截止2018年，主流移動端框架總結：

騰訊：ncnn與featurecnn對比，前者開源早，程式碼、文件完善；後者測試速度略微快一點

小米MACE：剛開源，可能會碰到很多問題

百度MDL：速度比ncnn慢

安卓 cpu型別：ARM，x86

ios cpu型別：ARM

1、 tensorflowLite

文件：https://tensorflow.google.cn/lite/ 

2、ncnn（騰訊）

如下是ncnn開源專案負責人nihui的採訪：https://juejin.im/entry/599a5e136fb9a024a40430bb

a)       無任何第三方庫

b)      純c++實現，跨平臺

c)       彙編級優化，計算速度極快 使用ARM NEON 指令實現卷積層，全連線層，池化層等大部分cnn關鍵層

d)      支援多核並行運算

e)       可擴充套件的模型設計，支援 8bit 量化和半精度浮點儲存

f)        支援直接記憶體引用載入網路模型

g)      可註冊自定義層實現並擴充套件

專案地址：https://github.com/Tencent/ncnn

3、MACE(Mobile AI Compute Engine ) 小米的開源框架

說明文件：https://mace.readthedocs.io/en/latest/

專案地址：https://github.com/xiaomi/mace

mdl、ncnn和tflite的對比：

相同點：

a. 只含推理（inference）功能，使用的模型檔案需要通過離線的方式訓練得到。

b. 最終生成的庫尺寸較小，均小於500kB。

c. 為了提升執行速度，都使用了ARM NEON指令進行加速。

d. 跨平臺，iOS和Android系統都支援。

不同點：

a. MDL和NCNN均是隻支援Caffe框架生成的模型檔案，而TfLite則只支援自家大哥TensorFlow框架生成的模型檔案。

b. MDL支援利用iOS系統的Matal框架進行GPU加速，能夠顯著提升在iPhone上的執行速度，達到準實時的效果。而NCNN和TFLite還沒有這個功能

4、paddle-mobile (百度)（老版稱MDL）

專案地址：https://github.com/PaddlePaddle/paddle-mobile