TNN 正在参加 2020 年度 OSC 中国开源项目评选,请投票支持!
TNN 在 2020 年度 OSC 中国开源项目评选 中已获得 {{ projectVoteCount }} 票,请投票支持!
投票让它出道
已投票
授权协议: BSD 3-Clause
开发语言: C/C++ 查看源码 »
操作系统: 跨平台
开发厂商: 腾讯
收录时间: 2020-08-21
提 交 者: 编辑部的故事

TNN是一个移动端高性能、轻量级推理框架,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,同时也借鉴了业界主流开源框架高性能和良好拓展性的优点。目前TNN已经在手Q、微视、P图等应用中落地,欢迎大家参与协同共建,促进TNN推理框架进一步完善。

快速开始

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。

  1. 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。

  2. 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 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。

  3. 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。

技术方案

目前TNN已经在手Q、微视、P图等应用中落地:

  • 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, GPU: Mali, Adreno, Apple) 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:v0.1 2020.05.29

    • 麒麟970:

      model cpu time(单线程,ms) gpu time(ms)
      Mobilenet_v1 88 12
      Mobilenet_v1_int8 55  
      Mobilenet_v2 58 11
      Mobilenet_v2_int8 41  
      squeezenet_v1.0 127 20
      squeezenet_v1.0_int8 82  
    • 骁龙835:

      model cpu time(单线程,ms) gpu time(ms)
      Mobilenet_v1 94 16
      Mobilenet_v1_int8 62  
      Mobilenet_v2 61 14
      Mobilenet_v2_int8 47  
      squeezenet_v1.0 122 28
      squeezenet_v1.0_int8 93  
    • 骁龙845:

      model cpu time(单线程,ms) gpu time(ms)
      Mobilenet_v1 60 10
      Mobilenet_v1_int8 37  
      Mobilenet_v2 39 8
      Mobilenet_v2_int8 28  
      squeezenet_v1.0 74 14
      squeezenet_v1.0_int8 56  
  • 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55个,近期会完善到约80个,覆盖主流CNN网络

  • 支持主流安卓、iOS、Embedded Linux 操作系统,支持 ARM CPU, GPU 硬件平台(近期还会加入达芬奇 NPU 支持)

  • 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。

  • Runtime 无任何第三方库依赖,CPU 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。

展开阅读全文

代码

的 Gitee 指数为
超过 的项目

TNN 的相关资讯

还没有任何资讯

TNN 的相关博客

轻量级部署,腾讯优图开源深度学习推理框架TNN

AI视线 点击关注上方“AI深度视线”,设“星标”公号 技术硬文,第一时间送达! 转自 | 机器之心 6 月 10 日,腾讯优图实验室...

轻量级部署,腾讯优图开源深度学习推理框架TNN - 知乎

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。 机器之心发布,机器之心编辑部。 从学界到工业界...

腾讯优图开源深度学习推理框架TNN,助力AI开发降本增效

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...

腾讯优图开源深度学习推理框架TNN,助力AI开发降本增效

允中 发自 凹非寺 量子位 编辑 | 公众号 QbitAI 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...

腾讯优图开源深度学习推理框架TNN,助力AI开发降本增效

腾讯优图开源深度学习推理框架TNN,激发AI生产力 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...

腾讯优图开源深度学习推理框架TNN,助力AI开发降本增效

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...

腾讯优图开源深度学习推理框架TNN,助力AI开发降本增效 - 云计算头条的个人空间 - OSCHINA

送 Doris 限量T恤,快来围观!>>> 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A...

模型量化调优

一、MNN 量化和调优 1、量化工具 https://www.yuque.com/mnn/en/tool_quantize 2、量化调优 https://www.yuque.com/mnn/en/t...

开源开放的魅力:算法、框架、游戏AI,这有7个酷炫项目Demo

  人工智能从 1956 年达特茅斯会议诞生以来,理论和技术发展迅猛。特别是在这波 AI 浪潮中,深度学习的崛起带领 AI 在产业领...

算法复杂度分析

数据结构和算法 基本概念 数据结构指存储数据的结构,算法指的是操作数据的方法.数据结构是算法是相辅相成的,算法需要作用到特...

TNN 的相关问答

还没有任何问答,马上提问

评论 (2)

加载中
970可以试试
09/02 19:25
回复
举报
在手机上训练算法模型吗?为什么不在专门的GPU服务器上做呢?
09/01 12:21
回复
举报
更多评论
2 评论
14 收藏
分享
返回顶部
顶部