caffe 模型转换为rknn后 识别一直错

可以的话建议你一层一层输入输出转换调试，看看具体是哪一层造成的输出差异

puyanan 发表于 2019-8-5 09:49
是否要将中间的两个层分别作为输入输出层，重新转换成rknn模型，然后再查看这两层的数据？我还没有试，你 ...

是的，可以的，但是 建议你 卷积+激活+池化 不要拆开

puyanan 发表于 2019-8-5 17:58
您好。在RK虚拟机里面，将pb模型转换成rknn模型，不量化(do_quantization=False)。那么模型转换前后的中 ...

一样的，但是要注意rknn转换默认用fp16，可以强制fp32和原模型一致。这里可能会造成一点点精度误差。
数量级不一样要检查你的代码和转换代码，是否归一化设置有问题。

rknn是可以自动归一化的，不要重复做了归一处理

wzc 发表于 2019-8-15 10:44
请问是不量化的话也是会转成fp16吗？然后怎么强制保持fp32不变呢？

你可以看下混合量化那章。

wzc 发表于 2019-8-20 19:58
另外，还有一个问题，如果想看用用toolkit量化之后的网络具体参数（权重、偏置等），toolkit有输出的方法 ...

暂时没有办法查看，可以暂且认为和原模型是一样的

wzc 发表于 2019-8-20 19:12
你好，我看了一下，是混合量化用delete模式，把dtype改为none就是代表不量化，那么它就是p32的吗？还是说 ...

我具体问了下NPU部门，他们说内部有办法可以，暂时还没开放接口。不过我已经要求他们开放API接口了，请关注后续版本更新。

wzc 发表于 2019-8-21 10:07
开放接口指的是，可以让模型转化成fp32，还是说可以输出量化后的网络参数呀？ ...

说的是 FP32

网络参数不确定他们会不会提供，提供也不确定你们如何直观的去看他。
你们可以暂且认为参数是和原模型一样的，为什么要去怀疑参数呢。

wzc 发表于 2019-8-23 08:55
感谢解答，我在做量化的事情，所以想看看toolkit量化的中间参数，和这个帖子的主题无关，让您误会了，抱 ...

这个看NPU部门Roadmap有没有设计这么看了。目前他们是认为看rknn的参数并没有太大意义，量化后你需要经过反量化计算才能知道源参数是什么，去看这些参数并不是一个好的debug方式。

wzc 发表于 2019-8-23 11:34
好的，然后现在又遇到一个问题，使用toolkit的时候，量化校正的数据集一张和两百多张的准确率没有什么差 ...

这种东西就是只能靠不停的实验得出结果。200张其实也不够多，我们客户都是用上万张去量化的。
量化是个很复杂的技术，如果不满意结果，是可以通过混合量化来细调的，好的量化技术是可以无限接近于原模型精度，我们也只是提供了量化的渠道和方式，至于如何调参能达到完美的精度，这个只能具体问题具体分析。
甚至只能不停的尝试来解决（神经网络目前没有足够的理论支撑，大部分都是靠不停的实验来提高精度）