ncnn笔记 | 易学教程

最近看了ncnn的源码，代码风格清爽，遂想先抛开VULKAN记录一下它的推理流程。

1. 先看个yolov2 demo

csdn上的帖子https://blog.csdn.net/sinat_31425585/article/details/83243961，其文末还附了福利直接可用的模型https://download.csdn.net/download/sinat_31425585/10737783，超赞的良心博主。

yolov2.cpp

　//construct net
　　 ncnn::Net yolov3;
    yolov3.load_param("mobilenetv2_yolov3.param");
    yolov3.load_model("mobilenetv2_yolov3.bin");
  //read in img
    ncnn::Mat in = ncnn::Mat::from_pixels_resize(bgr.data, ncnn::Mat::PIXEL_BGR, bgr.cols, bgr.rows, target_size, target_size);
  //substract mean
    const float mean_vals[3] = {127.5f, 127.5f, 127.5f};
    const float norm_vals[3] = {0.007843f, 0.007843f, 0.007843f};
    in.substract_mean_normalize(mean_vals, norm_vals);
  //construct create_extractor
    ncnn::Extractor ex = yolov3.create_extractor(); 
    ex.set_num_threads(4); 
  //provide input
    ex.input("data", in); 
  //get output
    ncnn::Mat out; ex.extract("detection_out", out);

清晰的识图流程：构建网络，读入模型描述文件/权重文件，读入图片做减均值，构造提取器，计算出预测数据。

2. 网络模型描述文件

/benchmark下有很多网络的param，以alexnet为例子

7767517
15 15
Input                    data                     0 1 data 0=227 1=227 2=3
Convolution              conv1                    1 1 data conv1_relu1 0=96 1=11 3=4 5=1 6=34848 9=1
LRN                      norm1                    1 1 conv1_relu1 norm1 2=0.000100
Pooling                  pool1                    1 1 norm1 pool1 1=3 2=2
ConvolutionDepthWise     conv2                    1 1 pool1 conv2_relu2 0=256 1=5 4=2 5=1 6=307200 7=2 9=1
LRN                      norm2                    1 1 conv2_relu2 norm2 2=0.000100
Pooling                  pool2                    1 1 norm2 pool2 1=3 2=2
Convolution              conv3                    1 1 pool2 conv3_relu3 0=384 1=3 4=1 5=1 6=884736 9=1
ConvolutionDepthWise     conv4                    1 1 conv3_relu3 conv4_relu4 0=384 1=3 4=1 5=1 6=663552 7=2 9=1
ConvolutionDepthWise     conv5                    1 1 conv4_relu4 conv5_relu5 0=256 1=3 4=1 5=1 6=442368 7=2 9=1
Pooling                  pool5                    1 1 conv5_relu5 pool5 1=3 2=2
InnerProduct             fc6                      1 1 pool5 fc6_drop6 0=4096 1=1 2=37748736 9=1
InnerProduct             fc7                      1 1 fc6_drop6 fc7_drop7 0=4096 1=1 2=16777216 9=1
InnerProduct             fc8                      1 1 fc7_drop7 fc8 0=1000 1=1 2=4096000
Softmax                  prob                     1 1 fc8 output

line 1：magic number，有点校验码的味道

line 2: layer_count blob_count

rest line: 【layer_type】【layer_name】【bottom_blob_num】【top_blob_num】【bottom/top_blob_names 】【calculate_parameters】(key_id = value 的形式，不太常见的是有个比较大的数，如conv中的 6=34848， weight_size, 从文件读取weights有用）

calculate_parameters：会被ParamDict解析成字典，每个layer用ParamDict读出计算参数。

blob 的管理： blob只是描述tensor的数据结构(存储name，producer 和consumers的索引)，实际数据存储在extraor中。

3. Net

Extractor是个很好的推理抽象，数据成员就三个：网络net, 计算的blobs_mats（vector<Mat>) 和 option(配置信息)

调用extract(const char* blob_name, Mat&feat)函数的时候， extractor会去判断blob_name 指向的Mat是否有值，有的话直接返回给feat，没有就去调用net 的forward_layer函数来计算出这个Mat 再返回。

net->forward_layer(layer_index, blob_mats, opt)是一个递归函数，下面只截取了部分源码来表达逻辑

int Net::forward_layer(int layer_index, std::vector<Mat>& blob_mats, Option& opt) const
{
    const Layer* layer = layers[layer_index];
    if (layer->one_blob_only)
    {
        // load bottom blob
        int bottom_blob_index = layer->bottoms[0];
        int top_blob_index = layer->tops[0];
        if (blob_mats[bottom_blob_index].dims == 0)
        {
            int ret = forward_layer(blobs[bottom_blob_index].producer, blob_mats, opt);
            if (ret != 0)
                return ret;
        }

