Windows Developer Day - Windows AI Platform

本次 Windows Developer Day，最值得期待的莫過於 Windows AI Platform 了，可以說是千呼萬喚始出來。觀看直播的開發者們，留言最多的也是 Windows AI Platform。下麵結合微軟提供的展示過程，文檔和 Git Sample 來詳細分析一下。基礎概念 ...

本次 Windows Developer Day，最值得期待的莫過於 Windows AI Platform 了，可以說是千呼萬喚始出來。觀看直播的開發者們，留言最多的也是 Windows AI Platform。

下麵結合微軟提供的展示過程，文檔和 Git Sample 來詳細分析一下。

基礎概念

基礎認知

眾所周知，目前 AI（Artificial Intelligence）的主要實現方式就是機器學習（Machine Learning），而 Windows AI Platform 對應的就是 Windows Machine Learning。

微軟官方對於它的描述如下：

Windows Machine Learning (ML) evaluates trained machine learning models locally on Windows 10 devices, allowing developers to use pre-trained models within their applications. The platform provides hardware-accelerated performance by leveraging the device's CPU or GPU to compute evaluations for both classical Machine Learning algorithms and Deep Learning.

結合這一描述，我們可以簡單總結出 Windows ML 的幾個特點：

硬體加速在支持 DirectX12 的硬體設備上，Windows ML 可以利用 GPU 對模型的評估實現加速。
本地評估 Windows ML 可以利用本地硬體進行模型評估，減少了模型上傳到雲端造成的服務端流量成本和服務端壓力。可以更快速便捷的得到結果。
圖像處理在機器視覺場景，Windows ML 簡化並優化了圖像、視頻文件和視頻流的處理，對輸入源做預處理和攝像頭管道處理。

模型格式

Windows ML 的模型格式是 ONNX，Open Neural Network Exchange，是 Microsoft 和 Facebook、Amazon 等公司制定的機器學習模型文件格式標準。在目前很多主流模型訓練框架中，都有 ONNX 的原生支持，或者可以支持其他格式轉換為 ONNX 格式。這裡是 ONNX 的 Git 主頁，大家可以詳細瞭解：GitHub Open Neural Network Exchange

另外大家可以通過 WinMLTools 來把其他格式的模型文件轉換為 ONNX 格式，這裡是 WinMLTools 地址：Python WinMLTools 0.1.0.5072. 可以轉換的格式有 Core ML/Scikit-Learn/XGBoost/LibSVM。

另外 ONNX 支持超過 100 種運算符，針對 CPU 或 GPU 有不同的運算符支持，這裡是運算符列表：https://github.com/onnx/onnx/blob/rel-1.0/docs/Operators.md

技術架構

從這張架構圖來看：

底層是 Direct 層的 DirectML API/Direct3D/CPU/GPU，DirectX 的版本支持是 DX12
上面一層是推斷引擎，包括了 Win32 和 WinRT 部分，主要負責模型和設備資源管理，負責載入和編輯核心操作符，執行數據流圖
最上層是應用程式層，同樣包括了 Win32 和 WinRT 部分；令人欣喜的是，它在所有 2018 年的 Windows 版本上都可用

開發過程

概述

目前 Windows AI Platform 還是預覽版內容，所以需要預覽版的 Windows OS 和 WIndows 10 SDK，下麵是下載地址：

Windows Insider Preview Downloads

其中 Visual Studio 的版本要求是 Community、Professional 或 Enterprise，Community 版本的獲取最為簡單，建議實驗性需求時使用這個版本。

先來看一張發佈會的展示圖：

從上圖中可以看出整個 Windows ML 的使用過程：

首先在雲端或者本地伺服器上訓練模型，生成 ONNX 模型文件
把 ONNX 添加到本地開發環境，如 Visual Studio 中
在本地程式中通過 Windows 10 SDK 使用和評估 ONNX 模型的性能和學習結果
把集成了 ONNX 的本地程式發佈到 Windows 序列的全平臺各種設備中

示例分析

Windows ML 的示例 Git 地址：GitHub Windows-Machine-Learning

上面的鏈接中也提供了 Windows Insider Preview 17110 OS、Windows 10 SDK 17110 和 Visual Studio 2017 的下載地址，按照指示我下載安裝好了開發環境。

