欢迎关注我的公众号 [极智视界]，回复001获取Google编程规范
O_o >_< o_O O_o ~_~ o_O
本文介绍一下 Tengine 模型转换及量化流程。
Tengine 同 ncnn 一样，也是优秀的端侧推理框架，前面写过一篇《ncnn 模型转换及量化流程》，有兴趣的同学可以查阅。
下面开始。
1、编译 Tengine Tools
CmakeList.txt 中打开 CONVERT_TOOL 和 QUANT_TOOL 开关：
开始编译：
cd <Tengine-path>
mkdir build
cd build
# 开始编译
camke ..
make -j32
make install
编译完会在 ./build/install/bin/ 目录下生成 convert_tool 和 quant_tool，如下：
2、Tengine 模型转换
用如下命令看一下 convert_tool 需要什么样的传参：
cd ./build/install/bin
./convert_tool -h
如上，前面为输入，后面为输出。
Tengine 提供的模型转换工具前端支持的十分丰富，基本通吃了国外、国内主流的深度学习框架。
前端为 Caffe：
./convert_tool -f caffe -p ./mobilenet.prototxt -m ./mobilenet.caffemodel -o ./mobilenet.tmfile
前端为 Onnx：
./convert_tool -f onnx -m ./mobilenet.onnx -o ./mobilenet.tmfile</pre>
前端为 Mxnet：
./convert_tool -f mxnet -p ./mobilenet.params -m ./mobilenet.json -o ./mobilenet.tmfile
前端为 Darknet：
./convert_tool -f darknet -p ./yolov3.weights -m ./yolov3.cfg -o yolov3.tmfile
前端为 TensorFlow：
./convert_tool -f tensorflow -m mobielenet_v1_1.0_224_frozen.pb -o mobilenet.tmfile
前端为 TFLite：
./convert_tool -f tflite -m mobielenet.tflite -o mobilenet.tmfile
前端为 MegEngine：
./convert_tool -f megengine -m mobilenet.pkl -o mobilenet.tmfile
前端为 OneFlow：
./convert_tool -f oneflow -p mobilenet.prototxt -m mobilenet/ -o mobilenet.tmfile
前端为 ncnn：
./convert_tool -f ncnn -p mobilenet.param -m mobilenet.bin -o mobilenet.tmfile
3、Tengine 量化推理
可以看到 Tengine 提供的量化工具有三个：quant_tool_int8、quant_tool_uint8、quant_tool_uint8_perchannel，分别是对称量化、非对称量化、非对称逐通道量化，里面的量化策略类似，这里挑 quant_tool_int8说一下。
先安装一下依赖库：
apt update
apt install libopencv-dev
用如下命令查看量化工具传参：
./quant_tool_int8 -h
可以看到传参还是比较丰富的。
前端输入为 fp32 tmfile，执行量化示例：
./quant_tool_int8 -m ./mobilenet_fp32.tmfile -i ./dataset -o ./mobilenet_int8.tmfile -g 3,224,224 -w 104.007,116.669,122.679 -s 0.017,0.017,0.017
执行成功会输出如下日志：
并生成如下 int8 模型文件：
然后就可以拿去执行推理了。
以上分享了 Tengine 模型转换及量化方法，希望我的分享能对你的学习有一点帮助。
【公众号传送】
《【模型推理】Tengine 模型转换及量化》
