模型转换介绍

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。

TNN 模型转换工具

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；

Convert2tnn Docker (推荐)

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。

拉取构建好的 docker 镜像（推荐）

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 turandotkay/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
turandotkay/tnn-convert   latest              28c93a738b08        15 minutes ago      2.81GB

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 turandotkay/tnn-convert:latest tnn-convert:latest
docker rmi turandotkay/tnn-convert:latest

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              28c93a738b08        16 minutes ago      2.81GB

更新 docker 镜像

重复 拉取构建好的 docker 镜像 中的操作即可

构建 docker 镜像(如果上面已经拉取了 image，这一步，可直接跳过)

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

convert2tnn 工具进行转换

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] [-input_file INPUT_FILE_PATH]
                      [-ref_file REFER_FILE_PATH]

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             optimize the model
  -half                 optimize the model
  -align                align the onnx model with tnn model
  -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.

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，我们强烈建议你开启这个选项，只有在开启这个选项模型转换失败时，我们才建议你去掉 “-optimize” 参数进行重新尝试。
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，将转换得到的 TNN 模型和原模型进行对齐，确定 TNN 模型是否转换成功。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。

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  \
    -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

Convert2tnn 手动安装

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。

环境搭建及编译

1. ONNX模型转换工具搭建（必须）

安装protobuf(version >= 3.4.0)
Macos:

brew install protobuf

安装python (version >=3.6)
Macos

brew install python3

centos:

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

pip3 install onnx==1.6.0 onnxruntime numpy onnx-simplifier protobuf

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。

编译

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

2. TensorFlow 模型转换（可选）

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

3. Caffe 模型转换（可选）

安装protobuf(version >= 3.4.0)

Macos:

brew install protobuf

Linux:

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 python3

centos:

yum install  python3 python3-devel

onnx(version == 1.6.0)

pip3 install onnx==1.6.0

numpy(version >= 1.17.0)

pip3 install numpy

convert2tnn 工具的使用

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 -h

usage 信息如下：

usage: convert onnx2tnn [-h] [-in input_info [input_info ...]] [-optimize]
                        [-half] [-v v1.0.0] [-o OUTPUT_DIR] [-align]
                        [-input_file INPUT_FILE_PATH]
                        [-ref_file REFER_FILE_PATH] [-debug]
                        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             optimize the model
  -half                 save model using half
  -v v1.0.0             the version for model
  -o OUTPUT_DIR         the output tnn directory
  -align                align the onnx model with tnn model
  -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.

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 -h

usage 信息如下：

usage: convert caffe2tnn [-h] [-o OUTPUT_DIR] [-v v1.0] [-optimize] [-half]
                         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             optimize the model
  -half                 save model using half
  -align                align the onnx model with tnn model
  -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.

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 -h

usage 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] [-input_file INPUT_FILE_PATH]
                      [-ref_file REFER_FILE_PATH]

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             optimize the model
  -half                 optimize the model
  -align                align the onnx model with tnn model
  -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.

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 -h

usage 信息如下：

usage: convert tflite2tnn [-h] TF_PATH [-o OUTPUT_DIR] [-v v1.0] [-align]

optional arguments:
  -h, --help            show this help message and exit
   TF_PATH           the path for tensorflow-lite graphdef file
  -o OUTPUT_DIR         the output tnn directory
  -v v1.0               the version for model
  -align                align the onnx model with tnn model
  -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.

示例：

python3 converter.py tflite2tnn \
    ~/tf-model/test.tflite \
    -o ~/tf-model/ \
    -align \
    -input_file in.txt \
    -ref_file ref.txt

输入输出文件格式示例

输入


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


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

生成输入或输出文件示例代码

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)

模型转换详细介绍

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。

onnx2tnn
pytorch2tnn
tf2tnn
caffe2tnn
tflite2tnn

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

convert.md

convert.md

模型转换介绍

TNN 模型转换工具

Convert2tnn Docker (推荐)

拉取构建好的 docker 镜像（推荐）

更新 docker 镜像

构建 docker 镜像(如果上面已经拉取了 image，这一步，可直接跳过)

convert2tnn 工具进行转换

Convert2tnn 手动安装

环境搭建及编译

1. ONNX模型转换工具搭建（必须）

编译

2. TensorFlow 模型转换（可选）

3. Caffe 模型转换（可选）

convert2tnn 工具的使用

输入输出文件格式示例

输入

输出

生成输入或输出文件示例代码

模型转换详细介绍

Files

convert.md

Latest commit

History

convert.md

File metadata and controls

模型转换介绍

TNN 模型转换工具

Convert2tnn Docker (推荐)

拉取构建好的 docker 镜像（推荐）

更新 docker 镜像

构建 docker 镜像(如果上面已经拉取了 image，这一步，可直接跳过)

convert2tnn 工具进行转换

Convert2tnn 手动安装

环境搭建及编译

1. ONNX模型转换工具搭建（必须）

编译

2. TensorFlow 模型转换（可选）

3. Caffe 模型转换（可选）

convert2tnn 工具的使用

输入输出文件格式示例

输入

输出

生成输入或输出文件示例代码

模型转换详细介绍