历经近6年的打磨，MegEngine 的框架一直紧跟旷视的应用场景调整升级，尤其针对国内需求，相比 TensorFlow、PyTorch 适用性更加突出。
整体上，Brain++ 可针对视觉任务定制化优化，更好满足大量图像及视频训练，完成图像分类、物体检测、物体场景分割、影像分析等复杂的视觉任务。
值得一提的是，作为 Brain++ 最为核心的引擎框架，MegEngine 配备了 AutoML 技术，将深度神经网络设计、参数调整及设备适配等过程自动化，提高开发效率，同时可智能调度平台硬件基础设施的计算能力，支持数百名研究人员同时在数万个 GPU 芯片上执行从数百到数千个训练任务。
旷视从 2014 年开始，内部成立了“Engine”小组自研深度学习框架，经过5年多的打磨和实践，MegEngine 已经逐渐成为支撑其算法研究开发的底层平台，并在旷视实现全员使用。近几年，旷视的计算机视觉技术在智慧城市、智慧物流、智慧零售中的落地逐渐加快，其算力及深度学习框架也在海量数据的补给中更加茁壮。
据了解，MegEngine 基于C++开发，可帮助用户借助编程语言进行高性能的运算执行。同时旷视在框架内部，使用了目前流行的计算图方式，但是和其他框架不同，MegEngine 使用的是异构架构，方便使用框架进行分布式计算。
此外，MegEngine 内部的计算以算子的形式进行，它支持多种算子节点和变量算子，包括常用的卷积、全连接、ReLU 和用户可定制的算子，甚至可以计算二阶梯度，从而进行更多底层和灵活的运算。
可以说，MegEngine 在尽全力提升深度学习计算性能的基础上，为用户提供了灵活易用的模型构建工具，极大地提升了开发效率。相比于很多深度学习开源框架，MegEngine 的特点也非常明显：
首先在运算速度上，旷视 MegEngine 具备高性能计算核心，动态静态结合的内存优化机制运算速度更快，且占用更少的内存资源；其次在易用性上，MegEngine 封装了平台细节，且接口兼容 PyTorch，新人用户可快速上手；最后，MegEngine 还支持多种硬件平台和异构计算，整个框架既可用于训练又同时支持推理，实现模型一次训练，多设备部署，能够免除了不必要的转换流程导致的性能下降和精度损失。
除以上性能，MegEngine 据称也为 IoT 和视觉任务进行了特别的优化，广泛支持各种芯片。通过领先的量化计算支持，其可以通过统一量化模型来支持多种设备，同时支持低于8bit 的网络推理。
深度学习框架对于人工智能发展的推动作用自是不言而喻，但框架安装、部署、上手使用一直是难点，要针对不同硬件、模型、内存做调试。而 MegEngine 做了相应的自动化和封装，使得门槛大大降低，初级开发者也能掌握。正如深度学习框架降低了 AI 的门槛，MegEngine 又进一步降低了框架本身的部署、使用门槛。
节选自AI科技评论，原作者张梦华