本节讨论使用用户定义操作（UDO）转换框架模型所需的步骤。

将具有 UDO 的网络模型转换为 DLC

snpe-<framework>-to-dlc工具通过接受带有选项 –udo_config_paths 的配置文件来支持 UDO 功能。有关输入 UDO 配置文件的规范，请参阅定义 UDO。目前，TensorFlow 和 ONNX 模型支持 UDO 功能。

注意： UDO 配置文件中的任何修改都应重新生成 DLC 以反映更改。

将带有 UDO 的 Tensorflow 模型转换为 DLC

以下语法展示了使用 UDO 转换 TensorFlow 模型的方式：

snpe-tensorflow-to-dlc -i <input-tensorflow-model>
                       -d <input-name> <input-dim>
                       --out_node <output-node-name>
                       --udo_config_paths <input-model.json>
                       -o <output-model.dlc>

其中选项 –udo_config_paths 允许用户指定转换中要使用的 UDO 配置文件。

有关更多详细信息，请参阅snpe-tensorflow-to-dlc和 TensorFlow 模型转换。

将带有 UDO 的 ONNX 模型转换为 DLC

以下语法展示了使用 UDO 转换 ONNX 模型的方式：

snpe-onnx-to-dlc -i <input-onnx-model>
                 --udo_config_paths <input-model.json>
                 -o <output-model.dlc>

其中选项 –udo_config_paths 允许用户指定转换中要使用的 UDO 配置文件。

有关更多详细信息，请参阅snpe-onnx-to-dlc和 ONNX 模型转换。

使用 UDO 量化 DLC

此外，用户可能希望量化转换后的包含 UDO 的模型，以便在定点运行时运行。高通神经处理 SDK 提供了 snpe-dlc-quantize工具来实现此目的。这是一个可在主机 x86 平台上运行的离线工具。由于它使用代表性数据集进行推理，以确定网络中所有层（包括 UDO）的量化范围，因此用户需要向该工具提供包含 CPU 参考实现的 UDO 包。有关为 x86 平台创建此类包的更多说明，请参阅创建 UDO 包和编译 UDO 包。

以下语法展示了使用 snpe-dlc-quantize 对带有 UDO 的 DLC 进行量化的方式：

snpe-dlc-quantize --input_dlc <model.dlc>
                  --input_list <input-list.txt>
                  --udo_package_path <udo-registration-lib>
                  --output_dlc <quantized-model.dlc>

其中，选项 –udo_package_path 允许用户指定 UDO 注册库的绝对路径。LD_LIBRARY_PATH 也必须更新，以包含在x86 主机编译期间软件包编译生成的特定于运行时的工件。

注意：如果您的 UDO 包含静态输入或参数，则需要在 CPU 参考实现中同时处理浮点和定点数据类型。有关详情，请参阅提供的示例 $SNPE_ROOT/examples/SNPE/NativeCpp/UdoExample/Conv2D/src/CPU/Conv.cpp。

由浅入深了解高通平台UDO（4）：使用UDO

使用 UDO 准备模型

使用 UDO 运行模型