识别原理——硬件数据采集——软件数据处理
目前主流的开源平台包括CMU Sphinx、HTK、Kaldi、Julius、iATROS、CNTK、TensorFlow等，CMU Sphinx是离线的语音识别工具，支持DSP等低功耗的离线应用场景。由于深度学习对于语音识别WER的下降具有明显的作用，所以Kaldi、CNTK、TensorFlow等支持深度学习的工具目前比较流行，Kaldi的优势就是集成了很多语音识别的工具，包括解码搜索等。
Mobile AI Compute Engine，mace不光支持qcom的芯片，也支持麒麟。mace github开源，3395*，覆盖CPU、GPU、DSP，业界领先的性能和稳定性，编译时只支持arm，不使用GPU加速，Gradle是一个基于Apache Ant和Apache Maven概念的项目自动化建构工具。它使用一种基于Groovy的特定领域语言来声明项目设置，而不是传统的XML。移植mace到手机上识别键盘、鼠标等，速度还可以。
android sdk。
综合来讲，对比目前已有的几个开源mobile dnn inference库，caffe2、tf-lite、ncnn和snpe，再加上一些著名的dnn后端库，比如arm compute library、nnpack、gemmlowp、hexagon dsp sdk、qsml等，mace算是支持比较完整（当然了，缺乏ios的支持算是目前的短板，但应该不难解决），优化比较到位的库。
库的评价点：
1. 是否有CPU优化？是否使用NEON？是否有为mobile设计的thread pool？是否有针对CPU架构做超参数的调整（比如说thread number）？
CPU优化是必须有的，不用NEON（SIMD）是不可能的。采用 intrinsic c+汇编 的方式已经较好的发挥了NEON的优势，benchmark结果也很可观。
2. 算法上是否采用了正确的path，比如说用Winograd来做卷积（类似nnpack），对小矩阵做特殊优化（类似xsmm），等等？
CPU和GPU均采用了Winograd算法来优化卷积，效果也是很显著的，还算接近理论加速比。并且针对常用卷积核有专门优化，效果都是显而易见的。
3. GPU上，是否有高效的kernel implementation？比如说OpenCL/GL，Metal，等等。
目前对高通的Adreno GPU有很好的优化(这里当然得感谢高通的支持，毕竟他们是最了解芯片的)
，此外又适配了Mali和PowerVR，以实现通用型，将来会针对Mali的GPU进一步优化。
4. 是否有在 mobile 上非常有用的一些功能，比如说reduced precision（类似gemmlowp）
GPU目前支持float16和float32两种精度，float16相对于float32精度稍微差点但是性能有大幅提升，而目前常见CNN网络对精度不是很敏感，所以GPU默认采用float16。CPU目前还不支持量化，不过在不久的将来就会支持。
5. 通用性问题
手机端的通用性比较难做。CPU目前主流的只有ARM一家，所以还好说。而GPU目前主流的有三家，三家技术不尽相同，MACE目前做了适配，但是还不敢保证所有GPU的可用性和高性能，当然这也是将来的工作重点，尽可能支持主流的所有设备，将来能够提供一个完整的解决方案。
参考链接：
https://zhuanlan.zhihu.com/p/31193859
http://zhuanlan.51cto.com/art/201706/543458.htm
