目前 TNN 支持业界主流的模型文件格式，包括ONNX、PyTorch、TensorFlow、TesorFlow-Lite 以及 Caffe 等。如上图所示，TNN 将 ONNX 作为中间层，借助于ONNX 开源社区的力量，来支持多种模型文件格式。如果要将PyTorch、TensorFlow 以及 Caffe 等模型文件格式转换为 TNN，首先需要使用对应的模型转换工具，统一将各种模型格式转换成为 ONNX 模型格式，然后将 ONNX 模型转换成 TNN 模型。
| 原始模型 | 转换工具 | 目标模型 |
|---|---|---|
| PyTorch | pytorch export | ONNX |
| TensorFlow | tensorflow-onnx | ONNX |
| Caffe | caffe2onnx | ONNX |
| ONNX | onnx2tnn | TNN |
| TensorFlow-Lite | tflite2tnn | TNN |
| 目前 TNN 目前仅支持 CNN 等常用网络结构，RNN、GAN等网络结构正在逐步开发中。 |
通过上面的模型转换的总体介绍，可以发现如果想将 TensorFlow 模型转换成 TNN 模型需要最少两步，稍显麻烦，所以我们提供了 convert2tnn 工具。这个工具提供了集成的转换工具，可以将 TensorFlow、Caffe 和 ONNX 模型转换成 TNN 模型。由于 PyTorch 可以直接导出为 ONNX 模型，然后再将 ONNX 模型转换成 TNN 模型，所以本工具不再提供对于 PyTorch 模型的模型转换，
大家可以使用 convert2tnn 工具对相关的模型直接进行转换，也可以基于后面文档的相关内容，先将对应的模型转换成 ONNX 模型，然后再将 ONNX 转换成 TNN 模型.
本文中提供了两种方式帮助大家使用 convert2tnn工具：
- 通过 docker image 的方式使用 covnert2tnn 转换工具；
- 手动安装依赖工具和编译工具的方式使用 convert2tnn 转换工具；
为了简化 convert2tnn转换工具的安装和编译步骤，目前 TNN 提供了 Dockerfile 文件以及 Docker image 的方式，你可以自己根据 Dockerfile 文件自己构建 docker 镜像，也可以从 Docker Hub 上直接拉取已经构建好的镜像。你可以选择自己喜欢的方式获取 docker 的镜像。
目前 TNN 已经在 docker hub 上准备好了构建好的 docker image，我们建议直接从 docker hub 上拉取镜像。
docker pull ccr.ccs.tencentyun.com/qcloud/tnn-convert同样的，等待一会之后，你可以通过 docker images 来查看是否构建成功，如果构建成功之后，会有类似下面的输出信息：
REPOSITORY TAG IMAGE ID CREATED SIZE
ccr.ccs.tencentyun.com/qcloud/tnn-convert latest 66605e128277 2 hours ago 3.54GB
我们发现pull 下来的 docker 镜像的 REPOSIOTY 的名称太长了，我们可以通过下面的命令进行重命名：
docker tag ccr.ccs.tencentyun.com/qcloud/tnn-convert tnn-convert:latest
docker rmi ccr.ccs.tencentyun.com/qcloud/tnn-convert
此时再次执行 docker images 命令，会得到下面的类似的输出：
REPOSITORY TAG IMAGE ID CREATED SIZE
tnn-convert latest 66605e128277 2 hours ago 3.54GB
重复 拉取构建好的 docker 镜像 中的操作即可
cd <path-to-tnn>/
docker build -t tnn-convert:latest .docker 会根据 Dockerfile 文件进行构建，这需要等待一会。等构建完成之后，你可以通过下面的命令进行验证是否构建完成。
docker images在输出的列表中会有下面类似的输出，这表明docker 的镜像已经构建好了。
REPOSITORY TAG IMAGE ID CREATED SIZE
tnn-convert latest 9fb83110d2c9 26 minutes ago 2.79GB
首先验证下 docker 镜像能够正常使用，首先我们通过下面的命令来看下 convert2tnn 的帮助信息：
docker run -it tnn-convert:latest python3 ./converter.py -h如果docker 镜像是正确的话，你会得到下面的输出：
usage: convert [-h] {onnx2tnn,caffe2tnn,tf2tnn} ...
