为什么要关注 MNN？ 从零搭建 MNN 环境 模型转换：从 PyTorch 到 .mnn 用 Python 写推理代码 实测延迟：0.033ms 一次推理 MNN 在 AI 部署管线里的位置 和 ONNX Runtime 的简单对比 踩坑记录 总结 系列文章 这是 AI 实操第 4 天。第 2 天导出了 ONNX，今天用阿里开源的 MNN 在纯 CPU 上跑端侧推理，并验证转换后精度不掉。 本文首发地址 https://h89.cn/archives/670.html 项目地址 https://gitee.com/chenjim/cockpit-ai-from-zero 为什么要关注 MNN？ 训练好一个 PyTorch 模型，只是万里长征走了一半。真正头疼的是怎么把它塞进手机 App、IoT 设备或者边缘盒子。这些设备没有 GPU，没有 CU

- 阅读剩余部分 -

为什么需要实验追踪 MLflow 的四个核心概念 实验（Experiment） 运行（Run） Model Registry（模型注册表） MLflow Tracking Server 安装和基础用法 给训练脚本加上 MLflow 追踪 创建实验 记录一次运行 注册最佳模型 跑 3 组实验的结果对比 在 WebUI 中对比实验 踩坑记录 坑一：Python 文件命名 坑二：MLflow 版本差异 坑三：小数据集上实验差异不大 坑四：局域网访问被安全中间件拦截 总结 下一天预告 系列文章 这是 AI 实操第 3 天。前两篇做了 PyTorch 训练和 ONNX 导出，手上有好几个模型文件了。哪个准确率最高？当时用的什么参数？过一周还记不记得？这就是 MLflow 要解决的问题。这篇记录我实际操作 MLflow 的过程和踩的坑，读者水平跟我差不多——懂点 Pyt

- 阅读剩余部分 -