Update 第十七章_移动端框架部署.md

ch17_移动端框架部署/第十七章_移动端框架部署.md

@@ -8,24 +8,24 @@
 
 ## 17.1 现有移动端开源框架及其特点
 
-### 17.1.1 NCNN
+### 17.1.1 NCNN   
 ncnn （GitHub地址：https://github.com/Tencent/ncnn ）
 https://cloud.tencent.com/developer/article/1005805
+ 
+特点：      
+	NCNN其架构设计以手机端运行为主要原则，考虑了手机端的硬件和系统差异以及调用方式。无第三方依赖，跨平台，手机端 CPU 的速度快于目前所有已知的开源框架。基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行，开发出人工智能 APP，将 AI 带到你的指尖。ncnn 目前已在腾讯多款应用中使用，如 QQ，Qzone，微信，天天P图等。   
 
-特点：   
+功能：    
-	NCNN其架构设计以手机端运行为主要原则，考虑了手机端的硬件和系统差异以及调用方式。无第三方依赖，跨平台，手机端 CPU 的速度快于目前所有已知的开源框架。基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行，开发出人工智能 APP，将 AI 带到你的指尖。ncnn 目前已在腾讯多款应用中使用，如 QQ，Qzone，微信，天天P图等。
+1、NCNN支持卷积神经网络、多分支多输入的复杂网络结构，如主流的 vgg、googlenet、resnet、squeezenet 等。     
-
+2、NCNN无需依赖任何第三方库。    
-功能： 
+3、NCNN全部使用C/C++实现，以及跨平台的cmake编译系统，可轻松移植到其他系统和设备上。    
-1、NCNN支持卷积神经网络、多分支多输入的复杂网络结构，如主流的 vgg、googlenet、resnet、squeezenet 等。 
+4、汇编级优化，计算速度极快。使用ARM NEON指令集实现卷积层，全连接层，池化层等大部分 CNN 关键层。   
-2、NCNN无需依赖任何第三方库。
+5、精细的数据结构设计，内存占用极低。没有采用需构造出非常大的矩阵，消耗大量内存的通常框架——im2col + 矩阵乘法。   
-3、NCNN全部使用C/C++实现，以及跨平台的cmake编译系统，可轻松移植到其他系统和设备上。
+6、支持多核并行计算，优化CPU调度。   
-4、汇编级优化，计算速度极快。使用ARM NEON指令集实现卷积层，全连接层，池化层等大部分 CNN 关键层。
+7、整体库体积小于500K，可精简到小于300K。   
-5、精细的数据结构设计，内存占用极低。没有采用需构造出非常大的矩阵，消耗大量内存的通常框架——im2col + 矩阵乘法。
+8、可扩展的模型设计，支持8bit 量化和半精度浮点存储。   
-6、支持多核并行计算，优化CPU调度。
+9、支持直接内存引用加载网络模型。   
-7、整体库体积小于500K，可精简到小于300K。
+10、可注册自定义层实现并扩展。   
-8、可扩展的模型设计，支持8bit 量化和半精度浮点存储。
-9、支持直接内存引用加载网络模型。
-10、可注册自定义层实现并扩展。
 
 ### QNNPACK