近年来，开发者社区里，“开源”这两个字简直成了新风向标。

尤其是在深度学习框架这个领域，自从腾讯在2017年把ncnn的大门敞开之后，各大AI实验室就像约好了一样，纷纷慷慨地掏出自家的框架，整个行业创新的节奏一下子就快了起来。

最近，腾讯又扔了个重磅消息——基于ncnn全新设计的深度学习推理框架TNN，也准备开源了。消息一出，不少开发者的第一反应就是：这新来的，跟ncnn、MNN这些老熟人比，到底怎么样？

TNN：性能上略胜一筹，主攻移动端；MNN：通用性上占尽优势

先抛个结论。TNN从设计之初，目标就非常明确：一是拼命提高算力，二是全力优化对移动设备的支持。毕竟，如果没点真本事，开发者干嘛要放弃生态成熟的MNN和早已熟稔于心的ncnn，转而投向TNN的怀抱呢？

TNN脱胎于ncnn，算是基于ncnn做了一次深度重构和升级。除了算力上的显著提升，它最大的亮点在于，开发者能更顺畅地将深度学习算法移植到手机端，去开发那些真正能在手掌上跑起来的AI产品。

为了直观地比一比MNN、ncnn和TNN这三位的真实力，有人在主流平台上做了一组测试：

从数据来看，TNN的性能确实占了些便宜。不过话说回来，在某些特定环境下，它的表现和MNN其实也就是伯仲之间。阿里的开发团队也说过，TNN的发布确实刺激了MNN的进步，但比起当年从2000毫秒一下跨到700毫秒那种飞跃式的提升，这次的差距感还是要小一些。

TNN性能提升的关键，在于它对低精度计算的支持。之前很多框架没法顺利移植到移动端，核心瓶颈就是手机处理器的算力太薄弱。因此，能不能很好地适配中低端手机，就成了衡量一个框架是否“接地气”的关键指标。TNN在这方面做得确实不错，在中低端机型上，性能提升了大约20%。

通用性、轻便性与代码可读性：各有各的算盘

通用和轻便，也是TNN给自己贴的标签。它解决了一部分不同框架间的模型转换问题，这点值得肯定。但关键在于，TNN的模型转换必须依赖ONNX，不像MNN那样能直接支持多种格式。虽然操作上只是多了一步，但在“通用性”这张答卷上，难免还是丢了几分。

说到通用性，MNN的优势确实不容置疑。MNN在这方面下了真功夫，看看它支持的算子数目就知道了，这几乎是MNN团队工作清单上的头等大事。在算子实现上，MNN对计算后端的支持也是最广泛的。除了ARM v8.2，它在GPU算子的支持上，也远远甩开了其他两个框架。

再聊聊开源项目里一个很实际的问题：代码可读性。尽管在CPU的代码框架上，TNN和ncnn长得非常像，但TNN的整体风格和结构却比ncnn清晰得多，更容易上手。这方面MNN也做得相当不错，甚至MNN和TNN在代码的各个结构上，还能找到不少相似之处。这些相似点，让开发者从MNN迁移到TNN的过程，变得没那么痛苦。

开源大潮：从ncnn开始的经典叙事

总的来看，ncnn作为2017年第一个吃螃蟹的开源框架，绝对称得上是经典之作。在TNN和MNN性能差距不明显的当下，选择哪个框架，完全取决于个人偏好和具体场景——各有各的拥趸，各有各的道理。

不管怎么说，深度学习框架全面开源的这股大潮，就是从ncnn开始的。虽然最近企鹅因为一些花边新闻老被调侃，但在深度学习框架开源这件事上，真的得好好感谢这只“傻白甜”鹅在2017年7月做出的决定。它几乎一手掀起了深度学习框架开源的热潮。

在业界各方人士三年不懈的“内卷”之下，VGG16在RK3399上单核心的推理速度，硬是从2000毫秒以上被压缩到了700毫秒以上。而这背后，正是因为开源，才能集合众人的智慧，最终实现如此卓越的性能飞跃。

ncnn作为元老级框架，天生就是为了在移动平台上进行高性能神经网络推理计算而设计的。从第一天起，它就专门为手机部署和使用做了深思熟虑的优化。如今，ncnn已经在腾讯内部的许多应用里落地，包括我们熟悉的微信和QQ。

MNN同样是一个具有里程碑意义的开源框架。它以高效、轻量著称，支持深度模型的推理与训练，尤其在端侧的推理和训练性能上表现突出。目前，MNN已经在阿里巴巴的手机淘宝、手机天猫、优酷、钉钉、闲鱼等20多个应用中得到广泛应用。MNN对性能提升的卓越贡献，也让它成为了不少开发者的首选框架。

TNN作为2020年鹅厂开源的新一代移动端推理框架，主打高性能和轻量级，并集成了跨平台、高性能、模型压缩、代码裁剪等众多优势。目前，它已经在手机QQ、微视、P图等应用中落地。

除了这三个主流框架，业内还有一些经常被提及的名字，比如PPL。不过PPL目前还没有开源，看来商汤集团还是想“有所保留”。其实当年ncnn刚开源的时候，PPL就出来说过自己的性能更好。虽然没开源，但PPL也确实是很多开发者私下里常用的框架之一。

百度也有自己的布局，开源了一个叫Paddle-Lite的框架。它是一个开放源代码的深度学习框架，主要目标是在移动设备、嵌入式设备和IoT设备上简化推理过程。它和PaddlePaddle及来自其他来源的预训练模型都能兼容。

甚至连雷军的小米也加入了这场开源盛宴，让人颇感意外。毕竟小米的主体业务还是硬件，开源一套深度学习框架确实比较稀奇。他们带来的MACE，就是一个专门针对Android、iOS、Linux和Windows设备上的移动异构计算进行优化的深度学习推理框架。