MNN是一個(gè)輕量級(jí)的深度神經(jīng)網(wǎng)絡(luò)推理引擎，在端側(cè)加載深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行推理預(yù)測(cè)。
作者：開心的派大星
首發(fā)：微信公眾號(hào)：NeuroMem
轉(zhuǎn)自：https://github.com/alibaba/MNN/edit/master/README_CN.md

簡(jiǎn)介

MNN是一個(gè)輕量級(jí)的深度神經(jīng)網(wǎng)絡(luò)推理引擎，在端側(cè)加載深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行推理預(yù)測(cè)。目前，MNN已經(jīng)在阿里巴巴的手機(jī)淘寶、手機(jī)天貓、優(yōu)酷等20多個(gè)App中使用，覆蓋直播、短視頻、搜索推薦、商品圖像搜索、互動(dòng)營(yíng)銷、權(quán)益發(fā)放、安全風(fēng)控等場(chǎng)景。此外，IoT等場(chǎng)景下也有若干應(yīng)用。

整體特點(diǎn)

輕量性

• 針對(duì)端側(cè)設(shè)備特點(diǎn)深度定制和裁剪，無任何依賴，可以方便地部署到移動(dòng)設(shè)備和各種嵌入式設(shè)備中。
• iOS平臺(tái)：armv7+arm64靜態(tài)庫(kù)大小5MB左右，鏈接生成可執(zhí)行文件增加大小620KB左右，metallib文件600KB左右。
• Android平臺(tái)：so大小400KB左右，OpenCL庫(kù)400KB左右，Vulkan庫(kù)400KB左右。

通用性

• 支持Tensorflow、Caffe、ONNX等主流模型文件格式，支持CNN、RNN、GAN等常用網(wǎng)絡(luò)。
• 支持86個(gè)TensorflowOp、34個(gè)CaffeOp；各計(jì)算設(shè)備支持的MNN Op數(shù)：CPU 71個(gè)，Metal 55個(gè)，OpenCL 29個(gè)，Vulkan 31個(gè)。
• 支持iOS 8.0+、Android 4.3+和具有POSIX接口的嵌入式設(shè)備。
• 支持異構(gòu)設(shè)備混合計(jì)算，目前支持CPU和GPU，可以動(dòng)態(tài)導(dǎo)入GPU Op插件，替代CPU Op的實(shí)現(xiàn)。

高性能

• 不依賴任何第三方計(jì)算庫(kù)，依靠大量手寫匯編實(shí)現(xiàn)核心運(yùn)算，充分發(fā)揮ARM CPU的算力。
• iOS設(shè)備上可以開啟GPU加速（Metal），常用模型上快于蘋果原生的CoreML。
• Android上提供了OpenCL、Vulkan、OpenGL三套方案，盡可能多地滿足設(shè)備需求，針對(duì)主流GPU（Adreno和Mali）做了深度調(diào)優(yōu)。
• 卷積、轉(zhuǎn)置卷積算法高效穩(wěn)定，對(duì)于任意形狀的卷積均能高效運(yùn)行，廣泛運(yùn)用了 Winograd 卷積算法，對(duì)3x3 -> 7x7之類的對(duì)稱卷積有高效的實(shí)現(xiàn)。
• 針對(duì)ARM v8.2的新架構(gòu)額外作了優(yōu)化，新設(shè)備可利用半精度計(jì)算的特性進(jìn)一步提速。

易用性

• 有高效的圖像處理模塊，覆蓋常見的形變、轉(zhuǎn)換等需求，一般情況下，無需額外引入libyuv或opencv庫(kù)處理圖像。
• 支持回調(diào)機(jī)制，可以在網(wǎng)絡(luò)運(yùn)行中插入回調(diào)，提取數(shù)據(jù)或者控制運(yùn)行走向。
• 支持只運(yùn)行網(wǎng)絡(luò)中的一部分，或者指定CPU和GPU間并行運(yùn)行。

架構(gòu)設(shè)計(jì)

MNN可以分為Converter和Interpreter兩部分。

Converter由Frontends和Graph Optimize構(gòu)成。前者負(fù)責(zé)支持不同的訓(xùn)練框架，MNN當(dāng)前支持Tensorflow(Lite)、Caffe和ONNX(PyTorch/MXNet的模型可先轉(zhuǎn)為ONNX模型再轉(zhuǎn)到MNN)；后者通過算子融合、算子替代、布局調(diào)整等方式優(yōu)化圖。

Interpreter由Engine和Backends構(gòu)成。前者負(fù)責(zé)模型的加載、計(jì)算圖的調(diào)度；后者包含各計(jì)算設(shè)備下的內(nèi)存分配、Op實(shí)現(xiàn)。在Engine和Backends中，MNN應(yīng)用了多種優(yōu)化方案，包括在卷積和反卷積中應(yīng)用Winograd算法、在矩陣乘法中應(yīng)用Strassen算法、低精度計(jì)算、Neon優(yōu)化、手寫匯編、多線程優(yōu)化、內(nèi)存復(fù)用、異構(gòu)計(jì)算等。

開始使用

• 使用方法
• 算子列表
• API文檔
• 示例

工具

• 測(cè)試工具
• 性能測(cè)試
• 模型壓縮
• 基于表達(dá)式構(gòu)建模型并評(píng)測(cè)

如何修改

• 自定義后端
• 自定義算子
• 貢獻(xiàn)代碼

如何使用Python

• Python

交流與反饋

• 常見問題

License

Apache 2.0

致謝

MNN參與人員：淘寶技術(shù)部、搜索工程團(tuán)隊(duì)、達(dá)摩院團(tuán)隊(duì)、優(yōu)酷等集團(tuán)員工。

MNN參考、借鑒了下列項(xiàng)目：

• Caffe
• flatbuffer
• gemmlowp
• Google Vulkan demo
• Halide
• Mace
• ONNX
• protobuffer
• skia
• Tensorflow
• ncnn
• paddle-mobile
• stb
• rapidjson

推薦閱讀

• TensorFlow Lite概述：轉(zhuǎn)換器、解釋器、XLA和2019年路線圖
• 嵌入式AI簡(jiǎn)報(bào) (2020-01-06)

歡迎關(guān)注公眾號(hào)，關(guān)注模型壓縮、低比特量化、移動(dòng)端推理加速優(yōu)化、部署。

審核編輯：符乾江