重构ncnn，腾讯优图开源新一代移动端推理框架TNN

来源 | 腾讯优图

从学界到工业界，“开源”已经成为AI领域的一个关键词。一方面，它以“授人以渔”的方式为AI构建了一个开放共进的生态环境，帮助行业加速AI应用落地；另一方面，在解决行业实际问题时持续更新和迭代，源源不断地给AI领域输送重要的技术养料和创造力，可以说开源是AI落地和繁荣不可或缺的源动力。

6月10日，腾讯优图实验室宣布正式开源新一代移动端深度学习推理框架TNN，通过底层技术优化实现在多个不同平台的轻量部署落地，性能优异、简单易用。腾讯方面称，基于TNN，开发者能够轻松将深度学习算法移植到手机端高效的执行，开发出人工智能 App，真正将 AI 带到指尖。
GitHub链接：https://github.com/Tencent/TNN
轻量级部署，TNN助力深度学习提速增效

深度学习对算力的巨大需求一直制约着其更广泛的落地，尤其是在移动端，由于手机处理器性能弱、算力无法多机拓展、运算耗时长等因素常常导致发热和高功耗，直接影响到App等应用的用户体验。腾讯优图基于自身在深度学习方面的技术积累，并借鉴业内主流框架优点，推出了针对手机端的高性能、轻量级移动端推理框架TNN。
TNN在设计之初便将移动端高性能融入核心理念，对2017年开源的ncnn框架进行了重构升级。通过GPU深度调优、ARM SIMD深入汇编指令调优、低精度计算等技术手段，在性能上取得了进一步提升。以下是MNN, ncnn, TNN框架在多款主流平台的实测性能：

*注纵轴单位：ms
测试分支：MNN:1.0.0(2020.05.07), ncnn:20200413, TNN: master(2020.06.10)测试模型：https://github.com/alohali/benchmark-models

低精度计算的运用对TNN的性能提升发挥了重要作用。在神经网络计算中，浮点精度在许多研究和业务落地成果上都被证明存在一定冗余，而在计算、内存资源都极为紧张的移动端，消除这部分冗余极为必要。TNN引入了INT8、 FP16、 BFP16等多种计算低精度的支持，相比大部分仅提供INT8支持的框架，不仅能灵活适配不同场景，还让计算性能大大提升。
TNN通过采用8bit整数代替float进行计算和存储，模型尺寸和内存消耗均减少至1/4，在计算性能上提升50%以上。同时引入arm平台BFP16的支持，相比浮点模型，BFP16使模型尺寸、内存消耗减少50%，在中低端机上的性能也提升约20%。骁龙615平台实测：

通用、轻便是TNN框架的另一大亮点。长久以来，不同框架间的模型转换都是AI项目应用落地的痛点。TNN设计了与平台无关的模型表示，为开发人员提供统一的模型描述文件和调用接口，支持主流安卓、iOS等操作系统，适配CPU、 GPU、NPU硬件平台。企业一套流程就能部署到位，简单易用、省时省力。
同时，TNN通过ONNX可支持TensorFlow, PyTorch, MXNet, Caffe等多种训练框架，目前支持ONNX算子超过80个，覆盖主流CNN网络。TNN所有算子均为源码直接实现，不依赖任何第三方，接口易用，切换平台仅需修改调用参数即可。
用AI底层技术助推产业发展

此前，腾讯优图已开发了Rapidnet 前向计算框架、RapidAIoT 边缘计算框架，实现了业界首个专注移动端的推理框架ncnn的开源，并在业界受到广泛推崇。从2017年开源至今，ncnn在GitHub上star(8.9k)和 fork(2.3k)数均领先于其它各大推理框架。
TNN于3月中已经在腾讯内部开源，为腾讯QQ、QQ空间、腾讯微视、腾讯云、天天P图等多款产品和服务中持续提供技术能力，释放出更多效能。
腾讯优图实验室副总经理吴永坚介绍，腾讯优图后续将在现有CV业务的基础上研发更多的AI推理模型，如语音、NLP等相关业务，同时开展针对CPU、GPU服务器端的服务，为业界公司提供更广泛的优化服务。
“作为产业发展的高速公路，以深度学习框架、组件为代表的AI基础设施将是未来的主流趋势，腾讯优图也将以此为着力点，助推产业发展。”吴永坚表示，腾讯优图将持续开发模型训练组件、模型压缩组件、基础算法组件，并择机开源，希望从框架到平台、到算法，打造一体化的AI基础设施，降低AI门槛，加速产业发展。
随着以开源为代表的新代码文化的兴起，腾讯近年来发布的开源项目已经超过一百个，共收获30w+star数，涵盖云原生、大数据、AI、云计算、安全、硬件等多个热门的技术方向。

推荐阅读

你点的每个“在看”，我都认真当成了AI