LeNet模型為例

由Caffe的lenet_deploy.prototxt檔案轉換得到

name: "LeNet"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 1 dim: 1 dim: 28 dim: 28 } }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "prob"
  type: "Softmax"
  bottom: "ip2"
  top: "prob"
}
 

param檔案：

7767517
9 9
Input            data             0 1 data 0=28 1=28 2=1
Convolution      conv1            1 1 data conv1 0=20 1=5 2=1 3=1 4=0 5=1 6=500
Pooling          pool1            1 1 conv1 pool1 0=0 1=2 2=2 3=0 4=0
Convolution      conv2            1 1 pool1 conv2 0=50 1=5 2=1 3=1 4=0 5=1 6=25000
Pooling          pool2            1 1 conv2 pool2 0=0 1=2 2=2 3=0 4=0
InnerProduct     ip1              1 1 pool2 ip1 0=500 1=1 2=400000
ReLU             relu1            1 1 ip1 ip1_relu1
InnerProduct     ip2              1 1 ip1_relu1 ip2 0=10 1=1 2=5000
Softmax          prob             1 1 ip2 prob 0=0
 

第一行：版本資訊
數值為此param檔案的版本
ncnn相關原始碼說明：

int magic = 0; 
fscanf(fp, "%d", &magic); 
if (magic != 7767517) 
{ 
	fprintf(stderr, "param is too old, please regenerate\n"); 
	return -1; 
} 

第二行：層與資料交換結構數量
第一個數字：層（layer）的數量
第二個數字：資料交換結構（blob）的數量
ncnn相關原始碼說明：

// parse 
int layer_count = 0; 
int blob_count = 0; 
fscanf(fp, "%d %d", &layer_count, &blob_count);
 

第三行及以下：相關層的具體資訊
input層比較特殊一點
前4個值的含義固定：
（1）層型別
（2）層名稱
（3）輸入資料結構數量（bottom blob）
（4）輸出資料結構數量（top blob）
後面跟有三個不同型別的值，嚴格按照順序排序：
（1） 網路輸入層名（一個層可能有多個輸入，則有多個網路輸入層名）
（2） 網路輸出層名（一個層可能有多個輸出，則有多個網路輸出層名）
（3）特殊引數(可能沒有)： 一種是k=v的型別；另一種是k=len,v1,v2,v3….（陣列型別）。該層在ncnn中是存放到paramDict結構中，不同型別層，各種引數意義不一樣。

以第一個卷積層為例

層型別：Convolution
層名稱：conv1
輸入資料結構數量：1
輸出資料結構數量（top blob）：1
網路輸入層名：data
網路輸出層名：conv1
特殊引數1：0=20，num_output: 20
特殊引數2：1=5，kernel_size: 5
特殊引數3：2=1，stride: 1
特殊引數4：3=1
特殊引數5：4=0
特殊引數6：5=1
特殊引數7：6=500，該層的引數量，5*5*1*20=500