NCNN知识补充及转换应用

前两天写了ncnn的大致流程，感觉写的比较简单，这段时间查阅了些资料，下方会给出接见链接，方便阅读。
运行流程解析：

此处推荐：https://zhuanlan.zhihu.com/p/338121531
来加强自己对ncnn源码的理解。
1、图像预处理ncnn::Mat
NCNN对于我们给定的网络和输入，首先进行图像预处理，其基于[ncnn::Mat]的数据结构完成。
其中，from_pixels_resize() 这个函数的作用是生成目标尺寸大小的网络输入Mat，
它的实现在https://github.com/Tencent/ncnn/blob/b93775a27273618501a15a235355738cda102a38/src/mat_pixel.cpp#L2543。
它的内部实际上是「根据传入的输入图像的通道数」完成resize_bilinear_c1/c2/c3/4 即一通道/二通道/三通道/四通道 图像变形算法，可以看到使用的是双线性插值算法。

这些操作的实现在https://github.com/Tencent/ncnn/blob/master/src/mat_pixel_resize.cpp#L27。
然后经过Resize之后，需要将像素图像转换成ncnn::Mat。这里调用的是Mat::from_pixels()这个函数，它将我们Resize操作之后获得的像素图像数据（即float*数据）根据特定的输入类型赋值给ncnn::Mat。
2、模型解析ncnn::Net
文档中所有网络层的详细参数设置：
https://github.com/Tencent/ncnn/wiki/operation-param-weight-table
Net::load_param函数，首先会遍历param文件中的所有网络层，然后根据当前层的类型调用create_layer()/ net::create_custom_layer()来创建网络层，然后读取输入Blobs和输出Blobs和当前层绑定，再调用paramDict::load_param(fp)解析当前层的特定参数（参数字典），按照id=参数/参数数组来解析。最后，当前层调用layer->load_param(pd)载入解析得到的层特殊参数即获得当前层特有的参数。
3、网络运行 ncnn::Extractor

至此，我们将网络的结构和权重信息都放到了ncnn::Net这个结构中，接下来我们就可以新建网络提取器 Extractor Net::create_extractor，它给我们提供了设置网络输入(Extractor::input)，获取网络输出(Extractor::extract)，设置网络运行线程参数(Extractor::set_num_threads)等接口。接下来，我们只需要调用Extractor::extract运行网络(net)的前向传播函数net->forward_layer就可以获得最后的结果了。

另外，ncnn::Extractor还可以设置一个轻模式省内存 即set_light_mode(true)，原理是net中每个layer都会产生blob，除了最后的结果和多分支中间结果，大部分blob都不值得保留，开启轻模式可以在运算后自动回收，省下内存。但需要注意的是，一旦开启这个模式，我们就不能获得中间层的特征值了，因为中间层的内存在获得最终结果之前都被回收掉了。例如：「某网络结构为 A -> B -> C，在轻模式下，向ncnn索要C结果时，A结果会在运算B时自动回收，而B结果会在运算C时自动回收，最后只保留C结果，后面再需要C结果会直接获得，满足大多数深度网络的使用方式」。

资料推荐：
https://github.com/Tencent/ncnn/wiki （官方wiki文档，推荐）

ncnn::mat和cv::mat互转（非常详细）：
https://github.com/Tencent/ncnn/wiki/use-ncnn-with-opencv

ncnn::Mat转cv::Mat：
https://www.codeleading.com/article/43032782351/

cv::Mat  二进制bin文件  cv:Mat转换：
https://blog.csdn.net/a1194110603/article/details/121970027
1、cv::Mat（float型）存为二进制bin文件：

ios::binary -> 以二进制模式打开文件
ios::trunc -> 覆盖存在的文件


遍历上文中矩阵m中的值并输出：