之前写了关于海思NNIE的一些量化部署工作，笔者不才，文章没有写得很具体，有些内容并没有完全写在里面。好在目前看到了一些使用nniefacelib脱坑的朋友，觉得这个工程还是有些用的。为了完善这个工程，最近也增加一些一站式的解决方案。开始正题吧！
作者：Hanson
首发知乎
代码：hanson-young/nniefacelibgithub.com
一、训练
PFLD是一个精度高、速度快、模型小三位一体的人脸关键点检测算法。github上也有对其进行的复现工作，而这次要介绍的就是
PFPLD （A Practical Facial Pose and Landmark Detector），对PFLD的微改版本，笔者对其进行了一些微小的改变，名字中间多了个”屁“。其实是对pose branch进行了加强，同时让其关键点对遮挡、模糊、光照等复杂情况更加鲁棒。
PFLD网络结构
黄色虚线囊括的是主分支网络，用于预测关键点的位置；绿色虚线囊括的是head pose辅助网络。在训练时预测人脸姿态，从而修改loss函数，使更加关注那些稀有的，还有姿态角度过大的样本，从而提高预测的精度。同等规模的网络，只要精度上去，必然是可以想到很多办法来降低计算量的。
PFLD loss
直观感受，这个loss的设计模式本质上是一种对抗数据不均衡的表达，和focal loss思想是一致的。但这类思想并不是对于每种工作都能work，笔者曾经回答过类似的问题。有哪些「魔改」loss函数，曾经拯救了你的深度学习模型
接下来将介绍一些笔者对其微改的地方：
- 用PRNet标注人脸图像的姿态数据，比原始通过solvePNP得到的效果要好很多，这也直接增强了模型对pose的支持。PRNet是一个非常优秀的3D人脸方面的项目。论文也写的很精彩，强烈推荐去看。目前在活体检测领域用其渲染的depth map作为伪标签进行训练，已经成为了一种标配性的存在。所以当人脸姿态估计算法性能接近于它，证明训练的姿态已经非常不错了。如果想要得到更好的表现，用更加特殊的方法采集人脸姿态数据进行炼丹也是行得通的（吐槽：大部分开源姿态数据标注规范并不统一）。
- 在整个实验中pfld loss收敛速度比较慢，慢也是有原因的，过于重点关注少量复杂的样本，会使得对整体的grad调节不明显，因此对多种loss（mse, pfld, smoothl1 and wing）进行了对比，结果得出，wing loss的效果更加明显，收敛速度也比较快。
- 改进了pfld网络结构，让关键点和姿态角度都能回归的比较好，将landmarks branch合并到pose branch中。由于两个任务相关性较强， 这样做可以让其更加充分的影响。对于这种多任务之间正向促进的例子，通过对网络结构以及辅助监督信号的改进，可以使其结果并不会太过于依赖loss函数的设计。这并不是笔者在的主观判断，感兴趣，可以参考我之前的深度学习的多个loss如何平衡的一个回答，如有不同之处，欢迎一起讨论相关话题。
PFPLD部分网络结构
疫情当下，口罩遮挡，玄学优化，美图共赏
二、量化
过去一周，笔者对训练代码进行了整理，完成了多种版本的转换工作，包括
- pytorch
- caffe
- ncnn
- nnie
听说有小伙伴将这套模型跑到了ios上，说不定之后会放出来。
扯了一大堆，那开始介绍下本文最核心的NNIE。有首先我们要选择一个比较优秀的训练框架，比如，我们选择了pytorch。然后要将模型转换为caffe，那我们选择了onnx作为过度环节
python convert_to_onnx.py
python3 -m onnxsim ./models/onnx/checkpoint_epoch_final.onnx ./models/onnx/pfpld.onnx
cd cvtcaffe
python convertCaffe.py可以看得出来，经过了很少的步骤，一个被图优化过的caffe模型就出来了，包括merge bn，inplace等优化，"工具人"onnx在其中起到了很重要的作用。
之前也提到过batchnorm会对精度造成一些不知所以的影响，所以
无论我们遇到什么困难，都不要怕，微笑着面对它，消除恐惧的最好办法就是避开恐惧，避开，才会胜利，加油，奥利给！
另外，笔者自己训练模型的时候是不会考虑减均值这种操作的，只会做data\_scale处理，为什么这么做，因为放弃思考真得很香。记性不好，不想遇到问题的时候去查，也不太相信减均值能带来明显收益！
果断地只用data\_scale模式
量化精度
海思NNIE模型量化部署系列：
更多模型芯片端部署,请关注嵌入式AI专栏
