一、功能完善

• CUDA 后端支持高精度模型（设置 precision = high 时使用 FP32 计算） 和 SM60 架构
• MNN-Train 求导优化
  • MNN-Express 支持 CONTENT 模式，该模式下基于几何计算分解算子后再构图，以降低需要实现求导的算子数
  • 支持 Raster / Loop 算子部分情况下的求导
  • 支持 GridSampler 的求导
• OpenCL 后端支持低优先级运行模式（设置 power = low）
• （实险中特性）Vulkan 后端增加基于Buffer内存布局的算子实现，目前基于编译宏决定用 Image内存布局还是 Buffer内存布局（MNN_VULKAN_IMAGE ，默认为 ON）
• （实验中特性）支持分离模型结构与权重的选项
  • 模型转换为 {S}.mnn 时，添加参数 --saveExternalData ，模型权重将单独保存为二进制文件 {S}.mnn.weight
  • 模型加载运行时，通过以下方式指定权重文件路径：
    • Session API: Interpreter::setExternalFile
    • Module API: Executor::RuntimeManager::setExternalFile

二、重构/优化

• 修改嵌入式上常用的 SeqLength = 1 的 ONNX LSTM 算子的模型转换实现，改为用卷积+非线性层拼接实现，以提升性能
• 修正部分情况下 Convolution Winograd CPU 相较之前版本变慢的问题
• 优化 VARP 的 fix 函数，避免拷贝内存
• 对 Raster 算子的输入进行了改造，由 region 隐式输入修改为正常的多输入单输出
• 量化计算实现中的量化/反量化过程重构为在线插入相应算子，并修正 prearrange 为 true 时，Module API 计算量化模型的结果错误问题
• 移除 ComputeUnit / ComputeCache ，Executor 内部的计算改为使用 Session ，并延迟内存分配时机，修正模型转换过程中部分情况下占用内存过大的问题
• 优化模型转换静态模型的导出，移除了图中无效算子

三、Bugfix

• 修正 convolution transpose 3d 在 pad 为空时计算 crash 问题
• 修正 cumsum 计算 int 输入的 bug
• 修正 Onnx GatherND 算子转换不支持 batch_dims 的问题
• 修正 Onnx Split 算子转换的默认值问题
• 修正 Onnx permute 算子转换不支持 axis 为空的问题

一、框架通用性

• 新增对ARMv8.6-A指令支持，支持了smmla和bfmmla指令的使用
• 新增NNAPI后端，能够利用Android设备上的NPU/APU/DSP进行计算
• 新增汇编预处理脚本，能够将汇编指令转换为.inst指令，降低新指令对编译器的依赖
• 新增A16和M2 CPU family支持
• 训练模块新增Selu / StridedSlice / TopKV2 / Scale / Broadcastto 等求导算子
• 新增Interp3D / ConvTranspose3D支持（感谢开源群伙伴贡献）

二、性能优化

• 新增ARMv8.6指令支持后，GemmInt8, GemmBF16性能提升

  • smmla实现的GemmInt8实测性能在矩阵规模为[1024, 1024, 1024]时，性能相比sdot提升为83.90%（图中33x33项），接近理论性能(100%)；模型性能提升20%左右。
  • bfmmla实现的GemmBF16实测性能在规模为[1024, 1024, 1024]时，性能相比fp16fmla提升为91.53%（图中1024,1024,1024项），接近理论性能；模型性能相比原来的bf16提升一倍以上。

• MNN-NNAPI后端支持，NNAPI使用accelerator设备进行推理，在中端和高端设备上相比CPU单线程均有性能优势；在高端设备上相比CPU 4线程仍有性能优势。

• CUDA性能优化，Depthwise卷积、Raster快速计算、Im2Col等优化，MobileNet/Squeezenet等模型性能提升

• 新增BinaryRelu-Fuse和对应的各后端实现，resnet模型性能提升

三、其他

• 进行了部分代码重构（包括但不限于）
  • 对于包含多个SubModule的复杂模型, 复用子模型间共性tensor，重新构建计算图和指令队列，显著降低大内存操作的耗时
• 修复了如下 Bug（包括但不限于）
  • Onnx Resize 在指定 scale 且输入输出无法整除时，计算错误
  • 修复在不支持SSE 4.1 ，但支持SSE3的设备上打开SSE执行Crash的问题
  • 修复部分情况下多输入Conv转换错误
  • 修复ARM82后端GridSampler在Linux上的编译错误
  • 修复Conv1dSqueezeMove在Squeeze双输入时计算出错的问题
  • 修复输入为NC4HW4时，stride计算错误的问题
  • 修复HIAI后端编译错误，Binary BUG
  • 新增Tflite Prelu 模型转换支持（仅支持slope为常量情况）