convert ONNX/Tensorflow/Caffe model to TNN model
positional arguments:
{onnx2tnn,caffe2tnn,tf2tnn}
onnx2tnn convert onnx model to tnn model
caffe2tnn convert caffe model to tnn model
tf2tnn convert tensorflow model to tnn model
tflite2tnn convert tensorflow-lite model to tnn model
optional arguments:
-h, --help show this help message and exit
从上面的帮助信息中，我们可以得知，目前 convert2tnn 提供了 3 种模型格式的转换支持。假设我们这里想将 TensorFlow 模型转换成 TNN 模型，我们输入下面的命令继续获得帮助信息：
docker run -it tnn-convert:latest python3 ./converter.py tf2tnn -h得到的输出信息如下：
usage: convert tf2tnn [-h] -tp TF_PATH -in input_info [input_info ...] -on
output_name [output_name ...] [-o OUTPUT_DIR] [-v v1.0]
[-optimize] [-half] [-align [{None,output,all}]]
[-input_file INPUT_FILE_PATH]
[-ref_file REFER_FILE_PATH] [-debug] [-int8]
optional arguments:
-h, --help show this help message and exit
-tp TF_PATH the path for tensorflow graphdef file
-in input_info [input_info ...]
specify the input name and shape of the model. e.g.,
-in input1_name:1,128,128,3 input2_name:1,256,256,3
-on output_name [output_name ...]
the tensorflow model's output name. e.g. -on
output_name1 output_name2
-o OUTPUT_DIR the output tnn directory
-v v1.0 the version for model
-optimize If the model has fixed input shape, use this option to
optimize the model for speed. On the other hand, if
the model has dynamic input shape, dont use this
option. It may cause warong result
-half save the model using half
-align [{None,output,all}]
align the onnx model with tnn model. e.g., if you want
to align the last output, you can use '-align' or
'-align output'; if the model is not align, you can
use '-align all' to address the first unaligned layer
-input_file INPUT_FILE_PATH
the input file path which contains the input data for
the inference model.
-ref_file REFER_FILE_PATH
the reference file path which contains the reference
data to compare the results.
-debug Turn on the switch to debug the model.
-int8 save model using dynamic range quantization. use int8
save, fp32 interpreting
通过上面的输出，可以发现针对 TF 模型的转换，convert2tnn 工具提供了很多参数，我们一次对下面的参数进行解释：
- tp 参数（必须） 通过 “-tp” 参数指定需要转换的模型的路径。目前只支持单个 TF模型的转换，不支持多个 TF 模型的一起转换。
- in 参数（必须） 通过 “-in” 参数指定模型输入，例如：-in input_name_1:1,128,128,3 input_name_2:1,256,256,3。
- on 参数（必须） 通过 “-on” 参数指定模型输出的名称，例如: -on output_name1 output_name2
- output_dir 参数： 可以通过 “-o ” 参数指定输出路径，但是在 docker 中我们一般不使用这个参数，默认会将生成的 TNN 模型放在当前和 TF 模型相同的路径下。
- optimize 参数（可选） 可以通过 “-optimize” 参数来对模型进行优化，对于固定输入维度的模型，我们强烈建议你开启这个选项，对于动态可变输入维度的模型则关闭这个选项，否则可能在维度变化时造成结果错误或者运行报错。
- v 参数（可选） 可以通过 -v 来指定模型的版本号，以便于后期对模型进行追踪和区分。
- half 参数（可选） 可以通过 -half 参数指定，模型数据通过 FP16 进行存储，减少模型的大小，默认是通过 FP32 的方式进行存储模型数据的。
- align 参数（可选） 可以通过 -align 参数指定转换得到的 TNN 模型和原模型对齐的模式，确定 TNN 模型是否转换成功。例如：不使用 “-align” 参数，默认不进行对齐；如果只对比 TNN 模型和原模型最后一层的输出，可以使用命令 “-align” 或 “-align output”; 如果模型不对齐，可以使用命令 “-align all” 进行逐层对齐，并输出第一层不对齐层的信息。（TensorFlow Lite 模型暂时不支持 “-align all”）。align 只支持 FP32 模型的校验，所以使用 align 的时候不能使用 half
- input_file 参数（可选） 可以通过 -input_file 参数指定模型对齐所需要的输入文件的名称，输入需要遵循如下格式。生成输入的代码可以参考。
- ref_file 参数（可选） 可以通过 -ref_file 参数指定待对齐的输出文件的名称，输出需遵循如下格式。生成输出的代码可以参考。
- debug 参数（可选） 日志开关，如果在转换命令中设置会打印出全部模型转换日志
- int8 参数（可选） 通过指定 -int8 参数，会将模型量化为 8 位保存，模型加载后会解析为 FP32。当前只对 Conv，LSTM，MatMul 进行量化。
