在移动设备上本地运行深度学习模型，已经成了一股潮流，大公司纷纷推出相关框架，想框住一批移动开发者。
今天，百度在GitHub上公开了一个移动端深度学习框架mobile-deep-learning（MDL），可以在移动设备上简单快速部署卷积神经网络（CNN）。
MDL的特点是体积小、速度快，还有iOS GPU版本。它的体积是armv7 340k+，，用iOS GPU运行MobileNet需要40毫秒，运行squeeznet需要30毫秒。
地址：https://github.com/baidu/mobile-deep-learning
用MDL能实现什么功能呢？主要是图像识别和目标检测，比如说手机百度的拍照搜图功能。
据百度介绍，手机百度App里现在用的就是这个框架。打开手机百度，点击拍照搜索按钮，接下来识别图像就靠MDL了。
为了让用户直观地看到框架效果，百度还编译打包了iOS和Android的安装文件，可以扫码安装：
△ 安装iOS-MobileNet
△ 安装Android-GoogLeNet
MDL是用来在移动端部署CNN的，并不支持神经网络的训练。现在，这个框架支持将Caffe模型转换成MDL模型。
百度图像搜索客户端工程师李永会在InfoQ撰文介绍MDL说，这个框架包括模型转换模块（MDL Converter）、模型加载模块（Loader）、网络管理模块（Net）、矩阵运算模块（Gemmers）及供 Android 端调用的 JNI 接口层（JNI Interfaces），结构如下：
其中负责将Caffe模型转化成MDL模型的，就是模型转换模块。
根据百度在GitHub上的介绍，MDL具有如下特性：
一键部署，脚本参数就可以切换ios或者android
支持iOS gpu运行MobileNet、squeezenet模型
已经测试过可以稳定运行MobileNet、GoogLeNet v1、squeezenet模型
体积极小，无任何第三方依赖。纯手工打造。
提供量化脚本，对32位float转8位uint直接支持，模型体积量化后4M上下
与ARM相关算法团队线上线下多次沟通，针对ARM平台会持续优化
NEON使用涵盖了卷积、归一化、池化所有方面的操作
汇编优化，针对寄存器汇编操作具体优化
loop unrolling循环展开，为提升性能减少不必要的CPU消耗，全部展开判断操作
将大量繁重的计算任务前置到overhead过程
想要更深入地了解MDL，还是得去GitHub亲自看代码：https://github.com/baidu/mobile-deep-learning
