ncnn param解析参数含义,ncnn param文件参数的含义

LeNet模型为例

由Caffe的lenet_deploy.prototxt文件转换得到

name: "LeNet"layer { name: "data" type: "Input" top: "data" input_param { shape: { dim: 1 dim: 1 dim: 28 dim: 28 } }}layer { name: "conv1" type: "Convolution" bottom: "data" top: "conv1" param { lr_mult: 1 } param { lr_mult: 2 } convolution_param { num_output: 20 kernel_size: 5 stride: 1 weight_filler { type: "xavier" } bias_filler { type: "constant" } }}layer { name: "pool1" type: "Pooling" bottom: "conv1" top: "pool1" pooling_param { pool: MAX kernel_size: 2 stride: 2 }}layer { name: "conv2" type: "Convolution" bottom: "pool1" top: "conv2" param { lr_mult: 1 } param { lr_mult: 2 } convolution_param { num_output: 50 kernel_size: 5 stride: 1 weight_filler { type: "xavier" } bias_filler { type: "constant" } }}layer { name: "pool2" type: "Pooling" bottom: "conv2" top: "pool2" pooling_param { pool: MAX kernel_size: 2 stride: 2 }}layer { name: "ip1" type: "InnerProduct" bottom: "pool2" top: "ip1" param { lr_mult: 1 } param { lr_mult: 2 } inner_product_param { num_output: 500 weight_filler { type: "xavier" } bias_filler { type: "constant" } }}layer { name: "relu1" type: "ReLU" bottom: "ip1" top: "ip1"}layer { name: "ip2" type: "InnerProduct" bottom: "ip1" top: "ip2" param { lr_mult: 1 } param { lr_mult: 2 } inner_product_param { num_output: 10 weight_filler { type: "xavier" } bias_filler { type: "constant" } }}layer { name: "prob" type: "Softmax" bottom: "ip2" top: "prob"} param文件： 77675179 9Input data 0 1 data 0=28 1=28 2=1Convolution conv1 1 1 data conv1 0=20 1=5 2=1 3=1 4=0 5=1 6=500Pooling pool1 1 1 conv1 pool1 0=0 1=2 2=2 3=0 4=0Convolution conv2 1 1 pool1 conv2 0=50 1=5 2=1 3=1 4=0 5=1 6=25000Pooling pool2 1 1 conv2 pool2 0=0 1=2 2=2 3=0 4=0InnerProduct ip1 1 1 pool2 ip1 0=500 1=1 2=400000ReLU relu1 1 1 ip1 ip1_relu1InnerProduct ip2 1 1 ip1_relu1 ip2 0=10 1=1 2=5000Softmax prob 1 1 ip2 prob 0=0

第一行：版本信息
数值为此param文件的版本
ncnn相关源码说明：

int magic = 0; fscanf(fp, "%d", &magic); if (magic != 7767517) { fprintf(stderr, "param is too old, please regeneraten"); return -1; }

第二行：层与数据交换结构数量
第一个数字：层（layer）的数量
第二个数字：数据交换结构（blob）的数量
ncnn相关源码说明：

// parse int layer_count = 0; int blob_count = 0; fscanf(fp, "%d %d", &layer_count, &blob_count);

第三行及以下：相关层的具体信息
input层比较特殊一点
前4个值的含义固定：
（1）层类型
（2）层名称
（3）输入数据结构数量（bottom blob）
（4）输出数据结构数量（top blob）
后面跟有三个不同类型的值，严格按照顺序排序：
（1） 网络输入层名（一个层可能有多个输入，则有多个网络输入层名）
（2） 网络输出层名（一个层可能有多个输出，则有多个网络输出层名）
（3）特殊参数(可能没有)： 一种是k=v的类型；另一种是k=len,v1,v2,v3….（数组类型）。该层在ncnn中是存放到paramDict结构中，不同类型层，各种参数意义不一样。

以第一个卷积层为例

层类型：Convolution
层名称：conv1
输入数据结构数量：1
输出数据结构数量（top blob）：1
网络输入层名：data
网络输出层名：conv1
特殊参数1：0=20，num_output: 20
特殊参数2：1=5，kernel_size: 5
特殊参数3：2=1，stride: 1
特殊参数4：3=1
特殊参数5：4=0
特殊参数6：5=1
特殊参数7：6=500，该层的参数量，5*5*1*20=500