背景

背景：手机端需要调用深度学习模型的计算。

方案：python训练模型-->转到MNN框架模型-->放入C++调用（SDK）-->Java调用SDK（JNI）.

MNN Python API https://www.yuque.com/mnn/cn/usage_in_python#x8YNO

系统环境

CentOS Linux release 7.9.2009 (Core)

Linux iZuf627r0ggzf84xn57fuvZ 3.10.0-1160.62.1.el7.x86_64

Tesla V100 32G CUDA11

Miniconda3

推荐Linux系统，不推荐Windows系统。

安装：

shell
sudo yum install cmake3 protobuf -y

注意： CMake 3.0 or higher is required，所以：

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

MNN介绍

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

在这里插入图片描述

工具

MNN-Converter：模型转换工具，由Frontends和Graph Optimize构成。前者负责支持不同的训练框架，MNN当前支持Tensorflow(Lite)、Caffe、ONNX(PyTorch/MXNet的模型可先转为ONNX模型再转到MNN)和Torchscripts；后者通过算子融合、算子替代、布局调整等方式优化图，一般离线运行。

MNN-Compress: 模型压缩工具，在一定的精度误差许可下，对MNN模型进行压缩，减少模型体积，提升运行性能。

MNN-Express ：支持带控制流的模型运行，支持调用 MNN 的算子进行自定义的计算。

MNN-CV ：类似 OpenCV ，但核心计算功能基于 MNN 实现的图像处理算法库

MNN-Train ：MNN 训练模块，支持各平台训练

MNN环境

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

下载MNN工程：

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

编译前的选择：

vim CMakeLists.txt 我看CMakeLists.txt里的都很有用，我都手动ON上了，以后学习过程中说不定就用了：

在这里插入图片描述

编译：

shell
cd path/to/MNN
# 生成 schema ，可选
cd schema && ./generate.sh
# 进行编译
cd path/to/MNN # 注意回到根目录
mkdir build && cd build
cmake -DMNN_BUILD_DEMO=ON ..
make -j

在系统中构建这个MNN后，就能使用MNN提供的众多工具了。

Python使用MNN

Python 3.7 支持mnn

代码和介绍：https://github.com/xddun/MNN_Demos

模型转换

https://www.yuque.com/mnn/cn/model_convert

参考文章

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