背景

在端侧推理引擎（如 MNN, NCNN, TFLite）的开发中，算子（Op）的实现往往占据了大部分工作量。传统的做法是为每个算子编写特定的 Kernel，但在面对动态 Shape（如 NLP 任务中长度不一的句子）或复杂的维度变换（如 Transpose, Slice, Reshape）时，这种方式会导致代码膨胀且难以优化。

MNN 引入的几何计算（Geometric Computing）机制改变了这一局面。它将复杂的算子拆解为基础的“计算算子”和“几何变换”，通过统一的内存视图映射（Stride, Offset）实现算子的高度复用。

1. 核心原理：什么是几何计算？

几何计算的核心思想是将张量（Tensor）的坐标变换从数值计算中解耦。对于大多数不改变数值、仅改变数据排布的算子，MNN 不再编写专门的 Kernel，而是通过修改 Tensor 的数据描述符（View）来实现。

一个张量的坐标转换公式可以抽象为：
Index_src = Offset + Sum(Index_dst[i] * Stride[i])

通过这种方式，Slice（切片）、Transpose（转置）、Concat（拼接）等算子都可以转化为对内存地址的重新映射，从而避免了不必要的内存拷贝（Zero-Copy）。

2. 核心组件：Dimension Format

MNN 几何计算主要处理以下三个维度信息：
– Offset: 起始偏移地址。
– Stride: 步长，决定了在各维度移动时跳过的元素个数。
– Extent: 长度，决定了当前维度的范围。

3. 实战示例：使用 MNN Express API 观察几何变换

下面的 C++ 代码演示了如何利用 MNN 的 Express 接口（底层触发几何计算）来实现一个复杂的维度操作，并理解其复用逻辑。

#include <MNN/expr/Expr.hpp>
#include <MNN/expr/ExprCreator.hpp>
#include <iostream>

using namespace MNN::Express;

int main() {
    // 1. 创建一个初始 Tensor [1, 3, 4, 4] (NCHW)
    auto x = _Input({1, 3, 4, 4}, NCHW, halffloat);

    // 2. 执行 Slice 操作：取中间的 2x2 区域
    // 在几何计算中，这仅产生一个新的 View，不分配新内存
    auto sliced = _Slice(x, {0, 0, 1, 1}, {1, 3, 2, 2});

    // 3. 执行 Transpose 操作：交换 C 和 H 维度
    // 这将进一步修改 Stride 信息
    auto transposed = _Transpose(sliced, {0, 2, 1, 3});

    // 4. 重点：当执行具体的计算（如 Add）时，MNN 会合并之前的几何变换
    auto y = transposed + _Scalar(1.0f);

    // 查看输出形状
    auto shape = y->getInfo()->dim;
    std::cout << \"Output Shape: \";
    for (int d : shape) std::cout << d << \" \";
    std::cout << std::endl;

    return 0;
}

4. 几何计算如何优化动态 Shape

在动态 Shape 场景下，输入维度频繁变化。传统的引擎需要重新计算 Offset 并重新分配内存。而 MNN 的几何计算通过算子融合（Op Fusion），在推理前的 onResize 阶段将多个变换合并。

例如，如果你执行了 Reshape + Transpose + Slice，MNN 会将其折叠为一个单一的 Raster（光栅化）算子。这个 Raster 算子只需要一次高效的内存拷贝（或在某些后端直接作为输入视图），极大地降低了 CPU/GPU 的调度开销。

5. 开发者如何受益？

1. 后端适配简单：如果你正在为国产 NPU 开发适配层，你只需要实现基础的计算算子和 Raster 算子，即可支持几乎所有维度变换相关的算子。
2. 性能提升：通过减少内存拷贝，对于轻量级网络（如 MobileNet），性能可提升 10%-20%。
3. 灵活性：轻松处理不规则的 Tensor 步长，是支持动态 Shape 的“银弹”。

总结

MNN 的几何计算通过将算子逻辑分解为几何变换与数值计算，实现了代码的极致复用。对于开发者而言，理解 Stride 和 View 的概念，是掌握端侧推理优化的关键步骤。