模型作用：人脸关键点检测
原模型：tensorflow pb.model
转化后：ncnn *.param *.model
主干网络：shufflenet v2
CPU：ARM A53 2.0GHz 2G MEM
GPU：IMG GE 8300
问题描述：
加载两个模型--人脸检测和人脸关键点检测 人脸检测模型：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，一个初始化需要将近2min;
人脸关键点检测模型：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时，mem 中native 狂飙，直接被杀死，导致初始化失败。
内存泄漏问题描述：
主干采用shufflenet v2，最后三层为reduce，由于vulkan不支持reduce，因此用如下方法代替
Pooling pool1 1 1 concat_splitncnn_0 pool1 0=1 1=20 11=20 2=20 12=20 5=1
但是在vulkan ncnn load model 执行到 pipeline.cpp 469行
VkResult ret = vkCreateComputePipelines(vkdev->vkdevice(), 0, 1, &computePipelineCreateInfo, 0, &pipeline);内存崩掉了，然后被系统强杀。
内存泄漏原因分析：
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，以此来代替reduce操作，该方法在ncnn arm cpu 上能够得到正确的结果，但是在vulkan gpu上内存会出现上述问题。
内存泄漏替换方案：
Pooling pool1 1 1 concat_splitncnn_0 pool1 0=1 4=1
可以在确保正确forward的同时，在该硬件环境上推理速度上升30ms。
load model速度慢问题，参见 【Android-NCNN-Vulkan】ncnn-vulkan load param & model 速度慢。
【PS】复现vulkan average pooling 内存溢出问题：
pool.proto
7767517 2 2 Input images 0 1 images 0=13 1=13 2=1024 Pooling pool1 1 1 images pool1 0=1 1=12 11=12 2=12 12=12 5=1 unsigned char m[16]; std::string param = "/pool.proto"; Net->load_param(param.c_str()); Net->load_model(m);设置kernal 和 stride >=13 时，在本次记录的配置中，出现内存溢出
详细问题参见：https://github.com/Tencent/ncnn/issues/1874
