCR和离线翻译模型压缩体积后会导致准确率降低，用户体验变差：Google翻译App中的词组翻译效果较好，在翻译整句和整段时表现就不够理想。
2017年下半年，笔者参与并主导了百度App中的实时翻译工作的落地。在开始时，团队面对的首要问题是，翻译计算过程是使用服务器端返回的结果，还是使用移动端的本地计算结果？如果使用移动端的计算结果，用户就不需要等待服务器端返回结果，能够减少不必要的延迟。我们只需要针对移动端的OCR和翻译的计算过程，在移动端做性能调优，即可保证每一帧图像都可以快速贴图。移动端性能优化技术其实是我们更擅长的。这样看来，似乎使用移动端计算结果的优点很多，但是其缺点也不容忽视——长文本可能出现“不说人话”的翻译效果。经过分析和讨论，我们回到问题的本质：AR实时翻译的本质是要给用户更好的翻译效果，而不是看似酷炫的实时贴合技术。
最后，我们选择了使用服务器端的返回结果。下图就是上线第一个版本后的试用效果，左边是原文，右边是融合了翻译结果和背景色的效果。
实时翻译效果图
上图中的效果，如果从头做这件事，应该如何拆解过程？
首先，需要将文本提取和翻译分成两部分；接着，拿到翻译结果后，还需要找到之前的位置，准确地贴图。依次介绍如下。
- OCR提取文本
- 需要把单帧图片内的文本区域检测出来。a. 检测文本区域是典型的深度学习技术范畴，使用检测模型来处理。b. 对文本区域的准确识别决定了贴图和背景色的准确性。
- 要对文本的内容进行识别，就要知道写的具体是什么。a. 识别文本内容需要将图像信息转化为文本，这一过程可以在移动端进行，也可以在服务器端进行。其原理是使用深度学习分类能力，将包含字符的小图片逐个分类为文本字符。b. 使用的网络结构GRU是LSTM网络的一种变体，它比LSTM网络的结构更加简单，而且效果也很好，因此是当前非常流行的一种网络结构。
- 翻译获取
- 如果是在移动端进行文本提取，那么在得到提取的文本后，就要将文本作为请求源数据，发送到服务器端。服务器端返回数据后，就可以得到这一帧的最终翻译数据了。
- 请求网络进行图像翻译处理，移动端等待结果返回。
- 找到之前的位置
当翻译结果返回后，很可能遇到一个类似“刻舟求剑”的问题：在移动端发送请求并等待结果的过程中，用户可能移动了手机摄像头的位置，服务器端返回的结果就会和背景脱离关系，从而无法贴合到对应的位置，这是从服务器端提取结果的弊端。解决这一问题需要使用跟踪技术。
- 需要用一个完整的三维坐标系来描述空间，这样就能知道手机现在和刚才所处的位置。
- 需要倒推原来文本所在位置和现在的位置之间的偏移量。
- 在跟踪的同时需要提取文字的背景颜色，以尽量贴近原图效果。文字和背景的颜色提取后，在移动端学习得到一张和原文环境差不多的背景图片。
- 将服务器端返回的结果贴合在背景图片上，大功告成。
下图是我们团队在初期对AR实时翻译功能进行的技术拆解，从中可以看到，在移动端进行AI创新，往往需要融合使用深度学习和计算机视觉等技术。
实时翻译流程图
如
