近日，阿里正式开源了轻量级深度学习端侧推理引擎 “MNN”。

MNN 是一个轻量级的深度学习端侧推理引擎，核心解决深度神经网络模型在端侧推理运行问题，涵盖深度神经网络模型的优化、转换和推理。

官方希望 MNN 能够抹平 Android 和 iOS 的差异、碎片设备之间的差异、不同训练框架的差异，实现快速的在端侧部署运行，并且能够根据业务模型进行 OP 灵活添加和 CPU/GPU 等异构设备深入性能优化。

△ MNN 架构设计，分为 Converter 和 Interpreter 两部分

具体来说，MNN 负责加载网络模型，推理预测返回相关结果。整个推理过程可以分为模型的加载解析、计算图的调度、在异构后端上高效运行。MNN 具备四大特征：

• 通用性：支持 Tensorflow、Caffe、ONNX 等主流模型文件格式，支持 CNN、RNN、GAN 等常用网络；

• 轻量性：针对端侧设备特点深度定制和裁剪，无任何依赖，可以方便地部署到移动设备和各种嵌入式设备中。

• 高性能：不依赖任何第三方计算库，依靠大量手写汇编实现核心运算，充分发挥ARM CPU的算力。

• 易用性：具备完善的文档和实例，有高效的图像处理模块，覆盖常见的形变、转换等需求。支持回调机制，方便提取数据或者控制运行走向。

关于 MNN 的优势，已入职阿里的 AI 科学家贾扬清评价道：

与 Tensorflow、Caffe2 等同时覆盖训练和推理的通用框架相比，MNN 更注重在推理时的加速和优化，解决在模型部署的阶段的效率问题，从而在移动端更高效地实现模型背后的业务。

这意味着 MNN 和服务器端 TensorRT 等推理引擎的想法相符合。在大规模机器学习应用中，考虑到大规模的模型部署，机器学习的推理侧计算量往往是训练侧计算量的十倍以上，所以推理侧的优化尤其重要。

△ MNN 与 Caffe2 等框架进行性能比较，有 20% 以上优势

目前，MNN已经在手淘、手猫、优酷、聚划算、UC等 20 多个 App 中使用，覆盖直播、短视频、搜索推荐、商品图像搜索等场景，每天稳定运行上亿次。此外，IoT 等场景下也有若干应用。官方计划每两个月发布一个稳定版本。

参考：MNN 项目介绍、阿里技术