读 ncnn 源码（Ⅴ）：Param 读取闭环——从 token 到图，再到 I/O 名单

这一篇把 “ncnn 如何读取 .param 并把它变成一张可执行的计算图” 的最后一段细节补齐：
① ParamDict 的数据布局 / 类型系统 / 读写语义；
② 迷你词法器 vstr_* 如何把字符串切成标量/数组；
③ Blob 的生产者/消费者是怎样被填充；
④ update_input_output_indexes/names 如何自动识别模型输入输出。
我们再用一段简化的 SqueezeNet 片段做“逐 token 实录”。

TL;DR

ParamDict 内部是一块 定长槽位数组（NCNN_MAX_PARAM_COUNT）：每个 id 对应一个 type + (i/f/v/s)，类型码包括标量/数组/字符串。
load_param() 扫描 id=value / id=v1,v2,...，用 vstr_is_string/float 断型，vstr_to_float 手写解析。
建图时，每个 layer 读完头（type/name/bottom/top）和 ParamDict 后，记录 各 blob 的 producer/consumer/name/shape。
最后 update_input_output_indexes()：
- 输入 = Input 层的 top；
- 输出 = “有 producer 且无 consumer 的 blob”。
  update_input_output_names() 再把它们转成可读名字数组。

1) `ParamDict`：定长槽位与类型系统

ParamDict 外观是简洁的 get/set，内部是 ParamDictPrivate::params[NCNN_MAX_PARAM_COUNT] 的定长数组。每个槽位结构：

struct {
    // 0=null; 1=int/float(兼容位); 2=int; 3=float;
    // 4=array of int/float; 5=array of int; 6=array of float; 7=string
    int type;
    union { int i; float f; };
    Mat v;          // 存数组（int[]/float[]）
    std::string s;  // 存字符串
} params[NCNN_MAX_PARAM_COUNT];

关键点：

定长、按 id 定位：任何 id 的值都放在固定槽位（O(1) 存取），避免哈希开销。
get/set 的类型码：
- get(int id, int def) → 若 type!=0 返回 i；
- get(int id, float def) → 返回 f；
- get(int id, Mat def) → 返回 v；
- get(int id, std::string def) → 返回 s；
- set(...) 会把 type 改成对应类型码（2/3/4/7）。
拷贝/赋值：只按类型复制相应字段（i/f 或 v 或 s），并保留 type。
clear()：把所有 type 置 0，i=0、v=Mat()、s.clear()，保证下一层解析是干净的。
union：这里的union设计可以节省内存。

2) `load_param()` 与小词法器：把文本吃干抹净

读取流程（简述）：

反复 scan("%d=", &id) 取得下一个键 id；
读取第一个 token 到 vstr[16]；
断型：
- vstr_is_string(vstr) → 走字符串路径，拼接剩余字符到 s，type=7；
- 否则看 vstr_is_float(vstr)（出现 . 或 e/E 就认为是浮点）；
看紧跟是否有逗号：若有，则进入 新式数组 模式（直到行尾），累计到 Mat v，type=6/5；
若无逗号：按标量读，填 f 或 i，type=3/2。

旧式数组旧式数组旧式数组仍被兼容：负 id（id <= -23300）表示“数组”，接一个长度，再依次读 ,elem。

手写词法器的好处：

vstr_to_float 对 +/-、整数/小数、指数 e±n 都有明确且不依赖 locale 的解析；
token 长度受限（vstr[16]），字符串还有 vstr2[256] 的哨兵，避免意外读穿；
在出错点（读不到值/数组元素）能清晰报错。

3) `Blob` 与图连线：producer / consumer / name / shape

Blob 的几个字段：

class Blob {
public:
#if NCNN_STRING
    std::string name;
#endif
    int producer; // 产出它的 layer 索引
    int consumer; // 使用它的 layer 索引（单消费者场景；多消费者由 Split 显式拆分）
    Mat shape;    // 可选：形状提示（来自 ParamDict 30）
};

