工作需要，最近在使用ncnn，为了写自定义层，深入理解下源码，在此作个笔记。
https://github.com/Tencent/ncnn
目录结构
image.png
benchmark：一些常见模型的模型文件，如mobilenet，resnet，vgg等。
cmake：有关链接openmp和valkan的cmake文件，这两个都是并行计算加速用的
docs：文档，包括开发指南，构建指南等等
examples：使用ncnn的示例，包括几个常用模型的cpp调用示例，及其cmakelist文件
images：此目录无关紧要，是页面上的图片
src：ncnn源码目录
toolchains：不同平台的cmake编译文件，包括aarch64、arm-linux、ios、jetson、pi3等
tools：包含以下其他深度学习框架模型转换到ncnn模型的工具，以及量化工具等
build.sh:构建脚本
CMakeLists.txt：总的cmake文件
这里我们主要阅读src中的源码
src/中的目录结构：
image.png
主要有一个layer目录，layer目录下时对应三个平台的算子（如卷积、池化等）的实现，arm下是用neon加速，vulkan下是用vulkan加速，x86下还没看，一般来说，x86下会用avx、sse或sse2加速计算。vulkan是类似opengl的存在，neon是基于arm的simd（单指令多数据）加速，avx、sse、sse2都是基于x86架构的cpu的simd加速（如需详细了解加速计算，可参考本账号下的异构并行编程文集，目前只更新了neon）。
example
首先从一个例子看起，在example目录中有几个cpp文件，这些是调用各自文件名对应模型的cpp文件，比如mobilenetssd.cpp就是以mobilenet为主干网络的ssd算法模型的调用。
- ncnn的模型调用流程
看example中的例子可以基本总结出ncnn的模型调用流程如下：
#include "net.h"
ncnn::Net xxxnet; //声明一个Net对象
ncnn::Mat in_img; //声明输入
ncnn::Mat out_img; //声明输出
xxxnet.load_param(xxx.param); //载入模型结构参数文件
xxxnet.load_model(xxx.bin); //载入模型权重参数文件
ncnn::Extractor ex = xxxnet.create_extractor(); //创建网络执行器
ex.set_num_threads(2); //设置执行器使用的线程数
ex.set_light_mode(true); //设置执行器是否使用轻量模式
ex.input("data", in_img); //设置执行器输入
ex.extract("prob", out_img); //提取执行器输出
源码的阅读也按照上面这个顺序来，结构就很清晰。
首先分析load_param的原理，再分析load_model的原理，接着分析extractor的原理。
网友评论