ncnn para参数对应位置参数解释

  input  

w = pd.get(0, 0);
    h = pd.get(1, 0);
    c = pd.get(2, 0);

 convolution 

   num_output = pd.get(0, 0);
    kernel_w = pd.get(1, 0);
    kernel_h = pd.get(11, kernel_w);
    dilation_w = pd.get(2, 1);
    dilation_h = pd.get(12, dilation_w);
    stride_w = pd.get(3, 1);
    stride_h = pd.get(13, stride_w);
    pad_w = pd.get(4, 0);
    pad_h = pd.get(14, pad_w);
    bias_term = pd.get(5, 0);
    weight_data_size = pd.get(6, 0);

 

softmax 

axis = pd.get(0, 0);

............................

Tensor    mtcnn    转ncnn

 

#Rnet 
7767517
35 36   # 35 layer   36  blob  （输出和） 
Input            input            0 1 data 0=1 1=24 2=24  #反的
Convolution      conv_1           1 1 data conv_1 0=16 1=3 2=1 3=1 4=-233 5=0 6=144  #  1x3x3x16   
BatchNorm        conv_1_bn        1 1 conv_1 conv_1_bn 0=16
ReLU             conv_1_Relu      1 1 conv_1_bn conv_1_Relu
ConvolutionDepthWise conv2_1_dw       1 1 conv_1_Relu conv2_1_dw 0=16 1=3 2=1 3=2 4=-233 5=0 6=144 7=16  # 16x3x3
BatchNorm        conv2_1_dw_bn    1 1 conv2_1_dw conv2_1_dw_bn 0=16
ReLU             relu2_1_dw       1 1 conv2_1_dw_bn relu2_1_dw
Convolution      conv2_1_sep      1 1 relu2_1_dw conv2_1_sep 0=32 1=1 2=1 3=1 4=-233 5=0 6=512   # 6: 16x1x1x32
BatchNorm        conv2_1_sep_bn   1 1 conv2_1_sep conv2_1_sep_bn 0=32
ReLU             relu2_1_sep      1 1 conv2_1_sep_bn relu2_1_sep
ConvolutionDepthWise conv2_2_dw       1 1 relu2_1_sep conv2_2_dw 0=32 1=3 2=1 3=2 4=-233 5=0 6=288 7=32   # 32x3x3
BatchNorm        conv2_2_dw_bn    1 1 conv2_2_dw conv2_2_dw_bn 0=32
ReLU             relu2_2_dw       1 1 conv2_2_dw_bn relu2_2_dw
Convolution      conv2_2_sep      1 1 relu2_2_dw conv2_2_sep 0=64 1=1 2=1 3=1 4=-233 5=0 6=1024
BatchNorm        conv2_2_sep_bn   1 1 conv2_2_sep conv2_2_sep_bn 0=64
ReLU             relu2_2_sep      1 1 conv2_2_sep_bn relu2_2_sep
ConvolutionDepthWise conv3_1_dw       1 1 relu2_2_sep conv3_1_dw 0=64 1=3 2=1 3=2 4=-233 5=0 6=576 7=64
BatchNorm        conv3_1_dw_bn    1 1 conv3_1_dw conv3_1_dw_bn 0=64
ReLU             relu3_1_dw       1 1 conv3_1_dw_bn relu3_1_dw
Convolution      conv3_1_sep      1 1 relu3_1_dw conv3_1_sep 0=64 1=1 2=1 3=1 4=-233 5=0 6=4096
BatchNorm        conv3_1_sep_bn   1 1 conv3_1_sep conv3_1_sep_bn 0=64
ReLU             relu3_1_sep      1 1 conv3_1_sep_bn relu3_1_sep
ConvolutionDepthWise conv3_2_dw       1 1 relu3_1_sep conv3_2_dw 0=64 1=3 2=1 3=2 4=-233 5=0 6=576 7=64
BatchNorm        conv3_2_dw_bn    1 1 conv3_2_dw conv3_2_dw_bn 0=64
ReLU             relu3_2_dw       1 1 conv3_2_dw_bn relu3_2_dw
Convolution      conv3_2_sep      1 1 relu3_2_dw conv3_2_sep 0=128 1=1 2=1 3=1 4=-233 5=0 6=4096
BatchNorm        conv3_2_sep_bn   1 1 conv3_2_sep conv3_2_sep_bn 0=128
ReLU             relu3_2_sep      1 1 conv3_2_sep_bn relu3_2_sep
Pooling          pool6            1 1 relu3_2_sep pool6 0=1 1=0 2=1 3=0 4=1
InnerProduct     fc6              1 1 pool6 fc6 0=256 1=1 2=32768
ReLU             relu3_3_sep      1 1 fc6 relu3_3_sep
Split            splitncnn_0      1 2 relu3_3_sep conv4_relu3_splitncnn_0 conv4_relu3_splitncnn_1  #两个输出
InnerProduct     fc7              1 1 conv4_relu3_splitncnn_0 fc7 0=2 1=1 2=512
InnerProduct     fc8              1 1 conv4_relu3_splitncnn_1 fc8 0=4 1=1 2=1024
Softmax          prob1            1 1 fc7 prob1 0=0

#Pnet

7767517
12 13
Input            data             0 1 data 0=1 1=12 2=12    #反的
Convolution      conv1            1 1 data conv1 0=10 1=3 2=1 3=1 4=0 5=1 6=90
PReLU            PReLU1           1 1 conv1 conv1_PReLU1 0=10
Pooling          pool1            1 1 conv1_PReLU1 pool1 0=0 1=2 2=2 3=0 4=0
Convolution      conv2            1 1 pool1 conv2 0=16 1=3 2=1 3=1 4=0 5=1 6=1440
PReLU            PReLU2           1 1 conv2 conv2_PReLU2 0=16
Convolution      conv3            1 1 conv2_PReLU2 conv3 0=32 1=3 2=1 3=1 4=0 5=1 6=4608
PReLU            PReLU3           1 1 conv3 conv3_PReLU3 0=32
Split            splitncnn_0      1 2 conv3_PReLU3 conv3_PReLU3_splitncnn_0 conv3_PReLU3_splitncnn_1
Convolution      conv4-1          1 1 conv3_PReLU3_splitncnn_1 conv4-1 0=2 1=1 2=1 3=1 4=0 5=1 6=64
Convolution      conv4-2          1 1 conv3_PReLU3_splitncnn_0 conv4-2 0=4 1=1 2=1 3=1 4=0 5=1 6=128
Softmax          prob1            1 1 conv4-1 prob1 0=0