随着深度学习领域的快速发展，以及移动端芯片计算能力的逐步提升，设备端上的深度学习推理正在变成一个趋势，一个好用的深度学习框架成为深度学习应用落地的关键。MACE是开源的专门为移动端芯片优化的深度学习框架。本次分享主要介绍MACE在开发和使用中的一些经验总结。

演讲提纲:

1. 设备端深度学习的趋势

2. 设备端深度学习框架的优化方法

 （1）性能优化

 （2）内存优化

 （3）框架精简

 （4）模型加载

 （5）模型安全

3.  小米设备端深度学习应用场景举例

听众收益:

1. 了解设备端深度学习的典型应用情况

2. 了解设备端深度学习框架MACE开发优化与使用经验总结

深度学习技术已经在互联网的诸多方向产生影响。该技术近几年在嵌入式领域也得到飞速发展，各种互联网产品都争相在端侧应用深度学习技术，产品对深度学习的引入也将进一步影响用户体验。随着移动设备被广泛使用，在移动互联网产品应用深度学习和神经网络技术已经成为必然趋势。

在移动端应用深度学习技术时往往存在各种各样的问题，由于移动端设备的性能以及包体积、耗电、内存都有很大的局限，这就为深入全面落地相关技术框架带来了很大难度。本次演讲主要从硬件面对的困难讲起，再到落地应用层面的问题解决，以简单搜索App为案例全面讲解从汇编到顶层架构实现。

演讲提纲：
1. 移动端 AI 现状
2. Paddle-Mobile 介绍
3. Paddle-Mobile CPU 性能优化
4. CPU 优化落地简单搜索 APP 场景案例
5. Paddle-Mobile GPU 性能优化
6. GPU 优化落地简单搜索 APP 场景案例
7. FPGA、NPU等协处理器方案
8. Paddle-Mobile 硬件支持架构描述
9. 简单搜索创新体验介绍

听众收益：

1. 从中可以了解到当下移动端AI框架的格局和发展情况
2. Paddle-Mobile做为百度移动端唯一深度学习框架的ARM CPU和Mali\Andreno GPU的性能优化
3. 对体系结构和硬件知识也可以有一定的深入了解

本次讲座将会介绍什么是TensorFlowLite，以及如何使用TensorFlowLite包括模型转化以及模型量化；还会介绍TensorFlowLite的应用和最佳实践；最后会介绍TensorFlow2.0的新特性。

演讲提纲：

1.  什么是TensorFlowLite

2. TensorFlowLite的优点

3. 如何使用TensorFlow Lite

(1) 如何转换

(2) 如何进行性能优化

(3) 如何进行量化

4. TensorFlowLite for microcontroller

5. TensorFlowLite 的应用以TensorFlow 2.0

听众收益:

1. 了解如何使用TensorFlowLite以及最佳实践

2. 了解TensorFlow 2.0 新特性