onnx模型转换为rknn模型, 输出结果不正确

可以尝试以下调试方法：

1. 不要量化，一层一层往上修改output，核对rknn和onnx计算的结果（比对输出的值，而不是比对推理图片），找到出问题的层
2. 对比rknn-toolkit pc仿真和实机推理结果是否有正确的。
3. 尝试用其他的架构转换。 你说的tf转换后netron结果很乱是正常的，因为onnx转换tf后子图概念丢失，就变成op散开了，但是不影响计算结果。

1. 我们NPU是专用计算器，非通用计算单元，其中最主要的优化是Conv2D。不支持depth-wise卷积。
2. depth-wise卷积的功能是牺牲conv2d有限精度的情况下提高端侧（主要是CPU）运算效率。但我们不需要他牺牲，我们NPU可以很好高效的运行conv2d。

你说的第一层就conv+relu出错的情况我们还没遇到过，我把这个问题报给NPU部门先

还有我看你都是在板子上操作，请先核对下npu-drv版本号和toolkit是不是匹配，是否都是1.3.0.
驱动不对的话一切都是错的。

NPU回复是说1.3.1已经解决，目前1.3.1还没正式发布，我先发给你一个beta版本测下：

rknn_toolkit v1.3.1 beta3：
链接: https://pan.baidu.com/s/1Kn2FGAdF_j3CMLNEsC3OPw 提取码: rcds

NPU部门回复：
在 onnx_edit.py 里， rknn.config 漏掉了一个参数 reorder_channel='0 1 2'， rknn.inference 也漏掉了 data_format='nchw' 的参数，这两个参数加上就可以推理正确。