快速开始

使用MNN整体流程

在端侧应用MNN，大致可以分为三个阶段：

训练

在训练框架上，根据训练数据训练出模型的阶段。虽然当前MNN也提供了训练模型的能力，但主要用于端侧训练或模型调优。在数据量较大时，依然建议使用成熟的训练框架，如TensorFlow、PyTorch等。除了自行训练外，也可以直接利用开源的预训练模型。

转换

将其他训练框架模型转换为MNN模型的阶段。MNN当前支持Tensorflow(Lite)、Caffe、ONNX和TorchScript的模型转换。模型转换工具可以参考使用说明；在遇到不支持的算子时，可以尝试自定义算子，或在Github上给我们提交issue。除模型转换外，MNN也提供了模型压缩工具，可以对浮点模型进行量化压缩。

推理

在端侧加载MNN模型进行推理的阶段。端侧运行库的编译请参考编译文档（覆盖 iOS、Android、Linux/macOS、Windows 等平台）。推理接口推荐使用 Module API（高层接口，支持控制流），也可以使用 Session API（低层接口）。demo/exec下提供了使用示例，如图像识别 demo/exec/pictureRecognition.cpp ，图像实例分割（人像分割）demo/exec/segment.cpp，更多demo。此外，测试工具和benchmark工具也可以用于问题定位。