NCNN（2）--网络结构文件.param解析

最新推荐文章于 2025-06-14 09:57:35 发布

零尾

最新推荐文章于 2025-06-14 09:57:35 发布

阅读量9.3k

点赞数 9

CC 4.0 BY-SA版权

分类专栏： Deep Learning 文章标签： ncnn param lenet

本文链接：https://blog.youkuaiyun.com/lwplwf/article/details/82983904

Deep Learning 同时被 2 个专栏收录

81 篇文章

订阅专栏

NCNN

2 篇文章

订阅专栏

本文详细介绍LeNet模型结构，包括输入层、卷积层、池化层、全连接层及激活函数，展示了从Caffe到ncnn的转换过程，解析了ncnn参数文件的每一部分，适合深度学习初学者理解经典模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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：

7767517
9 9
Input            data             0 1 data 0=28 1=28 2=1
Convolution      conv1            1 1 data conv1 0=20 1=5 2=1 3=1 4=0 5=1 6=500
Pooling          pool1            1 1 conv1 pool1 0=0 1=2 2=2 3=0 4=0
Convolution      conv2            1 1 pool1 conv2 0=50 1=5 2=1 3=1 4=0 5=1 6=25000
Pooling          pool2            1 1 conv2 pool2 0=0 1=2 2=2 3=0 4=0
InnerProduct     ip1              1 1 pool2 ip1 0=500 1=1 2=400000
ReLU             relu1            1 1 ip1 ip1_relu1
InnerProduct     ip2              1 1 ip1_relu1 ip2 0=10 1=1 2=5000
Softmax          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 regenerate\n"); 
	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