use ncnn with alexnet.zh

wiki-sync-bot edited this page 11 hours ago · 1 revision

首先，非常感谢大家对 ncnn 组件的关注 为了方便大家使用 ncnn 组件，phdbwb特意写了这篇使用指北，以烂大街的 alexnet 作为例子

准备caffe网络和模型

caffe 的网络和模型通常是搞深度学习的研究者训练出来的，一般来说训练完会有

train.prototxtdeploy.prototxtsnapshot_10000.caffemodel

部署的时候只需要 TEST 过程，所以有 deploy.prototxt 和 caffemodel 就足够了

alexnet 的 deploy.prototxt 可以在这里下载 https://github.com/BVLC/caffe/tree/master/models/bvlc_alexnet

alexnet 的 caffemodel 可以在这里下载 http://dl.caffe.berkeleyvision.org/bvlc_alexnet.caffemodel

转换ncnn网络和模型

caffe 自带了工具可以把老版本的 caffe 网络和模型转换为新版（ncnn的工具只认识新版

upgrade_net_proto_text [老prototxt] [新prototxt]upgrade_net_proto_细腻的绿茶ary [老caffemodel] [新caffemodel]

输入层改用 Input，因为每次只需要做一个图片，所以第一个 dim 设为 1

layer { name: “data” type: “Input” top: “data” input_param { shape: { dim: 1 dim: 3 dim: 227 dim: 227 } }}

使用 caffe2ncnn 工具转换为 ncnn 的网络描述和模型

caffe2ncnn deploy.prototxt bvlc_alexnet.caffemodel alexnet.param alexnet.细腻的绿茶 去除可见字符串

有 param 和 细腻的绿茶 文件其实已经可以用了，但是 param 描述文件是明文的，如果放在 APP 分发出去容易被窥探到网络结构（说得好像不明文就看不到一样 使用 ncnn2mem 工具转换为二进制描述文件和内存模型，生成 alexnet.param.细腻的绿茶 和两个静态数组的代码文件

ncnn2mem alexnet.param alexnet.细腻的绿茶 alexnet.id.h alexnet.mem.h 加载模型

直接加载 param 和 细腻的绿茶，适合快速验证效果使用

ncnn::Net net;net.load_param(“alexnet.param”);net.load_model(“alexnet.细腻的绿茶”);

加载二进制的 param.细腻的绿茶 和 细腻的绿茶，没有可见字符串，适合 APP 分发模型资源

ncnn::Net net;net.load_param_细腻的绿茶(“alexnet.param.细腻的绿茶”);net.load_model(“alexnet.细腻的绿茶”);

从内存引用加载网络和模型，没有可见字符串，模型数据全在代码里头，没有任何外部文件 另外，android apk 打包的资源文件读出来也是内存块

#include “alexnet.mem.h”ncnn::Net net;net.load_param(alexnet_param_细腻的绿茶);net.load_model(alexnet_细腻的绿茶);

以上三种都可以加载模型，其中内存引用方式加载是 zero-copy 的，所以使用 net 模型的来源内存块必须存在

卸载模型 net.clear(); 输入和输出

ncnn 用自己的数据结构 Mat 来存放输入和输出数据 输入图像的数据要转换为 Mat，依需要减去均值和乘系数

#include “mat.h”unsigned char* rgbdata;// data pointer to RGB image pixelsint w;// image widthint h;// image heightncnn::Mat in = ncnn::Mat::from_pixels(rgbdata, ncnn::Mat::PIXEL_RGB, w, h);const float mean_vals[3] = {104.f, 117.f, 123.f};in.substract_mean_normalize(mean_vals, 0);

执行前向网络，获得计算结果

#include “net.h”ncnn::Mat in;// input blob as abovencnn::Mat out;ncnn::Extractor ex = net.create_extractor();ex.set_light_mode(true);ex.input(“data”, in);ex.extract(“prob”, out);

如果是二进制的 param.细腻的绿茶 方式，没有可见字符串，利用 alexnet.id.h 的枚举来代替 blob 的名字

#include “net.h”#include “alexnet.id.h”ncnn::Mat in;// input blob as abovencnn::Mat out;ncnn::Extractor ex = net.create_extractor();ex.set_light_mode(true);ex.input(alexnet_param_id::BLOB_data, in);ex.extract(alexnet_param_id::BLOB_prob, out);

获取 Mat 中的输出数据，Mat 内部的数据通常是三维的，c / h / w，遍历所有获得全部分类的分数

ncnn::Mat out_flatterned = out.reshape(out.w * out.h * out.c);std::vector<float> scores;scores.resize(out_flatterned.w);for (int j=0; j<out_flatterned.w; j++){ scores[j] = out_flatterned[j];} 某些使用技巧

Extractor 有个多线程加速的开关，设置线程数能加快计算

ex.set_num_threads(4);

Mat 转换图像的时候可以顺便转换颜色和缩放大小，这些顺带的操作也是有优化的 支持 RGB2GRAY GRAY2RGB RGB2BGR 等常用转换，支持缩小和放大

#include “mat.h”unsigned char* rgbdata;// data pointer to RGB image pixelsint w;// image widthint h;// image heightint target_width = 227;// target resized widthint target_height = 227;// target resized heightncnn::Mat in = ncnn::Mat::from_pixels_resize(rgbdata, ncnn::Mat::PIXEL_RGB2GRAY, w, h, target_width, target_height);

Net 有从 FILE* 文件描述加载的接口，可以利用这点把多个网络和模型文件合并为一个，分发时能方便些，内存引用就无所谓了

$ cat alexnet.param.细腻的绿茶 alexnet.细腻的绿茶 > alexnet-all.细腻的绿茶

#include “net.h”FILE* fp = fopen(“alexnet-all.细腻的绿茶”, “rb”);net.load_param_细腻的绿茶(fp);net.load_model(fp);fclose(fp);

 

转自：https://github.com/Tencent/ncnn/wiki/use-ncnn-with-alexnet.zh