MNN 与 ncnn 对照：学完 MNN 再读 ncnn 的桥梁

MNN 精读见 精读: mnn（用户正在学习） ncnn 精读见 精读: ncnn ncnn 贡献指南见 竞赛指南: ncnn

调研元信息

一句话定位

为正在学 MNN 的你架一座桥——把 MNN 里学到的概念一一映射到 ncnn 的对应设计，让你「学一个等于学两个」。

日常类比

MNN 是一辆「全功能房车」（能住能做饭能开），ncnn 是一辆「赛车」（极致轻量极致快，但只能开不能住）。两辆车的引擎原理相通（内燃机/SIMD），但设计哲学截然不同——理解房车的人再看赛车会觉得「原来可以这么简单」。

核心对照表

概念映射详解

1. 内存布局：elempack vs NC4HW4

graph LR
    subgraph ncnn[ncnn: elempack 动态]
        A[检测 SIMD 宽度] --> B{ARM NEON?}
        B -->|是| C[elempack=4]
        B -->|否| D{AVX2?}
        D -->|是| E[elempack=8]
        D -->|否| F{AVX-512?}
        F -->|是| G[elempack=16]
    end
    
    subgraph MNN[MNN: NC4HW4 固定]
        H[始终 pack=4] --> I[NEON 刚好用满]
        H --> J[AVX2 只用一半]
        H --> K[AVX-512 只用1/4]
    end

MNN 学习收获映射到 ncnn：你在 MNN 理解了「为什么要通道打包」（SIMD 一次处理多通道），再看 ncnn 时会发现它更进一步——运行时动态适配硬件宽度，但代价是内存管理更复杂。

2. 调度模型：Lazy Eval vs Pipeline

MNN 学习收获：你理解了「分离内存分配和计算的好处」（onResize 提前规划内存复用）。ncnn 走另一条路——lazy eval 根本不给不需要的层分配内存。trade-off：MNN 全图可全局最优化内存复用；ncnn 更简单但可能局部次优。

3. GPU 后端：统一 vs 分治

MNN 学习收获：你理解了「为什么 GPU 编程要处理内存布局转换、命令队列同步」。ncnn 的 Vulkan 后端让你看到「如何用一套 Compute Shader 抽象跨所有 GPU」——但代价是某些平台可能不如 MNN 的 Metal/OpenCL 专属实现。

4. 模型转换：MNNConvert vs PNNX

5. 图优化深度对比

graph TD
    subgraph MNN[MNN Geometry Compiler]
        M1[原始 Op 图] --> M2[非计算 Op 降级为 Region]
        M2 --> M3[Region 合并为 Raster Op]
        M3 --> M4[核心 Op 保留原生实现]
        M4 --> M5[新后端只需实现核心 Op]
    end
    
    subgraph ncnn[ncnn 图优化]
        N1[原始 Layer 图] --> N2[层融合: Conv+BN+ReLU]
        N2 --> N3[直接执行]
    end

MNN 的 Geometry Compiler 是「编译器级」优化——新增后端的工程量从 O(全部 Op) 降为 O(核心 Op)。ncnn 则采取「够用就好」——层融合解决 90% 性能问题，剩下的靠手写 SIMD/GLSL。

学完 MNN 再读 ncnn 的推荐路线

预计每步 1-2 小时，总计 1 周可完成 ncnn 源码初览。

何时选 ncnn、何时选 MNN？

证据等级