深度神经网络（DNN）已经被证明在图像识别、视频识别、自然语言处理、游戏人工智能等诸多不同领域都具有非常大的潜力，当前，DNN也已经被应用到多种产品之中。
然而，DNN计算所需的成本非常高，并且在通常情况下，DNN的执行需要基于硬件加速的大量执行环境设置进程。因此，要在像笔记本电脑、智能手机这样的终端用户设备上执行DNN并不十分现实。
过去解决这些问题的方法是云计算。而现在，东京大学机器智能实验室(MIL)开发的WebDNN又提出了一条新的途径。
WebDNN是什么？
WebDNN是一种开源软件框架，用于在浏览器上执行DNN的预训练模型。
WebDNN包含两种模型：图形转译器，用于将训练过的模型转译并优化成能够在浏览器上执行的格式；以及描述符运行器，用于在浏览器上执行转换过的模型。
图形转译器是一种脱机模型，通过python（3.6版本）实现。它会输出包含JavaScript和二进制权数据的“图形转译器”文件。只有应用开发者需要运行这一模型。
描述符运行器则是一种在线模型，用于在终端用户的浏览器上运行图像转译器，通过JavaScript实现。应用开发者需要使用程序库所提供的API来对模型进行输入并显示输出结果。
特性
WebDNN主要有以下三种关键特性：
免安装
WebDNN在浏览器上执行DNN模型。通常情况下，每个终端用户的设备上都应该已经安装好了浏览器，同时用户会对它非常熟悉。因此，DNN应用的产出会变得更为容易，不会像原生应用安装那么麻烦。
目前市面上存在着几种主流的浏览器，并且它们都有着能够用于加速的不同特性。在每一种浏览器上，WebDNN都有几种能使DNN模型执行进程速度最大化的策略。
非开销接口
JavaScript是一种在浏览器上运行的标准编程语言，它通过解释器来执行。因此，它需要一定的计算开销，也无法完全发挥CPU的性能；在GPU上，也有同样的问题。
现在的浏览器都支持WebGL，一种能够实现GPU使用的JavaScript API。然而，这个API是为图形处理而设计，并不适合进行通用计算；除此之外，用WebGL进行通用计算还会增加计算开销。
WebDNN使用了新一代的JavaScript API——包括用于GPU执行的WebGPU，以及用于CPU执行的WebAssembly。这些API能够帮助充分发挥GPU和CPU的能力。
针对推理阶段的专门优化
为了实现更快的执行过程，对DNN模型的计算图进行优化非常重要。DNN的执行包括两个阶段：训练阶段和推理阶段，并且它们需要不同的优化策略。WebDNN只着眼于在终端用户设备上执行的推理阶段并支持激进优化。这种优化管道能够被应用于不同DNN框架所训练的模型，不需要编辑训练代码。
兼容浏览器平台
△ 下方数字为最低版本要求。
通过WebGPU、WebAssembly和Fallback后端，WebDNN能够在所有主流浏览器上运行。
其中，WebGPU后端是三种途径中最快的，但目前该API只支持Safari技术预览版；WebAssembly后端速度次之，能够兼容大部分主流浏览器；Fallback后端则只能进行向下兼容，且速度并不那么快。
在Safari技术预览版中，默认禁用WebGPU API。启用方法是在菜单中点击：“Develop” > “Experimental Features” > “WebGPU”
效果
处理时间——与Keras.js对比
（量子位注：Keras.js是GitHub上的一个开源项目，在GPU的支持下，能够用于在浏览器上运行Keras模型。）
测试环境：
- Mac Book Pro ，2015年初版本
- macOS 10.12.4 Sierra
- Intel Core i5 2.7 GHz CPU
- 16GB内存
- Intel Iris Graphics 6100 GPU
- Safari技术预览，版本30
模型：VGG16, Inception-v3, ResNet50
输入形状：Inception-v3——(1, 299, 299, 3)，其它——(1, 224, 224, 3)
△ 纵轴为每张图像消耗的时间，单位毫秒。
结果显示，搭载了后端WebGPU的WebDNN速度明显快于Keras.sj,而搭载了后端WebAssembly的WebDNN,速度则稍快于搭载了后端GPU的Keras.sj。
在每一个DNN模型及后端，WebDNN在速度上都比Keras.sj更快。当对图形转译器进行优化后，WebDNN的速度将得到进一步提升。
Demo
WebDNN还有两个官方的Demo。
Demo 1：图像风格迁移模型
△ 浮世绘风格的猎豹。
Demo 2：ResNet50图像识别模型
△ 可能训练得不太好，海豚识别成了大白鲨……
以上两个示例，其预训练模型的执行都是通过WebDNN在浏览器上完成的。
量子位尝试了一下风格迁移的Demo，特别邀请阿凡提老师作为出镜测试嘉宾，结果有点尴尬，如下图所示：
我们用的也是Macbook，想测试的同学，可以直接访问这个网址：
https://mil-tokyo.github.io/webdnn/neural_style_transfer.html?run=1
相关地址
GitHub地址：
https://github.com/mil-tokyo/webdnn
document：
https://mil-tokyo.github.io/webdnn/docs/index.html
官网（有demo）：
https://mil-tokyo.github.io/webdnn/#about
还有一个插曲：量子位曾经试图寻找该实验室的官网，发现一个类似的页面，不过这个页面嘛……我们截图如下：
【完】
