背景
热词唤醒 (Keyword Spotting) 往往是用户对语音交互体验的第一印象，要做到准确快速。因此热词检测算法要同时保证高唤醒率和低误唤醒率，能够准确地区分热词和非热词的音频信号。主流的热词检测方法，通常使用深度神经网络来从原始音频特征中提取 high-level 的抽象特征（见下图）。为了能够在计算性能和内存大小都非常有限的嵌入式设备上做到 “Always On” 和 “低延迟”，我们使用 TensorFlow Lite 作为神经网络模型的部署框架，既能够很好地兼容基于 TensorFlow 的模型训练流程，也能够提供非常高效和轻量的嵌入式端运行时 (Runtime)。
开发部署流程
在神经网络结构大体确定的情况下，会显著影响最终计算性能的主要是：模型量化 (Quantization)，计算图的优化 (Computation Graph Optimization)，以及 Ops 计算核的实现。使用 TensorFlow Lite 部署热词检测模型的开发工作主要也是在这三方面。
应用 Simulated Quantization 进行模型训练
在嵌入式设备上部署神经网络模型时，通常使用模型 “量化” (Quantization) 来减少模型参数需要的空间大小，并且提高计算吞吐量 (throughput)。使用 TensorFlow 可以在模型训练时通过增加 FakeQuant 节点来实现 “Simulated Quantization”，在前向计算 (forward) 时模拟参数定点化带来的精度损失。FakeQuant 节点可以在构建模型计算图时手动添加，对于常见的网络结构也可以使用 TensorFlow contrib/quantize 工具，自动在模型训练的计算图中匹配需要进行参数量化的 Layers，并在合适的位置加入 FakeQuant 节点。
使用 TOCO 进行模型转换
使用 TensorFlow Lite 在嵌入式平台进行部署，需要使用 TOCO 工具进行模型格式转换，同时会对神经网络的计算图进行各种变换优化，比如会去掉或者合并不必要的常量计算，会将部分激活函数计算融合到相关 FullyConnected 或者 Conv2D 节点等，以及处理模型量化 (Quantization) 相关操作。如果不涉及到 Custom Ops，在模型转换这个环节，主要需要关注的两个方面是：
- 正确处理Quantization参数和FakeQuant相关节点
- 避免转换后的计算图中出现低效的节点
Custom Ops 实现和性能优化
如果模型的神经网络结构中用到了目前 TensorFlow Lite 尚不支持的操作，可以以 Custom Op 方式实现相应计算核 (kernel)。要在 Custom Op 中实现高效计算，需要根据数据维度充分利用 SIMD 指令集的加速，并且减少不必要的内存读写。在快速原型阶段，对于 Custom Op 中的向量和矩阵运算，可以调用 tensor_util 中的函数，充分利用 TFLite 中已有的优化实现。而如果 TFLite 已有的函数不能满足需求，可以调用更加底层的高性能计算库，例如 float 类型可以调用 Eigen，int8 类型可以调用 gemmlowp，TFLite 中 Builtin Ops 的计算核提供了调用示例。
热词检测中使用 TensorFlow Lite 的效果
我们按照上述流程将热词检测中的神经网络推理在 TensorFlow Lite 框架中实现，并部署到小问音箱上进行性能和效果的测试。在音箱的低功耗 ARM 处理器 (Cortex-A7) 上，基于 TensorFlow Lite 的神经网络推理计算，相比于我们原有内部开发的神经网络推理框架，计算性能有 20%～30% 的提升。考虑到我们内部推理框架已经针对 8-bit 低精度模型和 ARM 计算平台进行了相当充分的性能优化，因此我们认为 TensorFlow Lite 在嵌入式平台上的计算性能表现是非常优秀的。用 TensorFlow Lite 进行模型部署，结合 TensorFlow 用于模型训练，使我们整个深度学习开发流程更为统一和高效。例如，得益于 Simulated Quantization，我们在模型量化过程中能够更好地处理例如 BatchNorm 等网络结构，并且在训练阶段可以 fine-tune 模拟量化后的模型，因此应用 TensorFlow Lite 以及相关的训练和部署流程之后，我们的热词检测模型在相同误唤醒水平下唤醒率会有约 3% 的提升。此外，根据我们实际经验，使用 TensorFlow Lite 可以让我们应用和优化新模型结构的开发周期，从大于一个月缩短到小于一个星期，极大地提升了嵌入式端深度学习开发的迭代速度。
