摘要

Caffe 是传统 CV 领域广泛使用的深度学习框架，模型分为prototxt 网络结构文件与caffemodel 权重文件两部分。昇思 MindSpore 生态通过 MindSpore‑Lite 转换工具，支持原始框架为 Caffe 的模型导入转换，将 Caffe 网络解析、权重解析，转化为 MindSpore 原生 MINDIR 中间表示，后续可对接昇腾 CANN，编译生成 om 离线模型，在昇腾 NPU 完成推理部署。对于存量 Caffe 训练得到的图像分类、检测 CV 模型，无需重新训练，通过模型转换即可迁移到 MindSpore 与昇腾硬件。本文介绍 Caffe 模型转换整体架构、转换流程、代码实操、约束限制、问题排查，帮助开发者完成存量 Caffe 模型向昇思 MindSpore 生态迁移落地。

1 背景介绍

大量工业 CV 业务沉淀了基于 Caffe 训练的成熟模型，如 LeNet、VGG、YOLO 早期版本等。Caffe 模型存储分离：prototxt描述网络层、输入输出、超参；caffemodel保存卷积、全连接等层权重参数。

如果要在昇腾 NPU 运行 Caffe 模型，不能直接加载原始文件，必须经过中间转换。昇思 MindSpore 生态提供 Caffe 解析器，读取 prototxt 与 caffemodel，映射为 MindSpore 计算图 MINDIR。转换完成的 MINDIR 文件，既可以在 MindSpore 执行推理，也可以交付 ATC 工具编译为 om，部署到昇腾 NPU。

实际转换会遇到典型问题：Caffe 部分算子、特殊层属性不被解析器支持；输入维度、数据格式 NCHW 需要对齐；权重读取失败、转换后精度漂移等。掌握转换全流程与限制条件，是存量 Caffe 模型迁移的关键。

2 Caffe 模型转换整体架构与流程

2.1 转换模块分层

1. Caffe 解析器层：读取 prototxt 网络结构，解析 caffemodel 二进制权重，做算子映射，将 Caffe Layer 映射为 MindSpore 算子节点；

2. 图优化层：算子融合、常量折叠、权重固化，生成标准化 MINDIR 中间图；

3. 导出层：输出.mindir文件，供 MindSpore 推理，或者交给 ATC 编译昇腾 om 模型。

重要：Caffe 本身不支持大语言模型，主要用于 CV 卷积网络；MindSpore 大模型生态对 Caffe 的支持，面向存量 CV 模型迁移。

2.2 完整业务链路

Caffe 原始文件（prototxt + caffemodel）→ MindSpore‑Lite Converter 转换工具 → MindSpore MINDIR 模型 → MindSpore 推理验证 / ATC 工具编译 om → 昇腾 NPU 部署推理。

2.3 关键约束

1. 必须同时提供网络结构 prototxt、权重 caffemodel两个文件，缺一不可；

2. 支持主流 CV 算子：Conv、Pooling、ReLU、BN、InnerProduct 全连接、Softmax；小众自定义 Caffe 层会转换失败；

3. Caffe 默认 NCHW 格式，转换过程保持该格式，输入数据需要与之匹配。

3 代码实践：Caffe 模型转换两种方式

3.1 环境准备 env.sh

# 加载CANN环境（后续编译om需要）
source /usr/local/Ascend/ascend‑toolkit/set_env.sh
# 安装mindspore与mindspore‑lite
pip install mindspore mindspore‑lite
export ASCEND_OPP_PATH=/usr/local/Ascend/latest/opp

3.2 方式一：命令行 converter_lite 转换（Shell 脚本）

#!/bin/bash
# caffe_convert.sh
# fmk指定CAFFE；modelFile为网络结构；weightFile权重文件；outputFile输出mindir前缀
./converter_lite \
--fmk=CAFFE \
--saveType=MINDIR \
--modelFile=./lenet.prototxt \
--weightFile=./lenet.caffemodel \
--outputFile=./lenet_caffe

执行成功输出：CONVERT RESULT SUCCESS:0，生成lenet_caffe.mindir文件。

3.3 方式二：Python API 转换（mindspore_lite）

# caffe_convert.py
import mindspore_lite as mslite

def convert_caffe_to_mindir():
    # 创建转换器实例
    converter = mslite.Converter()
    # 设置保存类型为MINDIR
    converter.save_type = mslite.ModelType.MINDIR
    # 关闭额外优化用于调试定位问题；生产环境改为"ascend_oriented"
    converter.optimize = "none"