在 Net::load_param() 的主循环里：

读 layer 头（type/name/bottom_count/top_count）；
bottom 处理：逐个名字找已有 blob，找不到则新建占位 blob（支持“先引用、后定义”）；把 consumer=当前层，layer 记录 bottoms[j]=该 blob 的索引；
top 处理：每个 top 都新建一个 blob 槽位（索引自增），填 name、producer=当前层，layer 记录 tops[j]；
读 ParamDict（含 30=shape hints / 31=featmask），把 形状提示写进对应 blob 的 shape，并同步到 layer->bottom_shapes/top_shapes；
layer->load_param(pd) 各算子把自己关心的键拷进去。

多消费者的情况，ncnn 会在图里显式插入 Split 层，所以 Blob::consumer 仍然是单值：分叉后每条输出都是新的 blob。

4) 自动识别输入/输出：`update_input_output_*`

当所有 layer 都创建完，框架在末尾调用两步：

4.1 `update_input_output_indexes()`

input_blob_indexes.clear();
output_blob_indexes.clear();

// 输入：所有 Input 层的第 0 个 top
for (i : layers)
  if (layers[i]->typeindex == LayerType::Input)
    input_blob_indexes.push_back(layers[i]->tops[0]);

// 输出：有 producer、无 consumer 的 blob
for (i : blobs)
  if (blobs[i].producer != -1 && blobs[i].consumer == -1)
    output_blob_indexes.push_back(i);

这与我们的直觉一致：Input 层的产出就是模型输入；没有下游使用者的 blob 就是最终输出。
在 SqueezeNet 里，输入是 "data"，输出是 "prob"（softmax 的 top）。

4.2 `update_input_output_names()`

把索引转成人类可读的 name 列表：

for (each index in input_blob_indexes)
  input_blob_names.push_back(blobs[index].name.c_str());

for (each index in output_blob_indexes)
  output_blob_names.push_back(blobs[index].name.c_str());

有了这两份名单，Extractor::input("<name>", ...) 与 Extractor::extract("<name>", ...) 就都可以“按名索引”。

5) 解析实录：两层 SqueezeNet 片段

7767517
48 56
Input       data  0 1  data  0=227 1=227 2=3
Convolution conv1 1 1  data  conv1_relu_conv1  0=64 1=3 3=2 5=1 6=1728 9=1

第 1 层 Input：

top "data" → 新建 blob#0：name="data", producer=layer0；
ParamDict：0=227,1=227,2=3（int 标量），输入形状 227×227×3。

第 2 层 Convolution：

bottom "data" → 找到 blob#0，标记 consumer=layer1；
top "conv1_relu_conv1" → 新建 blob#1：producer=layer1；
ParamDict：
- 0=64（outc）、1=3（kernel_w=3，默认 kernel_h=3）、3=2（stride=2）、5=1（bias term）、
- 6=1728（权重大小，3×3×3×64）、9=1（ReLU 融合）。
尺寸直觉：227→(3×3, s=2)→113 → conv1_relu_conv1 ~ 113×113×64。

输入/输出名单（全网完成后）：

input_blob_names = ["data"]；
output_blob_names 将包含 prob（全局平均池化 + softmax 之后），及其它可能的无消费者 blob（若有）。

6) 常见坑与对策

id 越界：自定义层用了超范围的 id → 触发 id < NCNN_MAX_PARAM_COUNT failed。应复用空闲键或扩增常量（不推荐）。
字符串过长/引号不匹配：vstr2[256] 的哨兵能抓住这个问题；检查该行是否把下一层 token“粘”进来了。
数组混写：旧式（负 id + 显式长度）与新式（逗号到行尾）不要混在一个键上；建议统一使用新式。
找不到 bottom 名：find_blob_index_by_name 会报一条日志，但加载会“先占位后对齐”。如果最终没有生产者，执行/优化阶段才会暴露。
输出名不对：Extractor::extract("<name>") 失败时，先打印 output_blob_names，确认最终输出的实际名字。