NCNN 源码学习【一】:学习顺序

2023-12-13 04:11:33

最近一段时间一直在做模型部署的工作,主要是利用NCNN部署到安卓端,跟着网上的博客和开源项目,做了很多工作,也学习到很多东西,但是对于NCNN的源码,并没有仔细的研究过,对我来说,仿佛是一个神秘的存在一样,接下来,将会对NCNN的源码进行研究,加深对于NCNN的理解。

正文

代码版本

截止到目前ncnn已经快5年了,代码也越来越庞大,很多都是一些新添加的功能支持啥的。这回读代码,我们比较关心的是ncnn整个的架构以及它代码的逻辑是怎么走的,所以这里我选用了ncnn最早的一个release的代码,这个代码的整体使用逻辑是现在的是一样,而且代码量比较少,看起来比较方便,我用的是这个:
https://github.com/Tencent/ncnn/releases/tag/20170724
在这里插入图片描述

【demo】
我们来看一下ncnn自带的一个经典demo:squeezenet的代码,这里我只贴出与ncnn有关的部分:

// 网络加载
ncnn::Net squeezenet;
squeezenet.load_param("squeezenet_v1.1.param");
squeezenet.load_model("squeezenet_v1.1.bin");

// 数据预处理
ncnn::Mat in = ncnn::Mat::from_pixels_resize(image.data, ncnn::Mat::PIXEL_BGR, image.cols, image.rows, 227, 227);
const float mean_vals[3] = { 104.f, 117.f, 123.f };
in.substract_mean_normalize(mean_vals, 0);

// 网络推理
ncnn::Extractor ex = squeezenet.create_extractor();
ex.set_light_mode(true);
ex.input("data", in);
ncnn::Mat out;
ex.extract("prob", out);

在这里插入图片描述

从上面的代码可以看到,整个过程大体可以分为四个部分:

一、网络加载

  1. load_param
  2. load_model

二、数据预处理

  1. from_pixels_resize
  2. substract_mean_normalize

三、网络推理

  1. create_extractor
  2. input
  3. extract

四、每一层的推理(隐含在模型内的)

接下来的学习顺序也很简单,主要按照这四部分设计的代码,一层一层进去看,进去学习。

参考:

致谢:https://zhuanlan.zhihu.com/p/454835595

文章来源:https://blog.csdn.net/s1_0_2_4/article/details/134951504
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。