一、简介
在SNPE中存在大量的工具以及功能，本节中我们将对其中的部分工具展开介绍，这些工具我们在使用SNPE时也会经常性的用到。
二、SNPE工具介绍
SNPE工具概览：
snpe-net-run
snpe_bench.py
snpe-caffe-to-dlc
snpe-caffe2-to-dlc
snpe-diagview
snpe-dlc-info
snpe-dlc-diff
snpe-dlc-viewer
snpe-dlc-quantize
snpe-tensorflow-to-dlc
snpe-onnx-to-dlc
snpe-platform-validator
snpe-platform-validator-py
snpe-throughput-net-run
首先我们来了解下第一个，也就是snpe-net-run：
snpe-net-run加载DLC文件，加载输入张量的数据，并在指定的运行时执行网络。
默认情况下，此二进制文件将原始输出张量输出到输出文件夹中。 在运行AlexNet教程中可以找到使用snpe-net-run的示例。
额外细节：
运行批处理输入：
snpe-net-run能够自动批处理输入数据。 批处理大小在模型容器（DLC文件）中指示，但也可以使用传递给snpe-net-run的“ input_dimensions”参数进行设置。 用户不需要批处理其输入数据。 如果输入数据不是批处理，则输入大小必须是输入数据文件大小的倍数。 snpe-net-run会将提供的输入分组，并用零填充不完整的批次（如果存在）。
在下面的示例中，将模型设置为接受三个输入的批次。 因此，通过snpe-net-run将输入自动分组在一起以形成批处理，并对最终批处理进行填充。 请注意，snpe-net-run生成了五个输出文件：
…
Processing DNN input(s):
cropped/notice_sign.raw
cropped/trash_bin.raw
cropped/plastic_cup.raw
Processing DNN input(s):
cropped/handicap_sign.raw
cropped/chairs.raw
Applying padding
input_list参数：
snpe-net-run每次迭代可以将多个输入文件作为输入数据，并在格式如下的输入列表文件中指定多个输出名称： #<output_name>[<output_name>]
<input_layer_name>:=<input_layer_path>[<input_layer_name>:=<input_layer_path>]
…
第一行以“＃”开头，指定输出图层的名称。 如果有多个输出，则应使用空格作为定界符。 在第一行之后，您可以使用多行来提供输入文件，每次迭代只提供一行，并且每行仅提供一层。如果每行有多个输入，则应使用空格作为分隔符。
这是一个示例，其中图层名称为“ Input_1”和“ Input_2”，而输入位于路径“ Placeholder_1 / real_input_inputs_1 /”中。 其输入列表文件应如下所示：
#Output_1 Output_2
Input_1:=Placeholder_1/real_input_inputs_1/0-0#e6fb51.rawtensor Input_2:=Placeholder_1/real_input_inputs_1/0-1#8a171b.rawtensor
Input_1:=Placeholder_1/real_input_inputs_1/1-0#67c965.rawtensor Input_2:=Placeholder_1/real_input_inputs_1/1-1#54f1ff.rawtensor
Input_1:=Placeholder_1/real_input_inputs_1/2-0#b42dc6.rawtensor Input_2:=Placeholder_1/real_input_inputs_1/2-1#346a0e.rawtensor
注意：如果模型的批次尺寸大于1，则输入文件中的批次元素数量必须与DLC中指定的批次尺寸匹配，或者必须为1。 在后一种情况下，snpe-net-run将多条线合并为一个输入张量。
运行AIP运行时：
1、AIP运行时需要量化的DLC，并且离线生成HTA部分。 请参阅添加HTA部分
2、AIP运行时不支持debug_mode
3、AIP运行时不支持批处理
snpe_bench.py
python脚本snpe_bench.py运行DLC神经网络并收集基准性能信息。
snpe-caffe2-to-dlc
snpe-caffe2-to-dlc将Caffe2模型转换为SNPE DLC文件（我们在初次安装好SNPE的时候就会发现，它运行时是需要Caffe环境的，同时也可以把Caffe训练模型转化为dlc模型来使用）。
三、总结
本篇文章中，我们着重的介绍了Caffe和网络相关的几个工具，当然看列表也可以发现其中还有很多我们没有介绍到，大家感兴趣的话可以去高通开发者官网进行学习。