读 ncnn 源码（Ⅵ）：模型权重加载链路 —— DataReader / ModelBin / create_pipeline

前面我们把 .param 从 文本 → ParamDict → 图结构 → I/O 名单 的路径讲圆了。本篇继续往下：如何把 .bin 里的权重读入每一层，以及在“读完权重”后做的 create_pipeline() 预处理（如权重变换、缓存准备等）。

TL;DR

Net::load_model() 需要 图已建立（先 load_param）。它为每层依次执行：layer->load_model(ModelBin&) → layer->create_pipeline(opt1)。opt1 是按层 featmask 局部裁剪后的 Option。
数据来源 通过多种 DataReader 封装：FromStdio / FromMemory / FromAndroidAsset；上层统一交给 ModelBinFromDataReader 解析。
权重编码（在 .bin）由 ModelBinFromDataReader::load(w, type) 自动识别：
- 0x01306B47 → float16；
- 0x000D4B38 → int8（逐字节）；
- 0x0002C056 → float32（带额外缩放的 raw）；
- 其它：如果 flag!=0 → 表驱动量化（读 256 个 float 的查表 + 索引数组）；若 flag==0 且 f0==0 → float32 raw。
零拷贝/对齐：优先尝试 DataReader::reference() 做 zero-copy；不足则回落到 read() 并按 4 字节对齐（alignSize(...,4)）。
读完模型后，若启用 Vulkan，会 上传权重；若启用本地内存池，会创建 PoolAllocator 作为 blob/workspace 的默认分配器。

1) 顶层流程：`Net::load_model`

int Net::load_model(const DataReader& dr)
{
    if (d->layers.empty()) { NCNN_LOGE("network graph not ready"); return -1; }

    // Vulkan pipeline cache 准备（如启用）
    ModelBinFromDataReader mb(dr);

    for (int i = 0; i < layer_count; i++)
    {
        Layer* layer = d->layers[i];
        if (!layer) { /* param 与图不一致 */ break; }

        // 1) 逐层读取权重
        if (layer->load_model(mb) != 0) { /* 报错并中止 */ break; }

        // 2) 按层裁剪 Option（featmask），构建 pipeline（权重预处理等）
        Option opt1 = get_masked_option(opt, layer->featmask);
        if (layer->create_pipeline(opt1) != 0) { /* 报错并中止 */ break; }
    }

    // 3) 可选：本地内存池（blob/workspace）准备
    // 4) 可选：Vulkan 模型上传（权重/常量上 GPU）

    return ret;
}

要点：

顺序是“先读权重，再建 pipeline”。例如卷积会在 create_pipeline() 里把权重变换到 sgemm/winograd 等布局；激活子层也可能在这里构造好。
get_masked_option(opt, layer->featmask) 让每层可以关闭/回退某些能力（fp16/int8/Vulkan/Winograd/线程数等），这一点我们在（Ⅲ）里详解过。

2) 读什么？从哪读？—— `DataReader*` 抽象层

你可以把模型数据放在不同介质里，ncnn 用统一接口读取：

DataReaderFromStdio：FILE* 封装（fopen）
- scan()（仅在 NCNN_STRING 时用于文本）
- read() 读二进制
DataReaderFromMemory：从内存 buffer 读取
- 适合把模型 mmap/打包进可执行或放在自定义内存区域
DataReaderFromAndroidAsset（Android）
- 直接从 APK asset 读，免去落盘

所有这些在 Net::load_model(FILE*)/load_model(const char*) 里只是薄薄的封装，最终都会走同一个实现：load_model(const DataReader& dr)。

3) 读完之后做什么？—— `create_pipeline()` 与后处理

load_model() 的第二步是：

1 2	Option opt1 = get_masked_option(opt, layer->featmask); layer->create_pipeline(opt1);

典型操作包括：权重预变换（例如卷积的 sgemm/im2col 布局、Winograd 权重）、激活子层构建、算法路径选择器的预计算、以及各后端的 kernel/pipeline 准备。
若启用了 Vulkan，load_model() 末尾还会 upload_model()（把常量/权重从 CPU 侧上传到 GPU）。

4) 两个“实用分叉”：内存池与 Vulkan

本地内存池（可选）：

if (opt.use_local_pool_allocator) {
    if (!opt.blob_allocator)      d->local_blob_allocator = new PoolAllocator;
    if (!opt.workspace_allocator) d->local_workspace_allocator = new PoolAllocator;
    // set_size_compare_ratio(0.f) → 严格相等再复用，减少内存抖动
}

这样不用你手动注入分配器，也能获得不错的复用效果。

Vulkan pipeline cache（可选）：

if (opt.use_vulkan_compute) {
    if (!opt.pipeline_cache) {
        if (!d->pipeline_cache) d->pipeline_cache = new PipelineCache(d->vkdev);
        opt.pipeline_cache = d->pipeline_cache;
    }
}

保存着已编译的着色器/pipeline，避免每次 warm-up 都重复构建。

5) 常见坑与定位

“network graph not ready”
你在 load_param 之前就调用了 load_model。顺序必须是：先图，后权重。
“parameter file has inconsistent content”
循环时发现某个 layer 指针为 nullptr，说明 .param 与已注册层不一致（拼写、裁剪或版本问题）。
权重长度对不上
层内部会用 weight_data_size 校验；若不匹配，通常是 .param 的 in_c/out_c/kernel 或 .bin 的导出不一致。
类型分支不命中
.bin 头部 4 字节不是预期的 tag，又 flag==0 但数据也不对 → 检查导出/对齐；同时注意大小端差异。
Vulkan 相关失败
先在 CPU 跑通；确认 use_vulkan_compute 与设备/驱动可用，再打开。ncnn 会按层自动回退 CPU。

6) 速查表

ModelBin 标志位（4 字节） → 解析路径

0x01306B47 → float16（对齐、可零拷贝、小端优先 reference）
0x000D4B38 → int8（按字节，4 字节对齐）
0x0002C056 → float32（raw；“带额外缩放”的语义由层控制）
其它：
- flag != 0 → 表驱动量化（256×float 查表 + 索引数组）
- flag_struct.f0 == 0 → float32 raw

加载顺序