Adlik是人工智能领域，深度学习模型的推理应用加速工具链，对开发者的意义就在于Adlik能够为训练后的模型实际应用提供完善的工程化支持，有效降低了使用者对各类模型推理运行时的学习成本，并且给出端到端应用落地的模型自动优化-应用方案，提升了AI深度学习模型的商业应用的效率。同时，Adlik还借助了工程化的优势，对模型，推理框架的评测提供了自动化测试方案框架和实施过程，能够有效推动深度学习领域的标准化测试开展。
Adlik包含几个大的功能模块。
1 模型优化器
Adlik的模型优化器支持剪枝和量化。剪枝算法中，Adlik采用过滤器剪枝方案，对卷积层的剪枝效果出色。在量化上，Adlik采用小数据集量化和校准算法，仅需要100给样本图像，在不到1分钟时间内，完成ResNet50模型的量化过程，并且量化后精度损失很小。量化后的模型，可以生成为TF lite或TensorRT格式模型，运行在各类执行硬件上。
2 模型编译器
Adlik模型编译器，支持TensorFlow，PyTorch，Keras等多类训练框架，将其产生的模型编译为指定运行时和硬件环境依赖的模型文件，同时也支持ONNX文件格式的模型编译。模型编译器的软件架构设计上很有特色，以各模型表达方式和模型端到端编译的目标，形成DAG图，以算法形式完成图搜索过程，自动寻找最优的编译（模型文件转换）路径，后期可以和模型优化特性结合在一起使用，形成自动优化/编译过程。
3 推理引擎 Adlik Inference Serving Engine
Adlik集成了多款深度学习模型的推理运行时，如Tensorflow Serving( 最新版本2.2)，TensorRT（6/7），OpenVINO（2019），Tensorflow Lite（2.2）等，并且开发了模型管理，版本更新策略控制等功能。Adlik 推理引擎对外支持http和grpc接口，并在支持Tensorflow Lite运行时的嵌入式版本中，对外提供模型调用的C++ API接口，能够为嵌入式系统提供更高效的推理效率。Adlik推理引擎同时支持多模型实例调度方案，为边缘侧资源受限的系统部署提供了有效的推理解决方案。
4 Benchmark 自动测试框架
Adlik自动测试框架，是为了完成不同运行时在相同硬件环境下的标准化性能测试。依据Adlik完善的模型编译和引擎的工程化积累，当前自动测试框架能够提供高效且自动化的测试流程，为业界标准化测试提供了良好的工具。
在r0.1版本发布过程中，来自中兴，中国联通，中国移动，LFAI等组织以及独立个人开发者多人次提交代码，issue，comments，并定期参加TSC会议等。总共在master分支提交123次commits，完成pr 106个，issue关闭24单，形成了良好的社区氛围。