tensorflow2ncnn模型转换源码分析

由于ncnn作者nihui大佬说对tensorflow不是特别熟，所以ncnn的github里已经没有tensorflow2ncnn.cpp了，但是现在在tools文件夹里又出现了tensorflow文件夹，里面给出了第三方转换的地址https://github.com/hanzy88/tensorflow2ncnn。由于我平时还是用tensorflow较多，所以还是又这方面的需求，所以还是要了解一点tensorflow2ncnn的方法，这里就对这个地址里的tensorflow2ncnn.cpp做下源码分析，这样可以自己改这个文件满足转换需求。

转换流程

其实转换的原理和《深度学习模型移植和转换》文集下的《深度学习模型转换（tensorflow2caffe）》其中阐述的原理是一样的。都是把一种框架的模型解析出算子和层，然后以另一种框架模型的格式写进文件。ncnn以层为最小的模型结构，所以对于同样以层为最小模型结构的模型框架的转换会比较简单，比如caffe。

tensorflow数据结构

tensorflow有一些特殊，它是以op为最小的模型结构。为了接下来源码分析的方便，先介绍一些tensorflow几个基本的数据结构，具体可参考https://www.jianshu.com/p/236335897b30
：

Graph(图)
把运算任务描述成一个直接的无环图形（DAG），图表中的节点（node）代表必须要实现的一些操作。图中的边代表数据或者可控的依赖。GratheDef 是系统中描述一个图表的协议(api)，它由一个 NodeDefs 集合组成。一个GraphDef可以转化成一个更容易操作的图表对象。
Node（节点）
图中的一个元素。
把启动一个特定操作的方式称为特定运算图表的一个节点，包括任何用来配置这个操作的属性的值。对于那些多形态的操作，这些属性包括能完全决定这个节点（Node）签名的充分信息。详见graph.proto。
操作（Op/operation）
在 TensorFlow 的运行时中，它是一种类似 add 或 matmul 或 concat的运算。可以用how to add an op中的方法来向运行时添加新的操作。
在 Python 的API中，它是图中的一个节点。在tf.Operation类中列举出了这些操作。一个操作(Operation)的 type 属性决定这个节点（node）的操作类型，比如add和matmul。
Tensor
Tensor是一种特定的多维数组。比如，一个浮点型的四维数组表示一小批由[batch,height，width，channel]组成的图片。
在一个运行的图(graph)中，它是一种流动在节点（node）之间的数据。
在 Python 中，Tensor 类表示添加到图的操作中的输入和输出，见tf.Tensor，这样的类不持有数据。

tensorflow2ncnn

image.png

在https://github.com/hanzy88/tensorflow2ncnn项目的tools/tensorflow下就是tensorflow2ncnn的源码，见上图。主要的文件就是tensorflow2ncnn.cpp，其他的proto文件就是模型数据结构的protobuf文件。接下来我们就分1）解析tensorflow文件；2）解析出node和op对应ncnn的layer写进文件；来讲解tensorflow2ncnn.cpp。

解析tensorflow文件
从main函数进入

int main(int argc, char** argv)
{
    //传入参数1：tensorflow pb文件路径
    const char* tensorflowpb = argv[1];       
    //传入参数2：生成的ncnn param文件
    const char* ncnn_prototxt = argc >= 4 ? argv[2] : "ncnn.param"; 
    //传入参数3：生成的ncnn bin文件   
    const char* ncnn_modelbin = argc >= 4 ? argv[3] : "ncnn.bin";       
    //声明tensorflow的数据结构graph，又来接收解析出的tensorflow模型结构
    tensorflow::GraphDef graph;

    // read_proto_from_binary函数的作用是根据graph.proto文件定义好的数据结构解析tensorflow模型
    bool s1 = read_proto_from_binary(tensorflowpb, &graph);
    //如果解析失败
    if (!s1)
    {
        fprintf(stderr, "read_proto_from_binary failed\n");
        return -1;
    }
    //新建打开要生成的ncnn的模型文件
    FILE* pp = fopen(ncnn_prototxt, "wb");
    FILE* bp = fopen(ncnn_modelbin, "wb");

    //在param文件中写入魔法数字，如对ncnn模型文件的格式不熟悉，可以看看本文集下的ncnn源码笔记
    fprintf(pp, "7767517\n");
    //node_size()可以得到graph里node的数量
    int node_count = graph.node_size();
    // node的索引
    std::map<std::string, int> node_reference;
    //用于存储解析出的层的权重参数及对应层名
    std::map<std::string, tensorflow::TensorProto> weights;
    // 存储解析出的Dropout层
    std::set<std::string> dropouts;
    // 存储解析出的算子
    std::map<std::string, tensorflow::TensorProto> binaryop_consts;

read_proto_from_binary函数

static bool read_proto_from_binary(const char* filepath, google::protobuf::Message* message)
{
    std::ifstream fs(filepath, std::ifstream::in | std::ifstream::binary);
    if (!fs.is_open())
    {
        fprintf(stderr, "open failed %s\n", filepath);
        return false;
    }

    google::protobuf::io::IstreamInputStream input(&fs);
    google::protobuf::io::CodedInputStream codedstr(&input);

    codedstr.SetTotalBytesLimit(INT_MAX, INT_MAX / 2);

    bool success = message->ParseFromCodedStream(&codedstr);

    fs.close();

    return success;
}

从for开始就是解析出node和op对应ncnn的layer写进文件

for (int i=0; i<node_count; i++)
    {
        const tensorflow::NodeDef& node = graph.node(i);

        const std::string& output_name = node.name();