视频地址：Android 机器学习新功能，Video 时长：9min29s
以下是视频内容的文字总结，以供参考
一、背景知识
设备端的机器学习近年来发展迅速，Google I/O 2021 《What's new in Android Machine Learning》这一part主要从设备端机器学习的一些优势、常见应用场景、在部署中面临的一些技术挑战、以及Google针对这些问题的解决方案几个方向来展开。
二、分享内容
2.1 设备端机器学习的发展与优势
过去十年，机器学习在视觉、语音处理及语言任务能力方面取得了长足的发展。
与云端部署相比，设备端机器学习有很多优势：
- 本地设备上处理数据，可以减少无线电使用量，从而降低功耗
- 消除往返，改进延迟
- 减少隐私数据暴露
- 不仅可以离线使用，也可在线使用
常见应用：视频会议背景模糊、实时语音字幕、使用ML Kit进行实时姿态检测、离线翻译、手写识别等，其他内容可以访问g.co/on-device-ml
Android设备上ML发展迅速，包含硬件加速功能的设备超过7.3亿，ML Kit每月活跃用户超过5亿
2.2 设备端机器学习面临的一些挑战
在Android上部署这些应用面临一些共同的挑战
- 包体大小的限制
- 设备之间的性能差异、稳定性、准确性问题
- 设备的兼容性大导致的通用机器学习API数量稀少（不同版本的支持）
能不能有一套组件来解决这些问题？
2.3 解决方案
提供一套可更新的完全集成的机器学习推理堆栈（方案）
- 无需捆绑集成机器学习相关组件
- 能提供各种硬件加速来进行性能优化
- 适用于各个Android 版本的统一API，定期从Google获取常用更新
就是TensorFlow Lite for Android
- 通过Google Play为Android设备预装TensorFlow Lite, 不需要捆绑安装，减小包体大小, 通过Google Play自动更新
- TensorFlow Lite 集成硬件加速，通过向模型中添加元数据，为模型选择最佳性能的后端，CPU性能提升了50%，
TensorFlow Lite拥有强大的CPU后端，并能使用Android基础的硬件加速
之前想让模型运行在GPU上，在Android上非常复杂
- 性能、稳定性和准确性都会因为芯片组合GPU驱动程序而异
- 需要设置实验，获取不同设备上的数据进行训练
目前，已经提供了部分解决方案，从TFLite 2.3起，Android版内置了GPU加速支持列表，只需实例化，通过GPU代理类安全使用确认支持的相关硬件调用，但是并没法衡量使用GPU后是否达到加速效果
为此提供了自动加速，将模型考虑在内，借助额外的元数据，检查模型是否正常运行，以及使用加速器时的性能是否优于CPU。自动支持列表不仅适用于CPU和GPU，还适用于其他DSP、NPU
Android 神经网络API
随着新ANdroid机型DSP、NPU硬件单元的增加，NNAPI可以保证在不同设备上访问这些底层硬件单元
但是自Android 10版本以来NNAPI是集成到Android OS中了，更新缓慢，新模型只能再新设备上运行，并且需要开发者自动适配不同的设备
Android 12开始NNAPI从OS中移除，通过Google Play更新，并且可更实际的新硬件驱动。不同的Android版本-硬件使用相同的NNAPI，并且高通将成为可更新NNAPI产品的合作伙伴
三、总结
3.1 内容小结
设备端机器学习，Android新特性
- 支持Google Play的手机将在设备端自动集成TensorFlow Lite，无需打包到应用中；
- 机器学习框架侧支持自动硬件加速，通过对模型添加meta-data，自动对比和选择CPU、GPU、NPU等模型运行时的最佳性能；
- 将NNAPI从Android OS侧剥离出来，通过Google Play更新，并且可实际更新对应的硬件驱动，以便在不同Android版本和硬件设备上提供统一兼容的NNAPI；
3.2 关键QA
Q：TensorFlow Lite如何在设备端直接集成？
A：www.infoq.com/news/2021/0…。通过Google Play Service服务更新常用组件一样，成为基础API库
Q：自动硬件加速如何实现？
A：简单理解应该是在每次运行过程中在不指定硬件backend情况下，自发收集和调度模型的运行情况，找到最有解；
Q：NNAPI到底是什么？
A：之前是集成在Android OS层面的神经网络库，后续单独剥离出来，也是通过Google Play Services更新，另外正在和硬件厂商合作，统一对应硬件兼容和驱动更新。