当前 convert2tnn 的模型只支持 graphdef 模型，不支持 checkpoint 以及 saved_model 格式的文件，如果想将 checkpoint 或者 saved_model 的模型进行转换，可以参看下面tf2tnn的部分，自行进行转换。
下面我们通过一个例子来展示如何将 TF 模型转换到 TNN 模型，
docker run --volume=$(pwd):/workspace -it tnn-convert:latest python3 ./converter.py tf2tnn \
-tp /workspace/test.pb \
-in "input0:1,32,32,3 input2:1,32,32,3" \
-on output0 output1 \
-v v2.0 \
-optimize \
-align \
-input_file /workspace/in.txt \
-ref_file /workspace/ref.txt由于 convert2tnn工具是部署在 docker 镜像中的，如果要进行模型的转换,需要先将模型传输到 docker 容器中。我们可以通过 docker run 的参数--volume 将包含模型的模型挂载到 docker 容器的某个路径下。上面的例子中是将执行shell 的当前目录（pwd）挂载到 docker 容器中的 "/workspace” 文件夹下面。当然了测试用到的test.pb 也必须执行 shell 命令的当前路径下。执行完成上面的命令后，convert2tnn 工具会将生成的 TNN 模型存放在 test.pb文件的同一级目录下，当然了生成的文件也就是在当前目录下。
上面的文档中只是介绍了 TensorFlow 的模型的转换，其他模型的使用也是类似的，可以自行通过转换工具的帮助信息的提醒进行使用，我这里不在对这些转换命令进行详细的说明，只是简单的将这些转换命令列出来，你可以仿照着进行转换。
# convert onnx
docker run --volume=$(pwd):/workspace -it tnn-convert:latest python3 ./converter.py onnx2tnn \
/workspace/mobilenetv3-small-c7eb32fe.onnx \
-optimize \
-v v3.0 \
-align output \
-input_file /workspace/in.txt \
-ref_file /workspace/ref.txt
# convert caffe
docker run --volume=$(pwd):/workspace -it tnn-convert:latest python3 ./converter.py caffe2tnn \
/workspace/squeezenet.prototxt \
/workspace/squeezenet.caffemodel \
-optimize \
-v v1.0 \
-align \
-input_file /workspace/in.txt \
-ref_file /workspace/ref.txt
# convert tflite
docker run --volume=$(pwd):/workspace -it tnn-convert:latest python3 ./converter.py tflite2tnn \
/workspace/mobilenet_v1_1.0_224.tflite \
-v v1.0 \
-align \
-input_file /workspace/in.txt \
-ref_file /workspace/ref.txt
如果你不想使用 docker 镜像的方式，也可以在自己的开发机上安装 convert2tnn 的依赖工具，并根据相关的说明进行编译，也可以同样使用 convert2tnn 工具机型模型转换。
convert2tnn 的完整环境搭建包含下面的所有的工具的安装和编译。如果你只想转换某一类的模型，你只需要安装转换对应模型转换的依赖工具。例如你只想转换 caffe 的模型，你就不需要安装 转换 TensorFlow 模型依赖的工具。同理你需要转换 TensorFlow 的模型，就可以不用安装 Caffe 模型转换的依赖工具。但是 ONNX 模型依赖工具和安装和编译都是必须的。
针对 Linux 系统下的环境配置，我使用 Centos 7.2 为例，Ubuntu 系统也可以适用，只要将相应的安装命令修改为 Ubuntu 上的对应命令即可。
- 安装protobuf(version >= 3.4.0)
Macos:
brew install protobuf- 安装python (version >=3.6)
Macos
brew install python3centos:
yum install python3 python3-devel- 安装 python 依赖库
onnx=1.6.0
onnxruntime>=1.1.0
numpy>=1.17.0
onnx-simplifier>=0.2.4
protobuf>=3.4.0 requests
pip3 install onnx==1.6.0 onnxruntime numpy onnx-simplifier protobuf requests- cmake （version >= 3.0） 从的官网下载最新版本的 cmake，然后按照文档安装即可。建议使用最新版本的 cmake。
onnx2tnn 工具在 Mac 以及 Linux 上有自动编译脚本直接运行就可以。
cd <path-to-tnn>/tools/convert2tnn
./build.sh- tensorflow (version == 1.15.0) 建议使用 TensorFlow 1.15.0 的版本，目前 TensorFlow 2.+ 的版本的兼容性不好， 不建议使用。
pip3 install tensorflow==1.15.0- tf2onnx （version>= 1.5.5）
pip3 install tf2onnx- onnxruntime(version>=1.1.0)
pip3 install onnxruntime- 安装protobuf(version >= 3.4.0)
Macos:
brew install protobufLinux:
对于 linux 系统，我们建议参考 protobuf 的官方README文档，直接从源码进行安装。
如果你使用的是 Ubuntu 系统可以使用下面的指令进行安装：
sudo apt-get install libprotobuf-dev protobuf-compiler- 安装python (version >=3.6)
Macos
brew install python3centos:
yum install python3 python3-devel- onnx(version == 1.6.0)
pip3 install onnx==1.6.0- numpy(version >= 1.17.0)
pip3 install numpy配置后上面的环境依赖之后，就可以使用 convert2tnn 进行相应模型的转换
cd <path_to_tnn_root>/tools/convert2tnn/
python3 converter.py -h执行上面的命令会打印下面的信息。目前 convert2tnn 提供了三个子命令，分别对相应的模型进行转换。
usage: convert [-h] {onnx2tnn,caffe2tnn,tf2tnn} ...
