文章目錄

• 背景
• 系統環境
• MNN介紹
• MNN環境
• Python使用MNN
• 參考文章

背景

背景：手機端需要調用深度學習模型的計算。
方案：python訓練模型–>轉到MNN框架模型–>放入C++調用（SDK）–>Java調用SDK（JNI）.

系統環境

CentOS Linux release 7.9.2009 (Core)
Linux iZuf627r0ggzf84xn57fuvZ 3.10.0-1160.62.1.el7.x86_64
Tesla V100 32G CUDA11
Miniconda3

推薦Linux系統，不推薦Windows系統。

安裝：

sudo yum install cmake3 protobuf -y

注意： CMake 3.0 or higher is required， 所以：

sudo ln -s /usr/bin/cmake3 /usr/bin/cmake

MNN介紹

直接查看文檔：https://github.com/alibaba/MNN/blob/master/README_CN.md



工具
MNN-Converter：模型轉換工具，由Frontends和Graph Optimize構成。前者負責支持不同的訓練框架，MNN當前支持Tensorflow(Lite)、Caffe、ONNX(PyTorch/MXNet的模型可先轉為ONNX模型再轉到MNN)和Torchscripts；後者通過算子融合、算子替代、布局調整等方式優化圖，一般離線運行。
MNN-Compress: 模型壓縮工具，在一定的精度誤差許可下，對MNN模型進行壓縮，減少模型體積，提升運行性能。
MNN-Express ：支持帶控制流的模型運行，支持調用 MNN 的算子進行自定義的計算。
MNN-CV ：類似 OpenCV ，但核心計算功能基於 MNN 實現的圖像處理算法庫
MNN-Train ：MNN 訓練模塊，支持各平台訓練

MNN環境

參考：https://www.yuque.com/mnn/cn/demo_project

下載MNN工程：

git clone https://github.com/alibaba/MNN.git

編譯前的選擇：
vim CMakeLists.txt 我看CMakeLists.txt裡的都很有用，我都手動ON上了，以後學習過程中說不定就用了：

編譯：

cd path/to/MNN
# 生成 schema ，可選
cd schema && ./generate.sh
# 進行編譯
cd path/to/MNN # 注意回到根目錄
mkdir build && cd build
cmake -DMNN_BUILD_DEMO=ON ..
make -j

在系統中構建這個MNN後，就能使用MNN提供的眾多工具了。

Python使用MNN

代碼和介紹：https://github.com/xddun/MNN_Demos

參考文章

https://blog.csdn.net/wl1710582732/article/details/107731147