一、框架通用性

• MNN-CV 增加 solvepnp / svd 等函数实现
• MNN-Train 补充 Unary / Binary / Reduction 的求导实现
• MNN-Express 支持 Eager 模式，该模式下不保存计算图，直接计算结果，可通过 Executor 的 lazyEval 配置
  • 在C++中默认使用Lazy模式
  • 在Python中默认使用Eager模式
• 新增基于Markdown+Sphinx的文档

二、性能优化

• 服务端推理 CUDA 性能提升

  • 基于 cutlass 重新实现了矩阵乘，对卷积应用 Winograd算法优化；

• MNN-CoreML 后端支持免拷贝

三、模型压缩

• 支持 Winograd Int8对kernel_size > 1的量化卷积进行优化 ，离线量化工具（C++: quantized.out，python: mnnquant）json配置文件中增加"winogradOpt": true，并将特征量化方法设置为"feature_quantize_method":"EMA"即可使用

四、其他

• 进行了部分代码重构（包括但不限于）
  • MNN Metal 改为在线生成 Shader 编译，避免集成 MNN.metallib 的兼容性问题
  • 移除 CPU / Geometry / Arm82 部分冗余代码
  • 默认移除原先 TFlite - Uint8 的算子支持，但可以通过 MNN_SUPPORT_DEPRECATED_OP 宏打开
  • 移除 linux 系统下编译 Torchscript 所需要的 libTorch 库，改为编译时从网络下载
  • ScatterND 改为基于 Loop 算子实现
• 修复了如下 Bug（包括但不限于）
  • CPU - AVX512 int8 在转换 NC4HW4 格式时内存访问越界
  • GeometryBinary 处理 NC4HW4 输入，两边Channel上对齐大小相同，但Channel不同时计算出错
  • Arm82 Interp 算子多 Batch 情况下计算出错问题
  • Windows 上 json2MNN 工具写入结果有误
  • Onnx GatherElement 算子在输入大小不确定时转换失败
  • 修复Python中Module，RuntimeManager内存泄露问题
  • 修复控制流模型转换时输出算子Name不匹配的问题
  • 修正 ROIPooling / ROIAlign 低精度计算 crash 的问题

一、框架通用性

• 模型推理通用性增加：Torchsciprts OP 添加，Onnx OP 补齐
  • Onnx 算子数由 117 增加到 158
  • Torchscripts 算子数由 34 增加到 163
• MNNConvert功能扩充
  • 支持模型转换正确性验证
  • 支持MNN模型与Json文件互转，方便查看与编辑模型结构
• MNN增加统一版本号机制
  • 编译期版本宏定义
  • 运行时版本号函数
  • 模型中增加版本信息
• 增加 MNN-CV / MNN-Numpy 功能
  • C++中提供了与OpenCV中图像编解码，图像处理用法相似的API；
  • Python中提供了与cv2/numpy基础功能用法相似的函数；
  • 支持的cv函数57个，numpy函数170个，[函数列表](https://www.yuque.com/mnn/cn/pu0qfp 《MNN cv numpy 模块》)；

二、性能优化

• 服务/PC端推理CPU/GPU性能提升
  • CPU部分AVX512优化，多线程优化提速；
  • GPU部分CUDA移除cudnn，基于TensorCore重写；

三、模型压缩

• 新增mnncompress模型压缩工具
  • 支持基于TensorFlow 1.X和Pytorch的模型压缩，具体使用方法见文档
  • 添加压缩模型的模型转换，及相关算法的MNN底层推理支持

