1. 概念说明

1.1 原理

表达式是一个延迟计算引擎，它提供如下功能：
（1）构造计算图
（2）加载、保存、修改计算图
（3）基于计算图进行计算（借助 MNN 推理引擎实现）

API 设计上使用”响应式编程”，修改输入的值之后，在对应的输出节点取值即可，没有显示的计算调用。

1.2 变量（VARP）

用户操作的数据类型为 VARP，可按Tensor去读取它的值，按保存时的方式不同，分成三类

1.2.1 Input

由 MNN.expr.placeholder 创建，或者加载模型而得，在保存时仅存储维度信息（shape），可以写入值

1.2.2 Const / Trainable

由 MNN.expr.const / trainable 创建，或者加载模型而得，在保存时存储数值，不能写入，只能读取

1.2.2 Function

非输入或者常量，一切由计算而得的变量，不能写入，在保存时存储与之相关的计算图
Function 变量可通过 fix_as_const / fix_as_input 调用转换为相应类型，转换时将值计算出来，并去除前置节点依赖。

2. 图管理

2.1 主要API

2.1.1 MNN.expr.save

输入：VARP 数组，文件名
功能：将一系列变量保存为 MNN 模型文件，若包含若干 Function 类型的变量，会保存它们的最小计算图。

2.1.2 MNN.expr.load_dict

输入模型文件名，将模型文件读取为 name-var 的字典模式。

2.1.3 MNN.expr.var.replace

替换节点，惟一能改变图结构的接口

2.2 示例

2.2.1 裁剪左半部分模型

import MNN.expr as F
vars = F.load_as_dict("Origin.mnn")
output = vars["D"]
F.save([output], "New.mnn")

3. 加载与运行模型

3.1 变量接口

3.1.1 信息查看与重置

• VARP.shape ：返回形状信息（int数组）
• VARP.data_format：返回数据排列方式
• VARP.size：返回数据总长度

• VARP.resize() : 输入形状信息（int 数组），修改变量的大小，仅对输入有效

  3.1.2 输入输出

• 写: write ，传入等长数组，替换变量原有数据，仅对输入节点有效

• 读: read ，输出等长数组，必要时会进行计算

  3.2 示例

  ```python import MNN.expr as F vars = F.load_as_dict(“model.mnn”) inputVar = vars[“input”]

  查看输入信息

  print(inputVar.shape) print(inputVar.data_format)

  修改原始模型的 NC4HW4 输入为 NCHW，便于输入

  if (inputVar.data_format == F.NC4HW4): inputVar.reorder(F.NCHW)

  写入数据

  inputVar.write(numpy.ones([1, 3, 224, 224], dtype=”float32”).tolist())

查看中间结果的值

midVar = vars[‘mid’] print(midVar.shape)

切换布局便于查看结果

if (midVar.data_format == F.NC4HW4): midVar = F.convert(midVar, F.NCHW) print(midVar.read())

查看输出结果

outputVar = vars[‘output’] print(outputVar.shape)

切换布局便于查看结果

if (outputVar.data_format == F.NC4HW4): outputVar = F.convert(outputVar, F.NCHW) print(outputVar.read())

将关注的变量数值保存为 mnn 模型，可用 MNNDump2Json 打印查看

midVar.fix_as_const() outputVar.fix_as_const()

F.save([midVar, outputVar], “outputs.mnn”)

```