QNN是指Qualcomm Neural Network，即高通神经网络，是高通推出的用于AI推理的软件开发套件（SDK），也称为Qualcomm AI Engine Direct.
它允许开发者将各种AI框架模型转换并优化为在Qualcomm芯片上运行
专为Snapdragon平台优化
QNN的主要功能和特点：
模型转换和优化：:QNN提供工具来将PyTorch, TensorFlow, Keras, ONNX等流行框架模型转换到Qualcomm平台的模型格式.
推理引擎：:QNN提供推理引擎，可以在Qualcomm芯片上运行转换后的模型，并进行推理.
工具和API：:QNN提供各种工具和API来帮助开发者进行模型转换，优化，测试和调试.
ONNX
ONNX（Open Neural Network Exchange，开放神经网络交换）是一种用于表示机器学习模型的开放标准格式，旨在解决不同AI框架间的模型兼容性问题，实现跨平台、跨框架的模型共享与部署。
ONNX 提供统一的模型存储格式，允许开发者在不同框架（如 PyTorch、TensorFlow、MXNet）间无缝转换模型
例如，PyTorch 训练的模型可转为 ONNX 格式，在 TensorFlow 上部署
TensorFlow 与 ONNX 是 互补协作关系：TensorFlow 作为训练框架生成模型，ONNX 作为中间格式实现跨平台部署。
graph LR A[TensorFlow 训练模型] –> B[tf2onnx 转换工具] B –> C[ONNX 格式模型] C –> D[ONNX Runtime/TensorRT/OpenVINO 等推理引擎] D –> E[CPU/GPU/NPU 硬件部署]
AI框架模型
AI框架模型（Framework-Specific Model）指依赖特定深度学习框架（如PyTorch、TensorFlow）构建、训练和保存的机器学习模型。
它包含完整的模型结构定义、权重参数及训练配置，但通常与原生框架深度绑定，难以直接跨平台部署。
框架模型是训练阶段的产物，与框架生态强耦合（如PyTorch模型需torch库加载
以PyTorch模型部署到高通芯片为例：
graph TB A[PyTorch定义模型] –> B[GPU训练] B –> C[保存为model.pt] C –> D[导出ONNX格式] D –> E[用QNN工具链量化编译] E –> F[部署到Snapdragon NPU]
关键转换步骤：
框架模型（.pt）→ 中间格式（.onnx）→ 硬件优化格式（QNN二进制）