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。
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 等推理发动机的想法相符合。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。
更多关注微信公众号：jiuwenwang