四、其他

• 测试/Demo/Benchmark完善
  • 修正 Android Demo 的 编译Bug；
  • 增加一个使用 mnn framework 的 ios demo工程；
  • Pymnn新增离线量化Demo与测试；
  • Pymnn新增训练相关测试；
  • Pymnn中新增MNN.numpy与numpy对比的benchmark;
  • 新增MNN.cv与OpenCV对比的benchmark;
• Bugfix（包括但不限于）
  • Pymnn修复训练相关API使用Bug;
  • 修复arm64汇编中的sp计算Bug;
  • GatherND 精度数目问题修复;
  • ZeroShape 支持完善；
  • NDK24 下 armv7a-arm82 编译错误修正；
  • benchmark metal crash修复；
  • benchmark metal crash;
  • Module 的 RuntimeManager 设置 precision = low 无效的问题修复；
  • CoreML Pooling CAFFE-PAD，Deconv修复；
  • CoreML多次执行内存占用过高问题修复；

1. Fix deconvolution multi -batch multi-input compute error.
2. Fix bug for compute size for stridedslice when beginShape << input.dim
3. Add fp16 for Gridsample
4. Fix bug for PoolGrad
5. Fix compile error for not comparability asm

一、框架通用性

1.1 新增Torchscript模型格式支持

我们注意到，大量的机器学习工程师在从TensorFlow往PyTorch迁移。推理引擎对于PyTorch模型的原生支持尤为重要。虽然MNN已经支持了ONNX格式的模型，但是考虑到PyTorch自身长期的发展趋势，基于Torchscript格式的模型比ONNX更具通用性。

现在，MNNConvert支持在Mac、Windows、Linux平台下将所有的 TorchVision视觉模型 转换到MNN格式。

1.2 新增ARM BF16后端

BF16 可以给中低端手机和高端机的小核带来性能收益，并且降低内存占用。经MNN团队内部测试，BF16相对于FP32在不同机型的中低端核心(A53 A55 A53kyro A55kyro)上，不同模型有 5%- 30%的优化。

BF16使用方法：

1. 编译MNN时，指定-DMNN_SUPPORT_BF16=ON
2. BackendConfig中指定PrecisionMode 为 Precision_Low

1.3 新增CoreML后端

基于几何计算，MNN添加了CoreML的支持。在iPhone X之后，借助于Apple Neural Engine，相比于CPU，CoreML (ANE) 在视觉模型中约有5-6倍的性能提升。

1.4 几何计算的演进

在1.1.0版本的几何计算的基础上，本次发布中『几何计算』增加了对于循环算子（如Gather、BatchMatMul、LSTM）的GPU后端支持。

二、模型压缩

2.1 ARM 浮点稀疏算子实现

随着CPU性能优化的边际收益的降低，为了获得更高的性能，需要从模型结构本身着手，设计、裁剪出合适目标硬件和推理引擎的模型结构，以获得最佳的精度和性能。 基于此，MNN添加了随机稀疏和半结构化稀疏算子的ARM浮点实现 （原理见 ” Fast Conv Nets ” ），如下图所示：

经过MNN内部在各类机型和模型实测，随机稀疏率, 1x4半结构稀疏率 (沿输出通道OC分块，blockOC=4) 分别为0.6、 0.3时，推理性能将大于稠密实现性能。

随机稀疏率0.9时，MobileNet、NasNet、SqueezeNet各类模型中，在高、中、低端手机上的加速比为1.7倍 ~ 4.5倍；1x4半结构稀疏率0.9时，加速比为1.8倍 ~ 6.1倍。

2.2 离线量化精度提升

离线量化工具中添加了激活非对称的支持，并且通过量化时更新BN参数，离线量化精度获得普遍提升。结合使用非对称量化+BN参数更新，MobileNet V2量化模型精度从71.05%提高到71.73%，进一步逼近浮点模型（71.90%）。 使用方法见： MNN/tools/MNNPythonOfflineQuant at master · alibaba/MNN · GitHub

三、性能优化

3.1 ARM 后端

支持ARMv8.2指令的设备占有率随着时间的推移逐渐上升，是MNN优化的重点之一。相比于MNN 1.1.x版本，MNN 1.2.0的ARMv8.2性能在各类视觉模型中有5% ~ 20%的提升，且与业界主流引擎对比处于领先地位。

3.2 X86 后端

MNN集中优化了X86-AVX2上的性能。目前在主流的视觉、时序模型中，MNN-AVX2后端相比于OpenVINO由20%到440%的性能优势，与ONNXRuntime相比，则有18%到60%的性能优势 (仅MobileNet V2略逊于OpenVINO/ONNXRuntime)。

