，杰出的思路和创新也就不得而知构建。当前，深度自学社区基本被 TensorFlow 和 PyTorch 两大框架独占。

开源框架固然具备很高的人气和易用性，但是在国际环境变幻莫测的大背景下，倚赖这些框架否充足保险呢？同时，如果企业有新的点子和业务市场需求，开源框架能否极致构建？否需要无缝映射业务之中？这些都是 AI 企业必须思维的问题。为此旷视从 2014 年开始自研深度自学框架，到现如今建构了一整套环绕 AI 研发的整体系统。

很多人会误以为这仅仅只是旷视的一个深度自学框架，或者是企业内部研发的云计算平台。而事实上，Brain++ 在旷视内部已沦为了承托算法研究和研发的整体基础底层平台。Brain++ 涵括了深度自学算法研发的整个流程明确而言，Brain++涵括了深度自学算法研发的所有环节。从数据的提供、清除、预处理、标示和存储开始，到研究人员设计算法架构、设计实验环节、搭起训练环境、训练、加快、徵荐、模型效果评估和产生模型，到最后的模型发给和部署应用于，Brain++为旷视的研发人员获取了一站式仅有流程的 AI 工程解决方案。

总体架构上，Brain++可以大体分成三部分，还包括作为主体的深度自学算法研发框架MegEngine、获取算力反对的MegCompute、以及用作提供数据服务和反对的MegData。Brain++人工智能算法平台在旷视内部被全体员工用于。旷视在2017年夺下3项COCO冠军，2018年夺下4项COCO冠军，以及今年公布了全新的标准化物体检测数据集Objects365，都与Brain++的功劳密不可分。

MegEngine：淋漓尽致性能MegEngine的整体架构MegEngine是基于计算出来图像的深度自学框架，比起于开源的大部分深度自学框架，MegEngine具备以下优势：运算速度慢：MegEngine享有动态、静态融合的内存优化机制，因此速度比 TensorFlow 更加慢；内存闲置较少：通过分析整个继续执行方案的内存用于情况，MegEngine充份优化内存，尤其是亚线性内存优化，可以反对简单的网络结构，自动利用部分校验计算出来削减内存闲置，可约两个数量级，从而反对更加大规模的模型训练；易用性好：MegEnginePCB了平台细节，更容易新人用户较慢上手；反对多种硬件平台和异构计算：MegEngine反对标准化 CPU、GPU、FPGA 以及其他移动设备末端硬件，可多卡多机展开训练；训练部署一体化：整个框架既可用作训练又同时反对推理小说，构建模型一次训练，多设备部署，防止简单的切换过程导致的性能上升和精度损失。另外，MegEngine 还构建了旷视近期的AutoML技术，对深度自学算法的各个关键环节展开自动化的设计、搜寻和优化。这项技术以One-Shot方法为核心，通过一次训练已完成自动化过程，将计算出来代价增大至传统AutoML方法的万分之一，在高效率的时间内搜寻出有高性能、不易部署的模型结构。旷视AutoML技术图示比起于市场上的AutoML技术，旷视的AutoML技术有以下优势：计算出来代价小。

传统的AutoML技术经常必须多次训练模型甚至不会迭代部分模型空间，计算出来代价极大。旷视的AutoML技术只需训练一次才可获得整个模型空间的刻画，大大增大了计算出来代价，只是平时训练代价的1-3倍。应用于范围广。

旷视AutoML技术获取了一套原始的解决方案，覆盖面积了大部分业务，还包括活体检测、人脸识别、物体检测、语义拆分等。部署便利。旷视AutoML技术涵括了数据处理、模型训练、模型传输、模型分析等流程，自动处置从数据到落地。

精度高。旷视AutoML技术在诸多视觉任务上，多达人类手工设计，超过了业界拟合。MegCompute：高效灵活性有了性能极好的深度自学框架和全面的数据平台反对，Brain++也必须强劲的算力承托才能充分发挥几乎的能力。