convert ONNX/Tensorflow/Caffe model to TNN model
positional arguments:
{onnx2tnn,caffe2tnn,tf2tnn}
onnx2tnn convert onnx model to tnn model
caffe2tnn convert caffe model to tnn model
tf2tnn convert tensorflow model to tnn model
optional arguments:
-h, --help show this help message and exit
- ONNX模型转换 如果想相对 ONNX 模型进行转换，可以直接使用 onnx2tnn 的子命令来查看帮助信息。
python3 converter.py onnx2tnn -husage 信息如下：
usage: convert onnx2tnn [-h] [-in input_info [input_info ...]] [-optimize]
[-half] [-v v1.0.0] [-o OUTPUT_DIR]
[-align [{None,output,all}]] [-align_batch]
[-input_file INPUT_FILE_PATH]
[-ref_file REFER_FILE_PATH] [-debug] [-int8]
onnx_path
positional arguments:
onnx_path the path for onnx file
optional arguments:
-h, --help show this help message and exit
-in input_info [input_info ...]
specify the input name and shape of the model. e.g.,
-in input1_name:1,3,128,128 input2_name:1,3,256,256
-optimize If the model has fixed input shape, use this option to
optimize the model for speed. On the other hand, if
the model has dynamic input shape, dont use this
option. It may cause warong result
-half save model using half
-v v1.0.0 the version for model
-o OUTPUT_DIR the output tnn directory
-align [{None,output,all}]
align the onnx model with tnn model. e.g., if you want
to align the last output, you can use '-align' or
'-align output'; if the model is not align, you can
use '-align all' to address the first unaligned layer
-align_batch align the onnx model with tnn model and check mutli
batch
-input_file INPUT_FILE_PATH
the input file path which contains the input data for
the inference model.
-ref_file REFER_FILE_PATH
the reference file path which contains the reference
data to compare the results.
-debug Turn on the switch to debug the model.
-int8 save model using dynamic range quantization. use int8
save, fp32 interpreting
示例：
python3 converter.py onnx2tnn \
~/mobilenetv3/mobilenetv3-small-c7eb32fe.onnx.onnx \
-optimize \
-v=v3.0 \
-o ~/mobilenetv3/ \
-align \
-input_file in.txt \
-ref_file ref.txt- caffe2tnn
Caffe 格式转换
目前 convert2tnn 的工具目前只支持最新版本的 Caffe 的文件格式,所以如果想将 Caffe 模型转换为 TNN 模型。需要先将老版本的 Caffe 网络和模型转换为新版. Caffe 自带了工具可以把老版本的
Caffe 网络和模型转换为新版本的格式. 具体的使用方式如下:
upgrade_net_proto_text [老prototxt] [新prototxt]
upgrade_net_proto_binary [老caffemodel] [新caffemodel]修改后的输入的格式如下所示:
layer {
name: "data"
type: "input"
top: "data"
input_param { shape: { dim: 1 dim: 3 dim: 224 dim: 224 } }
}
python3 converter.py caffe2tnn -husage 信息如下：
usage: convert caffe2tnn [-h] [-o OUTPUT_DIR] [-v v1.0] [-optimize] [-half]
[-align [{None,output,all}]]
[-input_file INPUT_FILE_PATH]
[-ref_file REFER_FILE_PATH] [-debug] [-int8]
prototxt_file_path caffemodel_file_path
positional arguments:
prototxt_file_path the path for prototxt file
caffemodel_file_path the path for caffemodel file
optional arguments:
-h, --help show this help message and exit
-o OUTPUT_DIR the output tnn directory
-v v1.0 the version for model, default v1.0
-optimize If the model has fixed input shape, use this option to
optimize the model for speed. On the other hand, if
the model has dynamic input shape, dont use this
option. It may cause warong result
-half save model using half
-align [{None,output,all}]
align the onnx model with tnn model. e.g., if you want
to align the last output, you can use '-align' or
'-align output'; if the model is not align, you can
use '-align all' to address the first unaligned layer
-input_file INPUT_FILE_PATH
the input file path which contains the input data for
the inference model.
