基于ncnn的深度学习算法优化（一）

实验环境：Ubuntu14.04+cmake+protobuf（可选，protobuf仅用于编译caffetoncnn转换工具，若无需求可不安装）
一、下载ncnn代码并编译

git clone https://github.com/Tencent/ncnn.git

ncnn是为手机端即（Android、IOS）等ARM处理器进行了良心级NEON优化，速度提升明显。

---

1.1 编译x86架构的ncnn

cd ncnn
mkdir build_x86
cd build_x86
cmake ..

此时，需观察一下是否安装有protobuf，在cmake生成日志中可看到。如下图：

若没有，或者不需要使用protobuf可修改ncnn根目录下CMakeLists.txt配置文件，仅进行ncnn库编译。配置文件如下图所示：

之后，直接make即可编译完成。执行make install即可在install文件夹下得到x86架构的ncnn静态库和头文件。
但ncnn在x86架构下速度提升不明显，所以我们真正想要的是在arm下的ncnn库文件，下面我就介绍一下，我的一些修改过程。

---

1.2 Arm下编译ncnn
首先，在ncnn根目录下创建一个新的build文件夹。

mkdir build_arm

修改ncnn根目录下CMakeLists.txt,在cmake_minimum_required(VERSION 2.8.10)下面添加以下四条命令set(CMAKE_C_COMPILER arm-linux-gnueabihf-gcc) set(CMAKE_CXX_COMPILER arm-linux-gnueabihf-g++) add_definitions(-D__ARM_NEON) add_definitions("-mfpu=neon")

然后，进入src文件夹下，修改该文件夹下的CMakeLists.txt文件。删除如下图所示代码：

最后，进入buidl_arm文件夹下进行
cmake ..
make
make install
即可。至此，编译ncnn已经完成，下面附上两张测试效果图，硬件平台都为orangepi win plus，模型一致，测试图片一致，测试时间为循环1000次，取平均时间。
第一张为未使用ncnn优化的效果图，平均时间139.574ms；第二张为使用ncnn优化的效果图，平均时间35.198ms。