NCNN 源码学习【一】：学习顺序

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

【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);

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