六五酥的博客

完成了onnx模型的转换之后，我们要做的就是将模型转换为ncnn模型。4、ncnn模型加载与推理（python版）有点问题，先把调试代码贴在下面吧。3、onnx模型转换为ncnn。

num_decoder_tokens同样可以在训练的时候获取到（至于不知道怎么来的，可以看这个系列文章的第一、二篇），我这边得到的num_decoder_tokens是849，当然实际上这个模型的 input_2：[unk__55,unk__56,849]已经给了num_decoder_tokens，我们只需要把unk__55,unk__56都改为1就可以了，即[1,1,849]，那么对onnx进行simplify。哈哈哈，开完笑的，都写出来了，怎么会不知道，请听我慢慢说来。可得到简化后的onnx模型啦。

细心的小伙伴会发现前面的文章在模型保存之后进行模型推理时，我们使用的数据是在训练之前我们对数据进行处理的encoder_input_data中读取，而不是我们手动输入的，那么这一章主要来解决自定义输入推理的问题。模型部署也是很重要的一部分，这里先讲基于python的部署，后面我们还要将模型部署到移动端。会得到这样的两个文件：input_words.txt，target_words.txt。

基于LSTM训练一个翻译器，要怎么做呢？其实很简单，也没那么复杂。这里将解码器与编码器分别保存下来。

先假设，我们的训练数据只取第一行，那就是只有“Wait!对于中译英，我们希望让网络输入：“Wait!”，输入：“Hello!显然需要进行编码，大白话说就是用“0101…”这样的数据来表示这些文字（为了方便表达，后面称为字符）。那么问题来了，这样的数据要如何输入网络进行训练呢？