核心要点:上线前检查表：比调参更救命
真正上线前，我会卡五个点：模型文件大小、首帧耗时、峰值内存、异常输入、版本回滚。模型从18MB降到7MB可能比再快3ms更值钱，因为很多设备下载失败、存储紧张、冷启动慢。
日志也要留细一点。至少打出模型版本、后端类型、线程数、输入尺寸、单次耗时。线上出问题时，你能直接判断是新模型慢、设备太弱，还是某个后端翻车。没有这些字段，排查只能靠猜。
mnn落地避坑：别先追速度实用整理
mnn落地避坑：别先追速度实用整理
mnn真正难的不是跑出demo，而是把模型稳稳塞进手机、盒子或工控板里。我做端侧推理这些年，见过太多人一上来盯着FPS，结果上线后发热、内存峰值、算子不支持轮流爆雷。想少踩坑，得先把模型转换、量化、后端选择和回归测试捋顺。 第三类法庭攻略最实用的办法，是把它和同类港剧、律政剧、媒体题材剧放一起比较。你会发现它的强项不是赢官司的爽，而是拍出舆论如何替代法庭。
使用细节:Q1：和传统律政剧比，它强在哪？
传统律政剧的快感在程序：证据、盘问、辩论、判决。观众等的是“真相大白”。《第三类法庭》更狠一点，它问的是：真相还没大白前，社会已经怎么处理你了？
所以它的强项不是专业细节多到像教材，而是把法庭外的压力拍出来。一个标题、一段流言、一次公开指责，都可能比判决更快改变人生。
常见场景:所谓走光，常见是这4种误判
第一种是闪光灯吃布料。缎面、薄纱、浅色礼服在强光下容易显出内衬边缘，截图一压缩，就像“透了”。第二种是安全裤或肤色打底被截成奇怪形状。红毯礼服十有八九有防护层，不是营销号说的“毫无准备”。
第三种是借位。摄影机在低位，艺人上台阶，裙摆自然会有角度变化。第四种是修图和压缩造成的噪点。很多人拿二传三传的糊图下判断，颜色块都裂了，还一本正经分析女星走光，我看着都替原图委屈。
避坑提醒:第三步：训练具体回应
穿搭只能解决第一眼，真正拉开差距的是开口后的感觉。小林最大的问题是回答太短，别人不知道怎么继续。我们给她做了一个练习：每次回应至少多加一个细节。
比如别人问“周末干嘛了”，她原来答“没干嘛”，后来改成“去江边走了半小时，风特别大，但看到一只狗追树叶，笑死”。这不是刻意讨好，而是给对方一个画面。两周后她说，同事开始主动找她吃午饭，因为聊天终于有入口了。
选择建议:用法三：把“老婆”换成具体问题
搜索时别一直敲“c罗的老婆”，太宽了。你想看家庭，就搜“乔治娜 C罗 孩子”；想看纪录片，就搜“I Am Georgina Netflix”；想看身高年龄，就搜“Georgina Rodríguez age height”；想看穿搭，就搜“Georgina Rodríguez style”。问题越具体，结果越干净。
我通常会加一个年份，比如“Georgina Rodríguez 2024 interview”。名人信息变化快，旧文章经常拿几年前的活动当新动态。加年份能过滤掉一堆重复搬运。
延伸参考:最后收一下：少补课，多顺着兴趣走
漫威避坑最实用的一句话：先看你最有兴趣的角色，再补他身后的关系网。喜欢蜘蛛侠，就从荷兰弟三部曲接触；喜欢洛基，再去看《雷神》和《复联》。兴趣比顺序更能让人坚持。
别把漫威当作严肃考试。它本质是商业娱乐系统，最好的打开方式是边看边熟，而不是看前先背设定。你看得开心，才有继续补的动力。
常见问题
- mnn适合哪些端侧AI场景？
- 适合手机、IoT设备、车载盒子、工控板上的分类、检测、分割、OCR前处理识别等场景。高频实时任务要重点测温度和P95耗时，低频任务更要关注首帧延迟。
- mnn模型转换后结果不一致怎么办？
- 先别怀疑框架。按顺序查输入尺寸、RGB/BGR、归一化参数、layout、Resize方式，再拿同一张图对比ONNX输出和转换后输出。差异从第一层开始看，别只盯最终结果。
- mnn量化后精度下降多少算正常？
- 分类任务Top1掉0.5到1个百分点通常还能接受；检测任务要看业务，漏检关键目标就不行。建议用真实业务样本单独建一套回归集，别只看公开数据集指标。
- mnn用CPU还是GPU更好？
- 没有固定答案。相机实时预览可测OpenCL，短任务或低端机优先测CPU。判断标准用三项：首帧耗时、连续100帧平均耗时、5分钟后是否降频。