模型作用：人臉關鍵點檢測
原模型：tensorflow pb.model
轉化後：ncnn *.param *.model
主幹網絡：shufflenet v2
CPU：ARM A53 2.0GHz
GPU：IMG GS 8200
問題描述：
加載兩個模型--人臉檢測和人臉關鍵點檢測
人臉檢測模型：ssd，param 10kb，model 509kb，cpu load param 需要1.7ms，load model 需要 19ms;
但是，使用vulkan load param 需要 32s，load model需要55s，一個初始化需要將近2min;
人臉關鍵點檢測模型：shufflenet v2，param 40kb, model 2.5Mb, cpu load param 需要 5ms，load model 需要 10ms;
但是，使用vulkan load param 需要32s，load model時，mem 中native 狂飆，直接被殺死，導致初始化失敗。
內存泄漏問題描述：
主幹採用shufflenet v2，最後三層爲reduce，由於vulkan不支持reduce，因此用如下方法代替
Pooling pool1 1 1 ShuffleNetV2/Stage2/concat_splitncnn_0 pool1 0=1 1=20 11=20 2=20 12=20 5=1
但是在vulkan ncnn load model 執行到 pipeline.cpp 469行
VkResult ret = vkCreateComputePipelines(vkdev->vkdevice(), 0, 1, &computePipelineCreateInfo, 0, &pipeline);
內存崩掉了，然後被系統強殺。
內存泄漏原因分析：
0=1 表示average pool，1和11表示kernal的h和w，2和12表示pad的h和w，以此來代替reduce操作，該方法在ncnn arm cpu 上能夠得到正確的結果，但是在vulkan gpu上內存會出現上述問題。
內存泄漏替換方案：
Pooling pool1 1 1 ShuffleNetV2/Stage2/concat_splitncnn_0 pool1 0=1 4=1
可以在確保正確forward的同時，在該硬件環境上推理速度上升30ms。
load model速度慢問題，暫時未得到解決方法。