-ref_file REFER_FILE_PATH
the reference file path which contains the reference
data to compare the results.
-debug Turn on the switch to debug the model.
-int8 save model using dynamic range quantization. use int8
save, fp32 interpreting
示例：
python3 converter.py caffe2tnn \
~/squeezenet/squeezenet.prototxt \
~/squeezenet/squeezenet.caffemodel \
-optimize \
-v v1.0 \
-o ~/squeezenet/ \
-align \
-input_file in.txt \
-ref_file ref.txt- tensorflow2tnn
当前 convert2tnn 的模型只支持 graphdef 模型，不支持 checkpoint 以及 saved_model 格式的文件，如果想将 checkpoint 或者 saved_model 的模型进行转换，可以参看下面的 tf2onnx 的部分，自行进行转换。
python3 converter.py tf2tnn -husage 信息如下：
usage: convert tf2tnn [-h] -tp TF_PATH -in input_info [input_info ...] -on
output_name [output_name ...] [-o OUTPUT_DIR] [-v v1.0]
[-optimize] [-half] [-align [{None,output,all}]]
[-input_file INPUT_FILE_PATH]
[-ref_file REFER_FILE_PATH] [-debug] [-int8]
optional arguments:
-h, --help show this help message and exit
-tp TF_PATH the path for tensorflow graphdef file
-in input_info [input_info ...]
specify the input name and shape of the model. e.g.,
-in input1_name:1,128,128,3 input2_name:1,256,256,3
-on output_name [output_name ...]
the tensorflow model's output name. e.g. -on
output_name1 output_name2
-o OUTPUT_DIR the output tnn directory
-v v1.0 the version for model
-optimize If the model has fixed input shape, use this option to
optimize the model for speed. On the other hand, if
the model has dynamic input shape, dont use this
option. It may cause warong result
-half save the model using half
-align [{None,output,all}]
align the onnx model with tnn model. e.g., if you want
to align the last output, you can use '-align' or
'-align output'; if the model is not align, you can
use '-align all' to address the first unaligned layer
-input_file INPUT_FILE_PATH
the input file path which contains the input data for
the inference model.
-ref_file REFER_FILE_PATH
the reference file path which contains the reference
data to compare the results.
-debug Turn on the switch to debug the model.
-int8 save model using dynamic range quantization. use int8
save, fp32 interpreting
- tensorflow-lite2tnn
当前 tensorflow-lite2tnn 的转换支持tflite格式文件，从而方便移动端部署。
python3 converter.py tflite2tnn -husage 信息如下：
usage: convert tflite2tnn [-h] [-o OUTPUT_DIR] [-v v1.0] [-half]
[-align ALIGN] [-input_file INPUT_FILE_PATH]
[-ref_file REFER_FILE_PATH] [-debug] [-int8]
tf_path
positional arguments:
tf_path the path for tensorflow-lite graphdef file
optional arguments:
-h, --help show this help message and exit
-o OUTPUT_DIR the output tnn directory
-v v1.0 the version for model
-half optimize the model
-align ALIGN align the onnx model with tnn model. e.g., if you want
to align the final output, you can use -align outputif
you want to align whole model, you can use -align all
-input_file INPUT_FILE_PATH
the input file path which contains the input data for
the inference model.
-ref_file REFER_FILE_PATH
the reference file path which contains the reference
data to compare the results.
-debug Turn on the switch to debug the model.
-int8 save model using dynamic range quantization. use int8
save, fp32 interpreting
示例：
python3 converter.py tflite2tnn \
~/tf-model/test.tflite \
-o ~/tf-model/ \
-align \
-input_file in.txt \
-ref_file ref.txt
输入数量
输入名称 shape维度个数 具体shape信息 输入数据类型
输入数据
输入名称 shape维度个数 具体shape信息 输入数据类型
输入数据
......
