正文
这次先来看一段NCNN应用代码中，最先出现的部分，模型加载
ncnn::Net squeezenet;
squeezenet.load_param("squeezenet_v1.1.param");
squeezenet.load_model("squeezenet_v1.1.bin");
首先我们可以看到一个 ncnn的类Net，这个就是用来记录网络的，我们跳过这个，有四个东西是我们比较关心的：
方法：load_parm和load_model
文件：*.param 和 *.bin（可以用netron可视化）
一、Load_parm
load_parm的具体代码在net.cpp的第92行处，考虑到该函数是加载param文件的，squeezenet_v1.1.param的内容，其中的各部分的含义我都按照源码的变量名指示了出来，看图：
在一个param文件里面，只有第一行与其他行的区别。
1. 第一行
- 第一个数：表示了该param所表示的模型，共有多少layer,，layer的值是从第二行开始一直数下去的，所以如果增删了某几行，这里也要对应修改。
- 第二个数：表示了该某些有多少个blob，可以理解成有多少个数据流节点。例如一个卷积就是一个输入blob一个输出blob，数据其实就是在blob之间流来流去。
2. 其他行：除了第一行，其他的都是layer行，上图用第三行举例，具体行内容依次为：
-
layer_type：该行layer对应的类型，如 Convolution、Pooling、ReLU 等。每种类型的层执行不同的操作，并具有不同的参数和配置。
-
layer_name：该行layer的名字，这是为网络中的每一层指定的唯一名称。它用于在网络的定义中引用特定的层，模型导出的时候导出工具自动生成的
-
bottom_count：这表示一个层的输入数量。在神经网络中，某些层可能从一个或多个其他层接收输入数据。bottom_count 指明了该层需要接收多少个输入。这层可以理解为我这个小弟上面有多少个大哥。
-
top_count：这表示一个层的输出数量。某些层可能向一个或多个其他层输出数据。top_count 指出该层产生多少个输出。该层参数可以理解为我这个大哥下面有多少个小弟。
-
bottom_name：这些是输入到该层的底部（或输入）blob（数据块）的名称。在 NCNN 中，blob 是指流经网络的数据。每个 blob 有一个唯一的名称，这样在定义网络时可以清楚地指出数据从哪里来，到哪里去。上面大哥叫什么名字
-
blob_name：这些是该层输出的顶部（或输出）blob的名称。这些名称用于在网络定义中将这些数据传递到其他层。我下面小弟叫什么名字。
-
特有参数：这个是该layer特有的一些参数，不是同一参数，由各具体layer实例读。例如卷积有有kernel_size、stride_size、padding_size，ReLU又是无参的，softmax则需要一个指示维度的参数，具体参具体分析。
代码详细分析如下：
75 83
Input data 0 1 data 3 227 227
Convolution conv1 1 1 data conv1 64 3 1 2 0 1 1728
ReLU relu_conv1 1 1 conv1 conv1_relu_conv1 0.000000
Pooling pool1 1 1 conv1_relu_conv1 pool1 0 3 2 0 0
文件开头
- 78: 表示网络中层的数量。NCNN 中的每个层代表一个操作，如卷积、池化、激活等。
- 83: 表示网络中 blob 的总数。在 NCNN 中，blob 是指流经网络的数据，每个层的输入和输出都可以被视为一个或多个 blob。
各层定义
-
Input Layer:
Input: 层的类型，这里表示它是一个输入层。data: 层的名称，这里将该层命名为data。0: 输出数量，输入层不产生输出，所以是0。1: 输入数量，这是一个常规的输入层，因此只有一个输入（即图像本身）。data: 输入blob的名称。3,227,227: 输入数据的维度。这里指的是输入图像有3个通道（彩色图像），宽和高分别为227像素。
-
Convolution Layer:
Convolution: 层的类型，表示这是一个卷积层。conv1: 层的名称。1: 输出数量，这层有一个输出。1: 输入数量，这层有一个输入。data: 输入blob的名称，即接受data层的输出作为输入。conv1: 输出blob的名称。64: 卷积核的数量。3: 卷积核的尺寸（宽和高），这里是3x3。1: 步长，表示卷积操作在宽和高方向上的移动步长。2: 填充，表示在输入数据的周围添加的零的层数。0: 群组数量，用于分组卷积。1: 卷积方式，1表示使用常规卷积。1728: 权重数据的数量。
-
ReLU Layer:
ReLU: 层的类型，表示这是一个激活层，使用ReLU激活函数。relu_conv1: 层的名称。1: 输出数量。1: 输入数量。conv1: 输入blob的名称，接受conv1层的输出。conv1_relu_conv1: 输出blob的名称。0.000000: ReLU激活函数的负斜率（Leaky ReLU的参数），这里为0表示标准ReLU。
-
Pooling Layer:
Pooling: 层的类型，表示这是一个池化层。pool1: 层的名称。1: 输出数量。1: 输入数量。conv1_relu_conv1: 输入blob的名称，接受relu_conv1层的输出。pool1: 输出blob的名称。0: 池化方式，0通常表示最大池化。3: 池化核的尺寸。2: 步长，表示池化操作的移动步长。0: 填充，表示在输入数据周围添加的零的层数。0: 全局池化标志，0表示不使用全局池化。
有了param文件的分析，我们结合源码对比写出load_param的伪代码了：
# layer列表，存下所有layer
# blobs列表，背后维护，为find_blob服务
layer_count, blob_count = read(param_file
for param_file is not EOF: # 循环读取每一行的layer数据
layer_type, layername, bottom_count, top_count = read(param_file) # 读取前四个固定参数
layer = create_layer(layer_type) # 根据layer类型创建一个layer
for bottom_count:
bottom_name = read(param_file) # 读取每一个bottom_name
blob = find_blob(bottom_name) # 查找该blob，没有的话就要新建一个
blob.consumers.append(layer) # 当前层是这个blob的消费者，这里的blob是是大哥，当前层是小弟，没钱花找大哥要
layer.bootoms.append(blob) # 记住谁才是你的大哥
for top_count:
blob_name = read(param_file) # 读取每一个blob_name
blob = find_blob(bottom_name) # 查找该blob，没有的话就要新建一个
blob.producer = layer # 当前层是这个blob的生产者，这里的blob是小弟，当前层是大哥
layer.tops.append(blob) # 花名册上把小弟名字写一些
layer.param = read(param_file)
layers.append(layer)
其实整个流程是很简单，对于某一层数据来说，首先要认清自己的身份，记住谁是你的大哥（bottom_name）,记住谁是你的小弟（blob_name）,认清自己几斤几两（特有参数）。
后面的load_model这里暂不分析，因为这里涉及到layer的特有参数，这个我们后面拉几个layer单独分析。
这里大哥小弟思想是受到一篇帖子的启发链接，感觉挺有意思的。
- 方案一：每个人都发，大家都有钱，有些小弟还不需要钱，你也给他发了
- 优点：每个人你都发了，缺钱也别来问，都给你了（直接完整推理，要什么数据取就行了）
- 缺点：大哥都发出去了，累死累活的（全部计算量）
- 方案二：来要钱才给他，有些不要钱的不给了
- 优点：大哥省事，谁要给谁（节省计算量）
- 缺点：每个小弟要钱都要往上打报告，大哥再给他们发（取不同节点数据中间需要再推理）
