深度学习框架大PK：TNN决战MNN，ncnn依旧经典

近年来，开发者社区中，「开源」成了新流行趋势。

尤其是深度学习框架，自腾讯2017年将ncnn开源之后，各大AI实验室都「慷慨」的将自己的框架开源，以实现较为快速的创新。

今年6月10日，腾讯又宣布基于ncnn设计的深度学习推理框架TNN也将开源。TNN开源后，许多开发者都将其与ncnn，MNN等开源框架作比较。

TNN性能略胜一筹，「剑指」移动端；MNN通用性表现更佳

TNN设计之初一方面是为了提高算力，另一方面强调了对移动设备的支持。不然用户就没必要放弃生态很好的MNN和大家都熟悉的ncnn来使用TNN了。

TNN是基于ncnn开发的，对其进行重构升级。除了算力显著的提升以外，基于TNN开发者还可以将深度学习算法移植到手机端，开发移动端的AI产品。

为了比较MNN，ncnn和TNN的性能，在以下的主流平台做了测试：

可以看到性能方面TNN还是有优势的。但是有些环境下的测试其实和MNN还是不相上下，阿里的开发团队也说，TNN的性能激励了MNN的提高，但相比当年2000ms到700ms的飞越还是差点意思。

TNN性能提升的关键是低精度计算，之前讲的没有办法移植到移动端的本质原因是手机处理器比较薄弱，因此框架适应中低端机是非常重要的。TNN在这方面做的很好，在中低端机上的性能提升约20%。

通用、轻便也是TNN框架的亮点之一，解决了一部分不同框架间的模型转换问题。但是TNN的模型转换需要基于ONNX，而不像MNN那样直接支持。操作上只是多了一步，通用性上又大打折扣了。

通用性上MNN的优势也不容置喙，MNN在通用性上下了很大的功夫，你看支持的算子数目就可以知道这算是MNN的一个工作重点。

算子实现上，MNN在计算后端的支持也是最广的。除了ARM v8.2，MNN在GPU算子的支持上也远超于其他两个框架。

再讲讲开源的一个重要问题：代码可读性。尽管CPU的代码框架上，TNN和ncnn非常像，但是风格和结构远超ncnn，更加的易读。这点MNN也做得很不错，MNN和TNN在代码各结构上还是有很多相似点。这些相似点让MNN到TNN做代码迁移变的没有那么复杂。

总的来说，ncnn作为2017年第一个开源的框架，非常经典。在TNN和MNN的性能差距不大的情况下，选择哪个框架就属于因人而异的事情，各有各的优势。

从ncnn开始，深度学习框架开源已成大趋势

虽然企鹅最近因为一些花边新闻老是被调侃，但是深度学习框架开源这方面，真的要感谢这个傻白甜鹅在2017年7月开源的ncnn。几乎开启了深度学习框架开源的「热潮」。

在业界各方人士三年不懈努力（内卷）下，VGG16 在 RK3399 上单核心的推理速度从 2000 ms+ 压榨到了 700 ms+。这之中也正是因为开源，才能够集众人智慧，得到如此卓越的性能提升。

ncnn作为元老级别的框架，本身就是为移动平台优化的高性能神经网络推理计算来开发的。从设计之初，ncnn就在手机上进行部署和使用深思熟虑。ncnn当前在许多腾讯应用程序中使用，包括我们熟悉的微信、QQ等。

MNN也是具有重大意义的一个开源框架。MNN是一个高效，轻量的深度学习框架。它支持深度模型推理与训练，尤其是在端侧的推理与训练性能在其中领先领先。目前，MNN已经在阿里巴巴的手机淘宝，手机天猫，优酷，钉钉，闲鱼等20个应用中使用。

MNN对于性能的提升有着卓越的贡献，因此也成为开发者的框架首选。

TNN作为2020年鹅厂开源的一款移动端推理框架，具有高性能、轻量级的特点，拥有跨平台、高性能、模型压缩、代码裁剪等众多优势。目前TNN已经在手机QQ、微视、P图等应用中落地。

除了这三个主流的框架，还有一些也经常被使用的框架，例如PPL。但是PPL现在还没有开源，可能商汤还是想「有所保留」的。其实ncnn开源的时候PPL就出来说过他们的性能更好，PPL其实也是被开发者们经常使用的框架之一了。

百度开源了一个叫做Padle-Lite的框架。Paddle-Mobile是一个开放源代码的深度学习框架，旨在简化在移动，嵌入式和IoT设备上的推理。它与PaddlePaddle和其他来源的预训练模型兼容。

开源框架甚至有雷总的身影，小米主体业务还是在硬件方面，开源框架确实很稀奇。MACE是一个深度学习推理框架，针对Android，iOS，Linux和Windows设备上的移动异构计算进行了优化。

 

 

最后，方便大家使用，放上开源框架大礼包：

ncnn：https://github.com/Tencent/ncnn

MNN：https://github.com/alibaba/MNN

TNN：https://github.com/Tencent/TNN

PL：https://github.com/PaddlePaddle/Paddle-Lite

MACE：https://github.com/XiaoMi/mace