目前为止已经有很多成熟的深度学习框架，比如tensorflow、caffe、pytorch、paddlepaddle等等，很多时候我们训练时使用了一个框架，但是部署时需要使用另一个框架。就比如，我们训练使用了caffe，但是部署到生产使用的时tensorflow。又比如，我们需要部署到移动设备上，这是我们可能选择了一些移动端深度学习推理框架（ncnn、mnn、armnn等）。但是这些框架的模型文件都是不同的，所以如果我们需要解决上面的情况，就需要对模型进行转换。
其实现在已经又很多开源的转换工具，比如微软出品的mmdnn，但是深入了解模型转换是又必要的，因为新算子的出现、各框架模型版本的跟新等等问题，很多时候我们还是需要自己写转换。
- tensorflow2caffe
下面我们就先来看看tensorflow模型到caffe模型的转换。先来看看tensorflow和caffe的模型文件：
tensorflow：xxx.meta、xxxx.index、xxx.0000-data-0001
caffe：deploy.prototxt、XXXX.caffemodel
deploy.prototxt是caffe描述网络结构的文件，而XXXX.caffemodel是caffe的权重参数文件。我们可以看到，只要把tensorflow模型文件中的网络解析出来，写入一个deploy.prototxt，把tensorflow中的权重参数解析出来，写入XXXX.caffemodel，是不是就可以完成模型的转换了。 - caffe的deploy.prototxt
先来看看deploy.prototxt中是怎么描述神经网络的层的：
layer {
name: "ReLU2_2" #relu层
type: "ReLU"
bottom: "conv2_2"
top: "conv2_2"
}
上面是一个relu层的例子，基本上，caffe层的描述都是这样，name是层的名字，top是下一层的名字，bottom是上一层的名字，type是这一层的类型如（InnerProduct是全连接层等等）。当然还会有其他参数，比如BatchNorm层：
layer {
bottom: "linear"
top: "bn1"
name: "bn1"
type: "BatchNorm"
batch_norm_param {
use_global_stats: true
}
}
不同的层会有相应参数的增减。如果我们的模型是用tensorflow训练的，那么我们就可以根据我们的模型来写出一个deploy.prototxt。
- 读取tensorflow模型
接下来我们来解析权重
model_path='model/'
saver=tf.train.import_meta_graph(model_path+'model.resnet.ckpt.meta')
with tf.Session() as sess:
saver.restore(sess,tf.train.latest_checkpoint(model_path))
graph = tf.get_default_graph()
有了graph就可以取到模型中的各种权重参数了，比如：
linear_w=np.squeeze(graph.get_tensor_by_name('linear_model/w1'))
接着，我们创建caffe网络：
cf_prototxt = "deploy.prototxt"
net = caffe.Net(cf_prototxt, caffe.TEST)
#把解析上面从tensorflow得到的linear_w写到caffe的net中对应的层里
net.params['linear'][0].data[:]=np.transpose(linear_w, (1,0))
#当然可能还有偏移量b
linear_b=np.squeeze(graph.get_tensor_by_name('linear_model/b1'))
net.params['linear'][1].data[:]=linear_b
依次类推，我们可以一层一层的把tensorflow参数写进caffe的net中，最终完成模型的转换。
- 注意
注意这里只写了tensorflow到caffe模型转换的一般原理，但tensorflow和caffe的层不是一一对应的，很多层都略有不同，所以要根据实际稍加改动。
