1 倡导

我们来做个游戏吧，游戏内容是：
从 MNN 的 二进制模型文件 中找到我们想要的 目标数据！

游戏的部分基础信息可以在这篇文章中找到一二。

2 游戏说明

2.1 我们有 mnn模型文件的信息

一个简单的 Conv + Conv + Relu 三层网络，其全部内容如下图：

游戏模型文件 json信息

2.2 我们有 mnn模型文件的二进制信息

左边第一列为我加的索引列，二进制信息统一使用16进制打印，即一个数字是8位即一个字节

游戏模型文件二进制信息

2.3 游戏目标

在 2.2 的二进制信息 中找到 2.1 中json信息 目标字段的存储位置。

举例：
2.1 图中倒数第二行的 "0"，在 2.2 图中对应 02行的第6组开始的五个字节 : 01 00 00 00 30
2.1 图中倒数第二行的 "5"，在 2.2 图中对应 02行的第4组开始的五个字节 : 01 00 00 00 35

举例说明

有趣么？马上开始我们的游戏

3 带你玩

3.1 Mission 1 ：找到 tensorName "0"、"5"、"6"

056

3.1.1 找到MNN:Net 的数据起点

MNN 的二进制模型文件的前四个字节是根节点的偏移，它指向一个继承于 flatbuffers::Table 名为 MNN::Net 数据结构

寻找MNN::Net结构内存起点

0x0000001C = 28
为什么是 0x0000001C，而不是0x1C000000呢？因为小端模式
28位置即 MNN::Net 结构的数据内存数据起点位置

3.1.2 寻找字符串指针数组的数据起点

MNN::Net 有一个tensorName的属性，即为我们的目标，
它是一个 字符串指针的数组（Vector<flatbuffers::Offset<flatbuffers::String>>）
让我们找打它！

寻找字符串指针数组的数据起点

3.1.1 节我们得到了位置28，那么：

28位置信息为 0x00000016 = 22，代表 28位置之前的22个字节 均为MNN::Net 的 属性位置信息；
VT_TENSORNAME = 18，即 属性位置信息 18位置开始的2个字节存储 tensorName 的数据位置，28 - 22 + 18 = 24 : 0x0010 = 16；
MNN::Net指针位置加上 数据位置的值 获得 数据偏移，即：28 + 16 = 44 : 0x000008 = 8
44 + 8 = 52，即我们要找的 字符串指针数组 的数据起点在 52位置

3.1.3 寻找字符串的数据起点

3.1.1 节我们得到了位置52，并且知道，这个位置是一个 字符串的指针数组，那么

52 : 0x00000003 = 3，表示数组的长度为3，所以后面3个4字节就是代表三个指针的值
即: 三个指针的位置分别为 : 56、60、64，
对应的值 分别为 : 0x0000001c、0x00000010、0x00000004，
换算成十进制 分别为 : 28、16、4
那么 三个字符串指针 分别指向 :
56 + 28 = 84
60 + 16 = 76
64 + 4 = 68
即 三个字符串的数据起点位置

寻找字符串的数据起点

3.1.4 解析字符串

字符串的 前四个字节 描述 字符串的长度

我们发现三个字符串的 长度都是1
84 ：0x00000001 = 1
76 ：0x00000001 = 1
68 ：0x00000001 = 1
那么紧跟其后的 1个字节 即为字符串的有效值
即获取3个有效值：0x30、0x35、0x36
查阅一下 ASCII码对照表吧，他们就是'0', '5', '6'，任务1完成

3.2 Mission2：找到Conv0 的 bias

再来个稍微复杂点的任务练练手！找到Conv0 的 bias

任务2目标

3.2.1 确认分析思路

看下MNN的数据结构，确认下任务完成思路

MNN模型数据结构

如图，我们要先找到oplists，然后找到 第二个op（第一个是Input），然后找到 Convolution2D 的数据，找到我们要的 bias 值

3.2.2 寻找 oplists 数据起点

oplists的数据结构是Vector<flatbuffers::Offset<Op>>，即一个Op指针的数组

28 - 22 + 10 = 16 : 0x0008 = 8
28 + 8 = 36 : 0x00000048 = 72
36 + 72 = 108
108位置 即为 oplists 的数据起点

找到 oplists

3.2.3 寻找第二个Op 数据起点

第一个Op为Input，我们找第二个Op

108 + 4 * 2 = 116 : 0x00000130 = 304
116 + 304 = 420
即 第二个Op位置在420

3.2.4 寻找 Convolution2D 数据起点

420 : 0x00000010 = 16
420 - 16 + 8 = 412 : 0x000C = 12
*420 + 12 = 432 : 0x00000028 = 40
432 + 40 = 472
即 Convolution2D的位置在472

寻找 Op & Convolution2D

3.2.5 分析Convolution2D

472 : 0x0000000A = 10
472 - 10 + 8 = 474 : 0x000C = 12
472 + 12 = 484 : 0x00000004 = 4
484 + 4 = 488 ，即bias float数组的位置。 bias 的数据结构为：Vector<float>，即一个浮点数数组
488 : 0x00000005 = 5，bias数组长度为5
所以bias的五个值位置 分别为 : 492、496、500、504、508，
值均为 0x3f000000，是 float数据结构的二进制形式存储值

3.2.6 解析float

0x3f000000 转为二进制为：0011 1111 0000 0000 0000 0000 0000 0000
使用 Float结构拆解 为1 + 8 + 23，即 : 0 01111110 00000000000000000000000
得到：
符号位：0，正数
指数：01111110 : 126 -> 正负指数表示 -> 126 - 127 = -1，即 指数 -1
底数：00000000000000000000000，补1后为：1.0，即 底数 1.0

计算值：底数1.0 小数点 左移1位(-1) 得到：0.1，为二进制小数，转换为10进制即0.5。

任务2完成！

结语

感兴趣的小伙伴也可以尝试在 2.2的二进制文件 中寻找下 2.1Json文件 的其他信息哦，或许还会有新的发现[坏笑]。
比如试试找一下：Conv1 的 weight 数据

资源
文中使用的MNN模型
 MNN GitHub 地址
 FlatBuffers MNN模型存储结构基础
 FlatBuffers GitHub 地址

鸡汤
对任何事物追根究底的研究会找到意想不到的乐趣！
将那份复杂用最容易理解的方式讲出来！
自我学习后是知，有效表达后为晓 ~