NCNN模型与转换前的Pytorch(pt)模型预测结果有差异

[MyNameIsShort]

detail | 详细描述 | 詳細な説明

Pytorch(LPRNet)训练的车牌识别模型(pt)，由pnnx转换为ncnn(bin,param)，在大部分情况下预测结果是一样的 问题： 如果在数据集中挑出一张车牌图像，在车牌字符下方涂画几笔

• 使用原pt模型或recognize_trace_pnnx.py中export_torchscript函数生成的pt模型预测结果正确
• 用NCNN框架进行预测，结果错误

诉求：请问是转换过程中的精度缺失，或是使用过程中哪个细节没有做好导致的吗，有办法优化吗？

[wzyforgit]

1.首先确保你输入模型的矩阵是一样的 2.pnnx转换的时候，默认会量化到fp16，可能是因为这个，需要设置为原始精度转出再试试（转模型的时候加一个fp16=0的参数）

[MyNameIsShort]

我的问题。输入矩阵在前文问题中提到的图片处理后高度多了一像素

[MyNameIsShort]

前提：满足下列条件：

1. 输入模型的矩阵是一样的
2. fp16=0

问题1：使用C++与Python API (NCNN) 预测的结果不一致，有些差别，Python的预测结果更为精确。 如：

• 正确车牌号为XSM350，Python：XSM350；C++：ASM350
• 正确车牌号为TYH695，Python：TYMH695；C++：TYM693

请问这个问题和输入预处理或者后处理有关系吗

问题2：NCNN与转换前的Pytorch(pt)模型还是有差异，pt模型预测的正确率更高

[nihui]

https://github.com/Tencent/ncnn/wiki/FAQ-ncnn-produce-wrong-result

尝试使用resize好的bmp图片，完全确保图片解码后数据是一致的