來看第一個示例：MNIST_Demo，是一個手寫數字識別的 UWP 程式，大家都知道，手寫數字識別是 Machine Learning 的基礎和入門課題，就像每種編程語言的 Hello World 一樣，我們借這個示例來看一下 Windows ML 對於 ONNX 模型和 Windows 10 SDK 的使用過程。

首先來看一下示例在 Visual Studio 中的工程結構：

這裡我們可以看到：

Universal Windows，也就是 Windows 10 SDK 的引用版本是：10.0.17110.0，也就是 Windows ML 支持的最低版本預覽版 SDK
mnist.onnx，也就是前面說明的 Windows ML 模型支持格式，被直接添加到瞭解決方案中的 Assets 文件夾中，Build Action 為 “Content”

而在 mnist.cs 文件中

using System;
using System.Collections.Generic;
using System.Threading.Tasks;
using Windows.Media;
using Windows.Storage;
using Windows.AI.MachineLearning.Preview;
...
...

public sealed class MNISTModel
{
private LearningModelPreview learningModel;

...

我們可以看到，Windows ML 的命名空間是：Windows.AI.MachineLearning.Preview

可以看得出，目前因為還是預覽版本，所有命名空間包含了 Preview 的字樣，但 Windows.AI.MachineLearning 這個命名空間應該可以確定。

來看看 Windows ML winmd 的結構：

而模型的名稱是 LearningModelPreview，來看一下類的定義：

#region 程式集 Windows.AI.MachineLearning.Preview.MachineLearningPreviewContract, Version=1.0.0.0, Culture=neutral, PublicKeyToken=null, ContentType=WindowsRuntime
// C:\Program Files (x86)\Windows Kits\10\References\10.0.17110.0\Windows.AI.MachineLearning.Preview.MachineLearningPreviewContract\1.0.0.0\Windows.AI.MachineLearning.Preview.MachineLearningPreviewContract.winmd
#endregion

using System.Collections.Generic;
using Windows.Foundation;
using Windows.Foundation.Metadata;
using Windows.Storage;
using Windows.Storage.Streams;

namespace Windows.AI.MachineLearning.Preview
{
    [ContractVersion(typeof(MachineLearningPreviewContract), 65536)]
    [Static(typeof(ILearningModelPreviewStatics), 65536, "Windows.AI.MachineLearning.Preview.MachineLearningPreviewContract")]
    public sealed class LearningModelPreview : ILearningModelPreview
    {
        [RemoteAsync]
        public IAsyncOperation<LearningModelEvaluationResultPreview> EvaluateAsync(LearningModelBindingPreview binding, string correlationId);
        [RemoteAsync]
        public IAsyncOperation<LearningModelEvaluationResultPreview> EvaluateFeaturesAsync(IDictionary<string, object> features, string correlationId);
        [RemoteAsync]
        public static IAsyncOperation<LearningModelPreview> LoadModelFromStorageFileAsync(IStorageFile modelFile);
        [RemoteAsync]
        public static IAsyncOperation<LearningModelPreview> LoadModelFromStreamAsync(IRandomAccessStreamReference modelStream);

        public InferencingOptionsPreview InferencingOptions { get; set; }
        public LearningModelDescriptionPreview Description { get; }
    }
}

這個類包含了推斷選項、模型的兩種載入方式和模型評估方法。

接下來看看界面代碼中模型實際的載入方式：

private async void LoadModel()
{
    //Load a machine learning model
    StorageFile modelFile = await StorageFile.GetFileFromApplicationUriAsync(new Uri($"ms-appx:///Assets/MNIST.onnx"));
    ModelGen = await MNISTModel.CreateMNISTModel(modelFile);
}

public static async Task<MNISTModel> CreateMNISTModel(StorageFile file)
{
    LearningModelPreview learningModel = await LearningModelPreview.LoadModelFromStorageFileAsync(file);
    MNISTModel model = new MNISTModel();
    model.learningModel = learningModel;
    return model;
}

mnist.onnx 模型文件被作為一個項目文件被載入到 StorageFile 中，使用 mnist 類的 CreateMNISTModel 方法，具體說是 LearningModelPreview 類的 LoadModelFromStorageFileAsync 方法完成模型載入。

整個 Sample 完成的事情就是使用 InkCanvas 獲取用戶的手寫輸入，輸入給 Windows ML 進行檢測，輸出檢測結果。來看看運行結果：