取得如此性能成绩，且通用性持平或更胜一筹的前提下，相比于 Onnx / OpenVino 几十至几百M 的大小，MNN 库的体积却很小，仅 3M 不到。 此外，MNN 支持了 AVX512 / AVX512VNNI，相对于 AVX2 ，在浮点矩阵乘法有 60% 加速，Int8矩阵乘则有 200% 的加速。

3.3 OpenCL后端

随着移动App中的部署的各类深度学习模型数量增多，MNN团队发现，CPU占用率居高不下，会影响App稳定性和用户体验。基于此判断，我们重点优化OpenCL后端的性能（与主流引擎相比已处于领先地位），并且与内部业务方共同设计面向GPU模型，达到性能、精度双高的模型。性能数据如下图：

四、其他

功能

1. 新建 MNN 表达式接口相关 demo，见pymnn/examples/MNNExpr/mobilenet_demo.py和demo/exec/{pictureRecognition_module.cpp, transformerDemo.cpp}
2. 对离线量化工具进行了重构，减少 int8 / float 互转损耗，以 shufflenet 为例可减少 20% 耗时
3. 完善模型校验工具 （tools/script/fastTest 系列）
4. 增加 Onnx 所有与 MNN 相匹配的单目 / 双目算符支持

图优化（包括但不限于）

1. 新增 Gelu / Hardswish 算子融合
2. 增加 Layernorm 算子融合的范围
3. 新增 MatMul + Bias 融合，增加其转换为卷积的范围
4. 新增 Tensorflow / Tflite 的 Dilate Convolution 算子融合（SpaceToBatch + Conv + BatchToSpace）

Bugfix（包括但不限于）:

1. 修正 StridedSlice 在 newAxis 和 begin << inputShape 情况下的实现错误
2. 修正 Eltwise MAX 的求导错误
3. 移除 MNNConvert 对 regex 的依赖（此问题导致在 gcc 4.8 环境下无法运行 Converter）
4. 修正 CPU Raster 算子对 dimension = 1 的 NC4HW4 数据格式处理错误的问题
5. 移除 MNN Python wheel 中意义不大的 mnnops （里面显示的 Op 列表不准确）

Features:

1. Rewrite GRU Op for Onnx
2. Support deconvolution for OpenCL Buffer mode

Bugfix / Refractor:

1. Move NN from MNN_Express to MNN_Train
2. Fix bug for LSTM model crash
3. Add HardSwish Fuse
4. Add Onnx::Not, Onnx::GatherElement
5. Support TF::FusedBatchNormal when is_training = True
6. Fix compute bug for Pooling3D
7. Fix bug for CUDA backend convolution depthwise with multi-input crash

Features:

1. Add BF16 Support, only optimized for ARMv7a / ARMv8, set MNN_SUPPORT_BF16 to open it.
2. Refract FP16 (ARM82) , speed up 10%-20% for benchmark model, support deconvolution / matmul.
3. Support full Int8 compute, remove int8-float convert for data reorder Ops (In Test)
4. Support AVX512 for float compute

Optimize / Bugfix:

1. Fix bug for HIAI-NPU Backend's multi output
2. Add GatherV2 grad for Training
3. Add fastTestTflite.py for test tflite -> MNN correctly
4. Add Dup Op Fuse in Graph Optimization
5. Add GridSample for CPU / Metal
6. Fix compile bug for Vulkan shader by glslang 4.5

Features:

1. Support OpenCL Backend for Buffer, user can use numberThread / mode to control it : https://www.yuque.com/mnn/cn/create_session
2. Remove unuseful code for OpenCL Backend
3. Support tflite's Binary with Activation

Bugfix:

1. Fix bug for convolution compute zero shape tensor

Features:

1. Add HIAI Backend
2. Refract the control flow support for tensorflow, support dynamic LSTM from TF
3. Add several op for TensorRT Backend (GatherV2, Interp, ScatterND, DetectionPostProcess, BatchMatMul)

Speed up / Bugfix

1. Add Prelu fuse for Tensorflow
2. Fix some op bug for CUDA
3. Fix some op bug for Metal (Relu6 / Not register)