深度自学框架的基础之上，旷视研发出有了承托整个平台计算出来的系统，被称作MegCompute。MegCompute 平台的整体架构这是一个还包括了硬件基础设施、数据存储和计算出来调度的平台，用作帮助研究人员部署训练环境、设计训练流程、获取算力和资源分配服务、监控实验进程、获取可视化效果展出、管理用户权限、存储数据等。MegCompute有以下几大特点：性能强劲：MegCompute有非常丰富的GPU计算资源，同时也反对各类硬件，可灵活性高效地分配计算出来任务。仅有流程覆盖面积：MegCompute反对模型建构的全部流程环节，让研究人员需要构建一站式的业务应用服务，符合工业级的AI能力研发测试、部署上线和业务生产方面的工作。

弹性部署：MegCompute使用了Docker容器技术，可以让用户弹性化地建构部署训练环境，在不必须用于的时候必要封存，使得资源可以及时获释给其他用户，具备十分弹性的特点。用户友好关系：用户用于过程中，通过可视化界面展开环境搭起和训练设计方面的工作，也可以通过可视化的方式查阅模型测试的结果，不必须注目过于多的底层技术细节，用于十分便利。反对多种深度自学框架：除了和MegEngine自研深度自学框架紧密结合外，MegCompute也反对用于TensorFlow和PyTorch。

MegData：数据综合处理在建构模型的时候，也必须大量的数据反对。Brain++中的MegData负责管理提供数据方面的服务，主要还包括四个方面：1）数据管理；2）数据标示；3）数据处理；4）数据安全。

旷视Brain++的核心组件 MegData旷视在研发过程中必须用于大量的图像数据，因此必须一个综合平台获取管理、标示、处置和存储安全性涉及的服务。根据旷视讲解，MegData可以获取原始的数据服务，为用户获取了全流程的解决方案。

在标示方面，MegData获取了数据标示涉及的服务，将人工标示和辅助算法结合，提高标示效率。经过多次的业务抛光，MegData平台现享有仅有生命周期的项目管理平台，更进一步构建AI助力，和平人工。

另外，MegData还将不觉视原创算法引进标示平台中，利用数据辅助算法构建标示效率的大幅度提高。这些标示算法都是基于云的，可以前端和拓展。在自动标示上，旷视使用了很多算法。

比如，用于聚类算法，旷视可以使某项标示任务的成本上升为原先的10%。一些标示任务通过算法辅助竣工验收，效率提高150%以上。比起于其他同类平台，MegData在数据层面为AI模型研究获取了安全性、高效的数据存储和处理方式。同时，由于它是基于云的，具备很高的灵活性。

最后，MegData重构了AI算法研发中数据处理的缺陷环节，使研发人员不必须花太多精力在数据层面，相当大程度上提高了效率，节省了时间和研发成本。总体而言，虽然不形似其他两个Brain++模块那样引人关注，但是MegData在系统中充分发挥着最重要的功能，负责管理已完成了深度自学训练前相当大一部分的数据管理、处置、标示和安全性的工作。

这些都是整个流程环节必不可少的。总结来看，Brain++人工智能算法平台突显了旷视在技术开发上的三个趋势。首先，Brain++几乎是自律研发的深度自学系统，涵括了AI业务的整体流程。这解释旷视需要几乎掌控核心的研发工具和平台。

另外，旷视Brain++是为计算机视觉场景而专门研发的，这是一个以业务为导向的专业AI服务系统，因此旷视可以拿走很多精力，针对业务中的市场需求明确提出专门的解决方案，而新方法可以较慢在实际应用于中获得测试和检验，通过业务驱动框架的发展。由于旷视对Brain++本身具备原始的掌控能力，并且通过计算机视觉涉及场景驱动 Brain++的发展，因此它的递归速度十分慢。当前，新的算法层出不穷，企业急需需要较慢构建算法的人工智能平台，需要很快将新方法投放实际的生产中，Brain++是一个很好的参照范例。

版权文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：澳门新葡澳京-www.ii-sikai.org