TNN：由腾讯优图实验室开源的高性能、轻量级神经网络推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN框架在原有Rapidnet、ncnn框架的基础上进一步加强了移动端设备的支持以及性能优化，同时借鉴了业界主流开源框架高性能和良好拓展性的特性，拓展了对于后台X86, NV GPU的支持。手机端 TNN已经在手机QQ、微视、P图等众多应用中落地，服务端TNN作为腾讯云AI基础加速框架已为众多业务落地提供加速支持。欢迎大家参与协同共建，促进TNN推理框架进一步完善。
| 人脸检测(blazeface) | 人脸配准(腾讯优图) | 头发分割(腾讯光影) |
|---|---|---|
 模型链接: tflite tnn |
 模型链接: tnn |
 模型链接: tnn |
| 姿势估计(腾讯光流) | 姿势估计(blazepose) | 中文字符识别 |
|---|---|---|
 模型链接: tnn |
 模型链接: tflite tnn |
 模型链接: onnx tnn |
| 物体检测(yolov5s) | 物体检测(MobilenetV2-SSD) | 阅读理解 |
|---|---|---|
 模型链接: onnx tnn |
 模型链接: tensorflow tnn |
 模型链接: onnx tnn |
中文字符识别demo是chineseocr_lite的TNN实现，是一个超轻量级的中文ocr，支持倾斜、旋转和竖排文字识别。
各个平台对demo的支持情况如下表所示，单击✅标记，便可以跳转至对应demo的入口代码。
| demo | ARM | OpenCL | Metal | Huawei NPU | Apple NPU | X86 | CUDA |
|---|---|---|---|---|---|---|---|
| 人脸检测 | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 物体检测 | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 人脸配准 | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 头发分割 | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 姿势估计(腾讯光流) | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 姿势估计(blazepose) | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ | ✅ |
| 中文字符识别 | ✅ | ✅ | ✅ | ✅ | ✅ | ||
| 阅读理解 | ✅ | ✅ |
使用 TNN 非常简单，如果你有一个已经训练好的模型, 那么一般而言通过以下三个步骤就能完成模型在目标平台上的部署。
-
第一步是把训练好的模型转换成TNN的模型，为此我们提供了丰富的工具来帮助你完成这一步，无论你使用的是 TensorFlow、PyTorch、或者 Caffe，都可以轻松完成转换。 详细的手把手教程可以参见这里如何转换模型。
-
当你完成了模型的转换，第二步就是编译目标平台的 TNN 引擎了，你可以根据自己的目标平台的硬件支持情况，选择 CPU/ARM/OpenCL/Metal/NPU/X86/CUDA 等加速方案。 对于这些平台，TNN 都提供了一键编译的脚本，使用非常方便。详细步骤可以参考这里如何编译TNN。
-
最后一步就是使用编译好的 TNN 引擎进行推理，你可以在自己的应用程序中嵌入对 TNN 的调用，这方面我们提供了丰富而详实的 demo 来帮助你完成。
目前TNN具有的以下特性获得了广泛的好评。
-
计算优化
- 针对不同架构在硬件指令发射、吞吐、延迟、缓存带宽、缓存延迟、寄存器数量等特点，深度优化底层算子，极致利用硬件算力
- 主流硬件平台(CPU: ARMv7， ARMv8，X86 GPU: Mali， Adreno， Apple， NV GPU) 深度调优
- CNN 核心卷积运算通过 Winograd，Tile-GEMM， Direct Conv 等多种算法实现，保证不同参数、计算尺度下高效计算
- Op 融合：离线分析网络计算图，多个小 Op（计算量小、功能较简单）融合运算，减少反复内存读取、kernel 启动等开销
-
低精度优化
- 支持 INT8， FP16 低精度计算，减少模型大小、内存消耗，同时利用硬件低精度计算指令加速计算
- 支持 INT8 Winograd 算法，(输入6bit)， 在精度满足要求的情况下，进一步降低模型计算复杂度
- 支持单模型多种精度混合计算，加速计算同时保证模型精度
-
内存优化
- 高效”内存池”实现：通过 DAG 网络计算图分析，实现无计算依赖的节点间复用内存，降低 90% 内存资源消耗
- 跨模型内存复用：支持外部实时指定用于网络内存，实现“多个模型，单份内存”。
-
主流模型实测性能：评测数据
-
TNN架构图：
-
通过 ONNX 支持 TensorFlow， PyTorch， MXNet， Caffe 等多种训练框架，充分利用和融入不断完善的 ONNX 开源生态。当前支持 ONNX 算子100+，覆盖主流CNN, NLP网络。
-
支持主流安卓、iOS、Embedded Linux 操作系统, Windows, Linux，支持 ARM CPU, x86, Mali GPU, Adreno GPU, NV GPU, 达芬奇NPU，RK NPU。
-
模块化设计，将模型解析、计算图构建、优化、底层硬件适配、高性能 kernel 实现各部分抽象隔离，通过 Factory Mode 注册、构建设备，方便接入更多的底层硬件、加速方案。
-
移动端动态库尺寸仅约 400KB，并提供基础图像变换操作，调用简单便捷。跨平台模型统一、调用接口统一，通过单个配置参数快速切换。
TNN参考和借鉴了下列项目：
-
欢迎大家参与，协同共建，打造业界最好的高性能推理框架。
-
技术交流 QQ 群： 704900079 答案：TNN
-
QQ 群二维码：
