NNToolChain 基本概念介绍¶
BMNNSDK
算能原创深度学习开发工具包
BM168x
算能面向深度学习领域推出的张量处理器
PCIE-Mode
一种产品形态，SDK运行于X86平台，BM168x作为PCIE接口的深度学习计算加速卡存在
SOC-Mode
一种产品形态，SDK独立运行于BM168x平台，支持通过千兆以太网与其他设备互联
BMCompiler
是一个面向算能TPU处理器研发的深度神经网络的优化编译器，可以将深度学习框架定义的各种深度神经网络转化为TPU上运行的指令流。
BMRuntime: 匹配BMCompiler的运行时库，提供上层应用程序可编程调用的接口
BMNetC: 面向Caffe model的BMCompiler前端
BMNetT: 面向TensorFlow model的BMCompiler前端
BMNetM: 面向MxNet model的BMCompiler前端
BMNetP: 面向PyTorch model的BMCompiler前端
BMNetD: 面向Darknet model的BMCompiler前端
BMNetU: 面向SOPHGO UFW model的BMCompiler前端
BMNetO: 面向ONNX model的BMCompiler前端
BMPaddle: 面向PaddlePaddle model的BMCompiler前端
BMLang: 面向TPU的高级编程模型，用户开发时无需了解底层TPU硬件信息
BModel: 面向算能TPU处理器的深度神经网络模型文件格式
版本特性¶
BMNNSDK包含设备驱动、运行库、头文件和相应工具，主要特性如下：
设备驱动
PCIE支持多种Linux发行版本和Linux内核。
SOC模式提供ko模块，可以直接安装到BM168x SOC Linux Release。
运行库
提供深度学习推理引擎，提供最大的推理吞吐量和最简单的应用部署环境；
提供三层接口，网络级接口/layer级接口/指令级接口
提供运行库编程接口，用户可以直接操作bmlib等底层接口，进行深度的开发
运行库支持多线程、多进程，提供并发处理能力。
工具
提供bmnetc工具，支持Caffe网络模型进行编译
提供bmnett工具, 支持TensorFlow模型进行编译
提供bmnetm工具，支持MxNet模型进行编译
提供bmnetp工具，支持PyTorch模型进行编译
提供bmnetd工具，支持Darknet模型进行编译
提供bmnetu工具，支持SOPHGO UFW模型进行编译
提供bmneto工具，支持ONNX模型进行编译
提供bmpaddle工具，支持PaddlePaddle模型进行编译
提供bm_model.bin工具，查看bmodel文件的参数信息，也可以将bmodel文件进行分解和合并
提供profiling的工具，展示每一层执行所使用的指令和指令所消耗的时间
NNToolChain 整体架构¶
BMNNSDK是算能基于其自主研发的AI芯片，所定制的深度学习SDK，涵盖了神经网络推理阶段所需的模型优化、高效运行时支持等能力，为深度学习应用开发和部署提供易用、高效的全栈式解决方案。
BMNNSDK整体架构如下图所示，由Compiler和Runtime两部分组成。Compiler负责对各种主流深度神经网络模型（如Caffe model、Tensorflow model等）进行编译和优化。Runtime向下屏蔽底层硬件实现细节，驱动TPU芯片，向上为应用程序提供统一的可编程接口，既提供神经网络推理功能，又提供对DNN和CV算法的加速。
NNToolChain工作流程请见下图。首先，Compiler将主流框架模型转换成TPU能够识别的模型格式——bmodel。然后，Runtime读取bmodel，将数据写入TPU供神经网络推理，随后读回TPU处理结果。此外，还允许TPULang构建自定义上层算子和网络，BMKernel在TPU设备上直接编程。利用BMProfile还可以对模型进行性能剖析。BMPlugin机制允许用户扩展前端与优化Pass。
