前面随笔给出了NNIE开发的基本知识，下面几篇随笔将着重于Mobilefacenet NNIE开发，实现mobilefacenet.wk的chip版本，并在Hi3559AV100上实现mobilefacenet网络功能，外接USB摄像头通过MPP平台输出至VO HDMI显示结果。下文是Hi3559AV100 NNIE开发（5）mobilefacenet.wk仿真成功量化及与CNN_convert_bin_and_print_featuremap.py输出中间层数据对比过程，目前实现PC端对mobilefacenet.wk仿真成功量化，为后续在板载chip上加载mobilefacenet.wk输出数据进行比较做准备。
开发环境操作系统：Windows 10
仿真工具： Ruyi Studio 2.0.28
开发平台： Hi3559AV100
网络模型： Mobilefacenet
框架：Caffe
测试前提测试前需要搭建好RuyiStudio开发环境，能够正确运行工程，并进行了mobilefacenet 网络训练，生成mobilefacenet.caffemodel，确定好mobilefacenet.prototxt（因为mobilefacenet的所有网络层都是NNIE支持的网络层，所以不需要手动修改、增加或者删除操作，可以通过marked_prototxt中的mark和check操作查看是否正确生成对应的网络结构）。
.wk仿真量化参数配置与测试过程在测试前先给出NNIE一般量化流程：
（1）需要把其他非caffemodel模型对应转换到caffemodel模型，因为Hi35xx系列NNIE只支持caffemodel模型；
（2）配置仿真量化参数（即配置mobilefacenet.cfg）进行PC仿真量化，获得中间层输出结果A（mapper_quant目录下）；
（3）使用RuyiStudio提供的python中间层输出工具，获得中间层输出结果B（data/ouput目录下）；
（4）使用Ruyi Studio的向量对比工具Vector Comparison对A和B进行对比，观察误差，使误差控制在一定范围（利用CosineSimilarity参数）；
（5）配置板载chip运行量化参数生成mobilefacenet.wk文件，上板运行获得输出结果C；
（6）对比结果A和C，使仿真与板载误差控制在可接受范围内。
创建好工程后，首先配置mobilefacenet.wk文件，需要注意以下几点：
（1）首先选择is_simulation为Simulation进行仿真测试，对比结果正确后再进行Inst/Chip生成板上运行的wk文件。因为mobilefacenet的所有网络层都是NNIE支持的网络层，所以不需要手动修改、增加或者删除操作，可以通过marked_prototxt中的mark和check操作查看是否正确生成对应的网络结构；
（2）log_level = 3可以输出所有中间层的结果，在进行仿真对比调试时应当开启，方便进行向量对比调试；
（3）image_list的设置十分关键，其决定了你实际输入给模型的图片数据是怎么样的。其中image_type默认选择U8，RGB_order表示输入给网络的RGB图像的RGB三通道顺序，norm_type是对图像数据的预处理，这里我们选择channel mean_value with data_scale，对输入图像的数据进行减均值并归一。设置data_scale为0.0078125，即1/128，pixel_mean.txt如下图所示。即让原本[0,255]区间的像素值转换到[-1,1]的区间内。下面给出imageList.txt文本内容：
（4）mapper_quant中保存了所有的输出信息，Mobileface_func.wk是生成的仿真wk文件。注意：mapper_quant中保存的输出信息是选择的image_list文件的最后一张图片的输出（这个非常关键，为后面.py输出中间层结果对比的时候确认是哪张图片进行向量数据对比）
给出mobileface.cfg的具体配置：（具体.cfg参数设置可以见：Hi3559AV100 NNIE开发（3）RuyiStudio软件 .wk文件生成过程-mobilefacenet.cfg的参数配置 https://www.cnblogs.com/iFrank/p/14515089.html）
随后点击RuyiStudio软件左上角的make Wk按钮，跳出下面示意图，点击OK即可生成mobileface.wk：