Nn

nn

module nn

MNN是Pymnn中最基础的Module，其中包含了V2 API所需要数据结构与一些枚举类型；同时包含了一些基础函数。 其他子模块则也需要通过MNN模块引入，引入方式为import MNN.{module} as {module}

nn submodules

• loss
• compress

nn Types

• _Module
• RuntimeManager

load_module(inputs, outputs, for_training)

模块加载类, 将计算图的部分加载为一个_Module

参数：

• inputs:[Var] 计算图的开始部分
• outputs:[Var] 计算图的结束部分
• for_training:bool 是否加载为训练模式

返回：模型

返回类型：_Module

示例

>>> var_dict = expr.load_as_dict('mobilenet_v1.mnn')
>>> input_var = var_dict['data']
>>> output_var = var_dict['prob']
>>> nn.load_module([input_var], [output_var], False)
<_Module object at 0x7f97c42068f0>

load_module_from_file(file_name, input_names, output_names, |dynamic, shape_mutable, rearrange, backend, memory_mode, power_mode, precision_mode)

加载模型，从模型文件加载为_Module

参数：

• file_name:str 模型文件名
• input_names:list[str] 输入变量名列表
• output_names:list[str] 输出变量名列表
• dynamic:bool 是否动态图，默认为False
• shape_mutable:bool 是否在内部控制流中形状变化，默认为False
• rearrange:bool 是否重新排列输入变量，默认为False
• backend:expr.Backend 后端，默认为expr.Backend.CPU
• memory_mode:expr.MemoryMode 内存模式，默认为expr.MemoryMode.Normal
• power_mode:expr.PowerMode 功耗模式，默认为expr.PowerMode.Normal
• precision_mode:expr.PrecisionMode 精度模式，默认为expr.PrecisionMode.Normal
• thread_num:int 使用线程数，默认为4

返回：创建的模型

返回类型：_Module

示例

>>> conv = nn.conv(3, 16, [3, 3])
>>> input_var = np.random.random((1, 3, 64, 64))
>>> conv(input_var)
array([[[[-5.25599599e-01,  3.63697767e-01,  5.57627320e-01, ...,
          -3.90964895e-01, -3.85326982e-01,  5.49694777e-01],
          ...,
          [-8.73677015e-01,  2.95535415e-01,  3.95657867e-02, ...,
           5.87978542e-01, -1.16958594e+00,  1.74816132e-01]]]], dtype=float32)

create_runtime_manager(config)

根据config信息创建RuntimeManager

参数：

• config:str 配置信息，参考createRuntime

返回：创建的RuntimeManager

返回类型：RuntimeManager

conv(in_channel, out_channel, kernel_size, stride, padding, dilation, depthwise, bias, padding_mode)

创建卷积模块实例

参数：

• model_path:str 模型路径
• in_channel:int 输入通道数
• out_channel:int 输出通道数
• kernel_size:int 卷积核大小
• stride:list[int] 卷积步长，默认为[1, 1]
• padding:list[int] 填充大小，默认为[0, 0]
• dilation:list[int] 卷积核膨胀，默认为[1, 1]
• depthwise:bool 是否深度卷积，默认为False
• bias:bool 是否使用偏置，默认为True
• padding_mode:expr.Padding_Mode 填充模式，默认为expr.Padding_Mode.VALID

返回：卷积模块

返回类型：_Module

示例

>>> conv = nn.conv(3, 16, [3, 3])
>>> input_var = np.random.random((1, 3, 64, 64))
>>> conv(input_var)
array([[[[-5.25599599e-01,  3.63697767e-01,  5.57627320e-01, ...,
          -3.90964895e-01, -3.85326982e-01,  5.49694777e-01],
          ...,
          [-8.73677015e-01,  2.95535415e-01,  3.95657867e-02, ...,
           5.87978542e-01, -1.16958594e+00,  1.74816132e-01]]]], dtype=float32)

linear(input_length, output_length, bias)

创建innerproduct实例

参数：

• input_length:int 输入长度
• output_length:int 输出长度
• bias:bool 是否使用偏置，默认为True

返回：线性模块

返回类型：_Module

示例

>>> linear = nn.linear(32, 64)
>>> input_var = np.random.random([32])
>>> linear(input_var)

batch_norm(channels, dims, momentum, epsilon)

创建batchnorm实例

参数：

• channels:int 通道数
• dims:int 维度，默认为4
• momentum:float 动量，默认为0.99
• epsilon:float 极小值，默认为1e-05

返回：batch_norm模块

返回类型：_Module

示例

>>> bn = nn.batch_norm(3)
>>> input_var = np.random.random([1, 3, 2, 2])
>>> bn(input_var)
array([[[[-1.5445713 ,  1.0175514 ],
         [-0.20512265,  0.73214275]],
        [[-0.9263869 , -0.59447914],
         [-0.14278792,  1.663654  ]],
        [[-0.61769044,  0.15747389],
         [-1.0898823 ,  1.5500988 ]]]], dtype=float32)

dropout(drop_ratio)

创建dropout实例

参数：

• drop_ratio:float dropout比例

返回：dropout模块

返回类型：_Module

示例

>>> dropout = nn.dropout(0.5)
>>> input_var = np.random.random([8])
>>> dropout(input_var)
array([0.0000000e+00, 1.9943696e+00, 1.4406490e+00, 0.0000000e+00,
       2.2876216e-04, 0.0000000e+00, 6.0466516e-01, 1.9980811e+00], dtype=float32)