本文主要是介绍深度学习推理引擎：MNN pk TNN，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
前阵子腾讯新推理引擎TNN发布：推理引擎新选择，腾讯优图开源TNN，ncnn的性能升级版，公开PK了阿里的MNN。近日，MNN开发团队对此测评进行了友好而又不失水准的回应。
本文转载自淘系技术。
每当有深度学习框架开源时，我们也和广大的吃瓜群众一样，期冀着是不是能有一波新的浪潮，把端侧AI托上一个新的高度。但同时，出于同行们对MNN的认可，我们几乎每一次都会在对比的榜单上出镜，有时甚至是唯一竞对。高处不胜寒哪。
在正文之前，要先赞扬一下腾讯的开源精神。2017年，NCNN吹响了国内引擎开源的号角，为诸多后来者树立了榜样。而今，TNN又一次在移动性能上又迈出了一步。作为开源社区的一员，来，我们欢迎…emmm…这一位到底是该称为老戏骨还是小鲜肉…加入社区性能毒打群和谐友爱的大社区。
关于测评的一些观点
端侧AI在这两三年里，可谓高速发展，新应用、新算法、新硬件推陈出新，也不断有新推理引擎涌现。但对引擎的评价方式定格在了三年前，比较的总是ARMv7/ARM64下MobileNet、SqueezeNet、ResNet不同版本的性能比较。
这对我们而言，愈发像是一场性能的"圣杯战争" —— 性能重要吗？当然重要。能不参与吗？又无人身免。但这几个模型的性能真的是推理引擎们的终极目标吗？当然不是！如果我们的目标是真正去降低社区AI应用的门槛，就不能只停留在这些指标上。
测评报告的原初目的，应该是便于用户针对自身的业务，做出选择，而不是秀肌肉。
一个好的推理引擎应至少具有三个基本特性：
通用性，模型支持是一切应用的前提；
高性能，但快慢若脱离业务价值，也会缺失实际意义；
易用性，能少搬几块砖，岂不美哉？
因此，行业评价推理引擎的方式亟需升级 —— 性能上，除了基准的数据，也应包含对新后端、新特性的支持情况；算子上，用户可能更关心除了CNN以外，能不能支持RNN、GAN、Transformer；易用性上，是不是有提供可视化工具、测评工具、量化工具，编程界面是不是足够友好。
为此，我们一直在努力。
高性能
虽然说不能只看性能，但点名了，还是要回应一下的。
做完数据验证，虽然数据和TNN的测评稍有出入，但毕竟也为我们的工程师刷新了一个小目标。于是，我们把之前搁置的优化拎上了日程。一周不到的时间，835/845上跑小网络，CPU上，略胜一筹；GPU上，则是5 ~ 15%的领先。
但这再也不是当年从2000ms降低到700ms那样的飞跃了。
而如果我们放眼大一些的模型，比如Inception V3，那么情况会是：
又或是打开ARM v8.2的情况下，不论是fp16还是quant，性能都可以有一段跃迁：
你看，可以为业务带来质变优化的点依然存在。而这些，正是我们暂时按下ARM优化的原因。
通用性
除了性能，用户最为关心的指标就是通用性。性能再好，业务模型跑不起来都白搭。而MNN背靠阿里巴巴的众多智能场景，久经各方业务的磨炼，在支持算子的数量、算子实现的质量上，都可谓久经考验。但如果不是MNN的死忠粉，可能都很难意识到，我们在通用性方面下的苦功。
模型转换上，我们没有将Caffe、TensorFlow、TensorFlow Lite的转换转嫁给三方的工具，尽量避免模型格式间转换导致的失败。从开源到现在，在支持的转换算子总量上，MNN翻了一番还多。
算子实现上，我们在计算后端的支持上，应该也是业界最广的。除了前文所述的ARM v8.2，我们在GPU算子的支持上，也不遑多让。
注：计算算子数量时，对Binary、Unary、Reduce算子，统一到友商口径，采用拆分成多种的方式计算。
易用性
易用性方面，在过去的一年，我们也着墨颇多。
可视化上，我们在跨平台可视化工具 Netron 上增加了对MNN模型的支持。
模型压缩上，我们的工具同时支持了KL和ADMM两种量化方式，即可以采用Post-training Quantization 降低量化门槛，也可以采用Quantization Aware Training 来提升量化的精度。
模型测评上，我们提供的校验工具和Profiler工具，可以帮助开发者快速定位模型中的问题所在。
前端语言上，我们还打通了MNN和Python的桥接，方便算法工程师们，在自己熟悉的平台、熟悉的语言上，完成开发、校验。
除了工程之外，文档示例上，我们也没落下。我们搭建了 中英文的文档集 ，也和社区一起搭建了我们的 示例集 。
想点大事
如果跳出引擎的小圈子，放眼整个AI生态圈，端侧AI近几年发展到底怎么样呢？
我们以云侧AI为标尺，可以把端侧AI拆解为上下两层：
基础设施
如前所述，不只是性能，推理引擎在通用性、易用性等方面还有待完善。而推理引擎也只是解决了模型在端侧运行的问题，从端侧AI部署的完整迭代来说，模型转换、模型压缩、开发调试、效果评估、算法和工程怎么高效协同等等，需要优化、提效的流程，还有很多。
上层应用
从应用角度来说，目前端侧AI应用的广度和深度都是不够的 —— 一方面，杀手级的应用不多，甚至基本就没有；
另一方面，AI应用的门槛还比较高，很多长尾需求难以落地。可以说，端侧AI的业务价值还没有充分被挖掘出来。
因此，相比于烈火烹油的云侧AI，或是三端一体的Flutter，我们都还需要和社区站在一起，做更进一步的探索。
我们真切得认为端侧AI还处于发展的初期，更需要从业者一起努力推动行业发展，而不是把弹药浪费在无尽的对比内耗上面。我们期望和大家在真正有益于繁荣AI生态的方向上，探索出一片新的空间。
端智能团队
淘宝基础平台部-端智能团队欢迎移动端计算优化工程师和推理引擎架构师的加入。对新技术感兴趣，善于创新突破，渴望用新技术给用户带来创新体验的同学请联系我们。
简历投递至吕行：chengfei.lcf@alibaba-inc.com
链接
https://github.com/lutzroeder/netron
https://www.yuque.com/mnn/cn/tool_quantize
https://www.yuque.com/mnn/cn/bhz5eu
https://www.yuque.com/mnn/cn
https://www.yuque.com/mnn/cn/demo_zoo
END
备注：部署
模型压缩与应用部署交流群
模型压缩、网络压缩、神经网络加速、轻量级网络设计、知识蒸馏、应用部署、MNN、NCNN等技术，
若已为CV君其他账号好友请直接私信。
OpenCV中文网
微信号 : iopencv
QQ群：805388940
微博/知乎：@我爱计算机视觉
投稿：amos@52cv.net
网站：www.52cv.net
在看，让更多人看到
这篇关于深度学习推理引擎：MNN pk TNN的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