        Mat bottom_blob = blob_mats[bottom_blob_index];
        // forward
        if (opt.lightmode && layer->support_inplace)
        {
            Mat& bottom_top_blob = bottom_blob;
            int ret = layer->forward_inplace(bottom_top_blob, opt);
            if (ret != 0)
                return ret;
            // store top blob
            blob_mats[top_blob_index] = bottom_top_blob;
         }　　　}

该函数检查该layer的bottom_blob_num是否有效，没有的话就调用上一层的forward_layer。bottom_blob凑齐后调用layer->forward()计算出本层的top_blob(cosumers的bottom_blob)。

再看一眼Net这个类的几个成员函数和变量：

public:// register custom layer by layer type name
    // return 0 if success
    int register_custom_layer(const char* type, layer_creator_func creator);

    // register custom layer by layer type
    // return 0 if success
    int register_custom_layer(int index, layer_creator_func creator);

    // load network structure from plain param file
    // return 0 if success
    int load_param(FILE* fp);protected:int forward_layer(int layer_index, std::vector<Mat>& blob_mats, Option& opt) const;

protected:
    std::vector<Blob> blobs;
    std::vector<Layer*> layers;
    std::vector<layer_registry_entry> custom_layer_registry;

load_param() 用来初始化填充blobs和layers， forward_layer() 用来调用layer->forward()推数据流动。

下面是load_param()中create_layer的方式，先调用内建layer类中的create_layer()函数，如果不识别再调用create_custom_layer()，这也不识别那就只有abort()了。create_layer()和 create_custom_layer() 分别去查找layer中定义的layer_registry和net中定义的custom_layer_registry。

        Layer* layer = create_layer(layer_type);
        if (!layer)
        {
            layer = create_custom_layer(layer_type);
        }

layer_registry_entry结构中装了layer的name的creator函数，内建的layer_registry 通过#include "layer_registry.h"来初始化，而layer_registry.h文件用cmake在编译时生成，即相应的layer在CMakeLists中添加。而custom_layer_registry的话需调用register_custom_layer() 来注册，即往custom_layer_registry里push_back一个entry。examples/mobilenetv2ssdlite.cpp 下有一个注册Noop的例子。

//layer.h
struct layer_registry_entry
{
    // layer type name
    const char* name;
    // layer factory entry
    layer_creator_func creator;
};

//layer.cpp
static const layer_registry_entry layer_registry[] =
{
#include "layer_registry.h"
};

内建的layer_creator_func 也是cmake生成，定义在layer_declaration.h中，下面是生成文件中的第一个算子。

class AbsVal_final : virtual public AbsVal
{
public:
    virtual int create_pipeline(const Option& opt) {
        { int ret = AbsVal::create_pipeline(opt); if (ret) return ret; }
        return 0;
    }
    virtual int destroy_pipeline(const Option& opt) {
        { int ret = AbsVal::destroy_pipeline(opt); if (ret) return ret; }
        return 0;
    }
};
DEFINE_LAYER_CREATOR(AbsVal_final)

//layer.h
#define DEFINE_LAYER_CREATOR(name) \
    ::ncnn::Layer* name##_layer_creator() { return new name; }

4. Layer

下面是layer 类的主要成员和函数

public:
   // load layer specific parameter from parsed dict
    // return 0 if success
    virtual int load_param(const ParamDict& pd);

    // load layer specific weight data from model binary
    // return 0 if success
    virtual int load_model(const ModelBin& mb);

public:
    // implement inference
    // return 0 if success
    virtual int forward(const std::vector<Mat>& bottom_blobs, std::vector<Mat>& top_blobs, const Option& opt = Option()) const;
    virtual int forward(const Mat& bottom_blob, Mat& top_blob, const Option& opt = Option()) const;

    // implement inplace inference
    // return 0 if success
    virtual int forward_inplace(std::vector<Mat>& bottom_top_blobs, const Option& opt = Option()) const;
    virtual int forward_inplace(Mat& bottom_top_blob, const Option& opt = Option()) const;


public:
    // layer type index
    int typeindex;
    // layer type name
    std::string type;
    // layer name
    std::string name;
    // blob index which this layer needs as input
    std::vector<int> bottoms;
    // blob index which this layer produces as output
    std::vector<int> tops;

layer_type的enum也是cmake生成的。在src/layer文件下是实现了很多的算子类，大部分都只需要继承Layer函数，实现

不同的load_param(), load_model() 和forward() 函数就行。

先写这么多入个门， ncnn的重点应该是针对各类算子在移动设备端的优化。

来源：https://www.cnblogs.com/chaobing/p/11440586.html

标签

const

vector初始化

vector

data