苹果揭露让iPhone支持深度学习算法面临的诸多挑战

苹果 Vision 框架的发布，意味着开发者可以在 App 中使用深度学习算法和许多其他的计算机视觉技术。那么，支持这一创造性革新的背后，苹果团队面临了哪些挑战？日前，苹果在其官网发文，首次揭露了这些信息。

苹果在 iOS 10 中开始使用深度学习技术。随着 Vision 框架的发布，开发者可以在 App 中使用深度学习技术和许多其他的计算机视觉算法。他们在开发 Vision 框架时，为了保护用户隐私，让算法能高效执行，面临着巨大的挑战。下面是对这些挑战的介绍。

苹果公司首先通过 CIDetector 类在 Core Image 框架中发布了人脸检测公共 API 。苹果内部应用程序也在使用这个 API ，例如 Photo 。CIDetector 最早版本使用的是一种基于 Viola-Jones 的检测算法，基于传统计算机视觉技术的进步，CIDetector 得到了持续改进。

随着深度学习的出现以及它在计算机视觉问题上的应用，这些顶尖技术在人脸检测的精准性上取得了前所未有的巨大进步。为了利用这些技术的所带来的转变，苹果彻底重新思考他们的方法。

与传统的计算机视觉相比，在深度学习中学到的模型需要更大的内存、更大的磁盘存储空间和更多的计算资源。

虽然手机发展到现在，已经具备各种各样的功能了，但传统的高端手机并不是一个适合训练深度学习视觉模型的平台。大多数行业通过云端的 API 提供深度学习解决方案来解决这个问题。在那种云端解决方案中，图像被发送到云端服务器，然后再利用深度学习来推理、检测人脸。

云端的服务通常使用性能强大的桌面级 GPU，具有大量可用内存。当碰到非常大的网络模型，或者可能要配置大型模型时，都可以在服务器端运行，这能保证客户端(可能是移动电话)可以在云端（在本地无法运行）运行大型的深度学习架构。

苹果 iCloud 照片库是一个基于云端的图片和视频存储解决方案。不过，由于苹果此前做出过承诺，绝不侵犯用户隐私，所以他们不能利用 iCloud 服务器来进行计算机视觉计算。所有发送到 iCloud 照片库的照片和视频在发送到云存储之前就在设备上进行了编码，而且只能通过注册过那个 iCloud 账户的设备进行解密。因此，为了带来深度学习的计算机视觉解决方案，必须直面在 iPhone 上运行深度学习算法的挑战。

除了这一点外，苹果还面临诸多挑战。

• 深度学习模型需要装配到操作系统中去，占用本来就很稀缺的 NAND 存储空间。

• 此外，它还需要加载到 RAM 中，使得 GPU/CPU 的计算时间大大延长。

• 与云端的服务不同，云上的资源可以分配，可以用来单独解决视觉问题，而想要在设备上进行计算，则需要在与其他正在运行的应用程序共享系统资源。

• 最后，计算必须足够高效，能够在相当短的时间内处理大型图片库，并且手机的电量不会消耗得过快，手机也不能产生明显发热。