    # 执行Caffe模型转换
    ret = converter.convert(
        fmk_type=mslite.FmkType.CAFFE,
        model_file="./lenet.prototxt",
        weight_file="./lenet.caffemodel",
        output_file="./lenet_caffe"
    )
    if ret == 0:
        print("Caffe转换MINDIR成功，输出：lenet_caffe.mindir")
    else:
        print("转换失败，请查看日志信息")

if __name__ == "__main__":
    convert_caffe_to_mindir()

3.4 转换后：MINDIR 编译昇腾 om 模型（ATC）

source env.sh
atc --model=./lenet_caffe.mindir \
--output=./lenet_caffe.om \
--soc_version=Ascend310P \
--input_shape="input:1,1,28,28"

3.5 MindSpore 加载 mindir 做推理验证

# infer_mindir.py
import mindspore as ms
import numpy as np

def run_mindir_infer():
    context = ms.Context()
    context.target = ["Ascend"]
    model = ms.Model("./lenet_caffe.mindir", context=context)
    # 模拟输入，Caffe NCHW
    input_tensor = ms.Tensor(np.random.randn(1,1,28,28).astype(np.float32))
    out = model.predict(input_tensor)
    print("推理输出shape：", out[0].shape)

if __name__ == "__main__":
    run_mindir_infer()

4 转换调优要点

调优项	说明	收益
optimize 参数调试	调试阶段设none关闭图优化；生产环境ascend_oriented开启昇腾定向优化	便于定位转换报错；上线提升 NPU 推理性能
输入 shape 对齐	prototxt 固定输入维度，转换与推理保持一致，如需动态 shape 在 ATC 配置动态维度	避免推理维度不匹配报错
算子兼容性检查	转换日志识别不支持 Caffe 自定义 Layer，替换为标准层或开发自定义 Parser	解决转换失败问题
转换后精度校验	相同输入对比原始 Caffe 输出与 MindSpore 推理输出，确认误差范围	提前发现转换带来精度偏移

提示：Caffe 模型转换得到 MINDIR 之后，必须做推理结果比对验证，不能仅看转换返回成功就直接上线。

5 FAQ 常见问题

Q1：转换报错提示 parse node failed？ A：日志打印 caffe_model_parser 解析失败，代表存在不支持的 Caffe 层 / 特殊参数。方案：修改 prototxt 替换为标准算子；开发自定义 NodeParser 解析器；向社区提交 issue 反馈算子需求。

Q2：转换成功，但推理输出结果完全不对？ A：排查三点：1）输入图像预处理（归一化、BGR/RGB 顺序）是否和原始 Caffe 完全一致；2）NCHW 输入维度是否匹配；3）caffemodel 权重文件版本、训练版本是否和 prototxt 一一对应。

Q3：Caffe 大模型（大 CV 网络）可以直接转换吗？ A：卷积类 CV 网络可以；Caffe 框架本身不支持 Transformer 大语言模型，不能把 LLM 交给 Caffe 转换器。

Q4：转换得到 MINDIR 如何部署到 MindIE？ A：MINDIR 经过 ATC 编译生成 om 离线模型，om 模型可以导入 MindIE 做推理服务部署。

Q5：prototxt 与 caffemodel 版本不匹配会发生什么？ A：转换过程可能无报错，但权重错乱，推理结果完全不可用，务必保证两个文件来自同一轮训练导出。

7 总结

昇思 MindSpore 生态借助 MindSpore‑Lite Converter 转换器，支持原始框架类型为 Caffe 的存量 CV 模型转换。转换流程：输入 prototxt 网络结构 + caffemodel 权重，解析映射生成 MindSpore 原生 MINDIR 中间表示；MINDIR 既可以在 MindSpore 完成推理验证，也可以经过 ATC 编译得到 om 离线模型，部署在昇腾 NPU 硬件。

转换开发中要注意 Caffe 算子支持范围，遇到自定义层会解析失败，需要替换算子或者扩展 Parser；转换成功不等于业务可用，必须做推理精度比对校验。