例如
2
in0 4 1 3 1 1 3
2
4
3
in1 4 1 2 2 1 0
0.1
0.2
0.3
0.4
提示：
如果输入数据是 float, 输入数据类型可以用 0 表示
如果输入数据是 int , 输入数据类型可以用 3 表示
输出数量
输出名称 shape维度个数 具体shape信息 输出数据类型
输出数据
输出名称 shape维度个数 具体shape信息 输出数据类型
输出数据
......
例如
2
out0 2 1 3 0
0.1
0.2
0.3
out1 4 1 2 2 1 0
0.1
0.2
0.3
0.4
提示：
如果输出数据是 float, 输出数据类型可以用 0 表示
如果输出数据是 int , 输出数据类型可以用 3 表示
def write_pytorch_data(output_path, data, data_name_list):
"""
Save the data of Pytorch needed to align TNN model.
The input and output names of pytorch model and onnx model may not match,
you can use Netron to visualize the onnx model to determine the data_name_list.
The following example converts ResNet50 to onnx model and saves input and output:
>>> from torchvision.models.resnet import resnet50
>>> model = resnet50(pretrained=False).eval()
>>> input_data = torch.randn(1, 3, 224, 224)
>>> input_names, output_names = ["input"], ["output"]
>>> torch.onnx.export(model, input_data, "ResNet50.onnx", input_names=input_names, output_names=output_names)
>>> with torch.no_grad():
... output_data = model(input_data)
...
>>> write_pytorch_data("input.txt", input_data, input_names)
>>> write_pytorch_data("output.txt", output_data, output_names)
:param output_path: Path to save data.
:param data: The input or output data of Pytorch model.
:param data_name_list: The name of input or output data. You can get it after visualization through Netron.
:return:
"""
if type(data) is not list and type(data) is not tuple:
data = [data, ]
assert len(data) == len(data_name_list), "The number of data and data_name_list are not equal!"
with open(output_path, "w") as f:
f.write("{}\n" .format(len(data)))
for name, data in zip(data_name_list, data):
data = data.numpy()
shape = data.shape
description = "{} {} ".format(name, len(shape))
for dim in shape:
description += "{} ".format(dim)
data_type = 0 if data.dtype == np.float32 else 3
fmt = "%0.6f" if data_type == 0 else "%i"
description += "{}".format(data_type)
f.write(description + "\n")
np.savetxt(f, data.reshape(-1), fmt=fmt)
def write_tensorflow_data(output_path, data, data_name_list, data_usage=1):
"""
Save the data of TensoFlow needed to align TNN model.
:param output_path: Path to save data. "You should use input.txt or output.txt to name input or output data"
:param data: The input or output data of TensorFlow model.
:param data_name_list: The name of input or output data. You can get it after visualization through Netron.
:param data_usage: Specify the data usage. If the data is input data, data_usage=0;
if the data if outptu data, data_usage=1.
:return:
"""
def convert_nhwc(data):
assert len(data.shape) <= 4
if len(data.shape) == 2:
return data
orders = (0, 2, 1) if len(data.shape) == 3 else (0, 2, 3, 1)
return data.transpose(orders)
if type(data) is not list and type(data) is not tuple:
data = [data, ]
assert len(data) == len(data_name_list), "The number of data and data_name_list are not equal!"
with open(output_path, "w") as f:
f.write("{}\n" .format(len(data)))
for name, data in zip(data_name_list, data):
data = convert_nhwc(data) if data_usage == 0 else data
shape = data.shape
description = "{} {} ".format(name, len(shape))
for dim in shape:
description += "{} ".format(dim)
data_type = 0 if data.dtype == np.float32 else 3
fmt = "%0.6f" if data_type == 0 else "%i"
description += "{}".format(data_type)
f.write(description + "\n")
np.savetxt(f, data.reshape(-1), fmt=fmt)
convert2tnn 只是对多种模型转换的工具的封装，根据第一部分 “模型转换介绍”中原理说明，你也可以先将原始模型转换成 ONNX，然后再将 ONNX 模型转换成 TNN 模型。我们提供了如何手动的将 Caffe、PyTorch、TensorFlow 模型转换成 ONNX 模型，然后再将 ONNX 模型转换成 TNN 模型的文档。如果你在使用 convert2tnn 转换工具遇到问题时，我们建议你了解下相关的内容，这有可能帮助你更加顺利的进行模型转换。