ncnn的.param和.bin文件的读取，参考这个基本上可以触类旁通
大概找了找全网使用ncnn框架导出权重模型的博客（可以参考的只有2篇，一篇过时了，没法儿使用；另一篇的函数重载似乎提及了也没什么用处，因为另一篇提到的函数重载事实上在ncnn中已经代码体现了，但是未能深入逐层输出，而且我运行了发现出了bug），翻了ncnn的github，有大量技术发烧友都在追求ncnn工具导出后的FP16、INT8模型的权重、偏置参数读取，然而苦于ncnn框架规模实在太大，C++技术高度密集，权重输出确实不太容易。
我在本文中利用线上开源的onnx转ncnn FP16的网站将nanodet-plus.onnx模型转变为.param和.bin，并在此基础上对ncnn进行修改和编译，验证框架使用我修改后的批量目标检测的nanodet.cpp，该部分代码不提供，我只提供结果。另外，不对ncnn进行深入分析，本文只提供如何输出权重值的思路和代码实现。再次重申：
本文只提供：
1、ncnn中我用于输出权重值的修改后若干文件（您可以替换之后重现我的结果）；
2、nanodet-plus在ncnn框架下使用ncnn格式的模型作为批量图片的目标检测的一个输入（图片是另一个输入）的结果（您可以使用nanodet-plus官方原装的单张图片的目标检测作为测试框架，道理一样，不用纠结，我懒得改了）；
3、提供权重输出的思路（相信会对你有帮助）；
本文不提供：
1、批量图片的目标检测代码；
2、不提供算法优化；
3、不提供整个模型输出的方案；
这边可以直接参考nihui的ncnn github官网来解读，不过要是不想看英文，想直接快速上手，直接看下面。
图片来源：https://blog.csdn.net/qq_25105061/article/details/131457787
layer：描述网络一共有多少层，例如：ReLU、Conv 都叫一个layer;
blob:表示数据节点，例如一个Conv就有一个输入blob和输出blob;
bottom_count：当前层接收输入blob的层个数；
top_count:将当前层的输出作为输入blob的层个数；
bottom_name：当前层输入数据的生产层名字；
blob_name: 消费当前的输出结果的层名字；
差不多够用！继续往下！
根据文件引用关系：net.cpp的line1293、line1736分别指向load_param和load_model的最接近Layer类的模型和参数加载函数，随后lin1293的load_param指向line1449的pd.load_param(dr)，该函数需要到paramdict.cpp中寻找，找到int Net::load_param()从而配合line1293该函数的其余内容完整输出.param文件。随后看load_model，到net.cpp的line1763，找到layer->load_model，该函数需要到layer.cpp和layer.h中寻找定义和声明，layer就是基类，因此我们随便找一个基于Layer基类的派生类Convolution，寻找convolution.cpp，查找其内的load_param和load_model，我们只关注load_model，因为load_param过于直观了，load_model需要回到modelbin.cpp中查找Mat ModelBin::load(int w, int h, int type) const，我们根据“Mat mret = m.reshape(w, h);”查找mat.cpp中的reshape函数，并设置使用指针来输出权重值。
图示cout代码输出.param中的layer_cout和blob_cout。
图示cout代码用于确认逐层layer参数载入，且可以确认参数载入来自于Layer类，由于Layer已经是基类，因此我们随便选择Layer派生类比如Convolution。
这部分是load_param的内容。
这部分是load_model的内容。
我们可以看到weight_data和bias_data都通过mb类实例下的load函数得到，我们可以确认mb实例是对ModelBin的例化。接下来我们看ModelBin类定义。
有效的部分是该load函数，我对此处进行了修改，原内容直接返回m.reshape(w, h)，我多增加一步以确定是否经过该步。接下来我们确认确实是reshape函数起作用，因此我们需要查找Mat类定义。
其中起作用的包含两部分：
此处红色框内我对权重值进行了打印！
最后的部分输出结果：
其实前面两部分基本上对输出权重做了流程化的介绍，接下来就是把ncnn中已经更改的文件、终端输出的内容和实现步骤讲讲，该拿出来的拿出来，该讲明白的讲明白。
从添加更改文件后的命令如下：
1、重新编译并安装ncnn：
mkdir build
cd build
cmake ..
make -j32
make install
2、增加路径：export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH
3、在编译运行nanodet-ncnn工程之前：
export ncnn_DIR=/root/autodl-tmp/ncnn/build/install/lib/cmake/ncnn
4、清除./nanodet/demo_ncnn/build的内容：rm -rf *
5、加入.param和.bin：cp -r ../nanodet.param ../nanodet/model ./
6、编译工程：
cmake ..
make
7、运行工程（以批量检测为例）：
./nanodet_demo 1 /root/autodl-tmp/nanodet/demo_ncnn/pic/（这个参考nanodet官方）
我应该已经上传到csdn了。
简单对ncnn的权重参数进行了输出，够累，只能说对AI编译器的理解又进了一步！
