导出序列化模型文件（Dump）¶
考虑到推理部署需求，使用 dump, 即可将训练好的模型序列化到一个文件或文件对象中：
我们以使用 ResNet50 的预训练模型为例子，参考代码片段如下：
import numpy as np
import megengine.functional as F
import megengine.hub
from megengine import jit, tensor
if __name__ == "__main__":
net = megengine.hub.load("megengine/models", "resnet50", pretrained=True)
net.eval()
@jit.trace(symbolic=True, capture_as_const=True)
def fun(data, *, net):
pred = net(data)
pred_normalized = F.softmax(pred)
return pred_normalized
data = tensor(np.random.random([1, 3, 224, 224]).astype(np.float32))
fun(data, net=net)
fun.dump("resnet50.mge", arg_names=["data"])
执行脚本，并完成模型转换后，我们就获得了 MegEngine C++ API 可识别的预训练模型文件 resnet50.mge .
Dump 常用参数说明¶
使用 dump 时，可传入多个参数，其中最常用的有如下两个：
arg_names在序列化的时候统一设置模型输入 Tensor 的名字。由于不同的模型的差异，会导致输入 Tensor 的名字千差万别。 为了减少理解和使用难度，可使用此参数统一设置模型输入为诸如
arg_0,arg_1, …optimize_for_inference训练出的模型往往在部署时不能发挥最优的性能， 而我们提供
optimize_for_inference来保证序列化出的模型是经特定优化的。 详细的键值参数可见下方的 推理优化选项表 .
警告
optimize_for_inference 参数默认是 True ，
所以即使不给任何键值优化参数，仍然会做一些基础的优化操作，
这会导致序列化出来的模型相较之前的定义有细微的差别。
Dump 带有测试数据的模型文件¶
使用 dump 时，设置如下参数：
input_data这是一个字符串列表，列表中的每个字符串都代表一组测试数据。
字符串支持三种格式：
var0:file0;var1:file1...指定每个输入变量对应的文件名。文件可以是能被 opencv 加载的图片，也可以是 numpy.ndarray 的 pickle 文件。如果只有一个输入，输入的变量名可以省略。var0:#rand(min, max, shape);var1:#rand...指定每个输入变量的数据随机生成方式，形状是shape，值域是[min, max)。例如rand(0, 255),rand(0, 255, 1, 3, 224, 224)或#rand(0, 255, 1, ...)（其中...表示 shape 的剩余部分）。如果形状没有被指定，就会使用网络中输入张量的形状。如果只有一个输入，输入的变量名可以省略。@filename指定输入文件名，文件中的每一行都是一个符合上面两种格式的字符串。
更多相关的参数设置，请参考 dump.
推理优化选项表¶
--enable-io16xc32采用 float16 作为算子之间的数据传输类型，使用 float32 作为计算类型。
--enable-ioc16采用 float16 作为算子之间的数据传输类型以及计算类型。
--enable-fuse-conv-bias-nonlinearity是否融合 conv+bias+nonlinearity。
--enalbe-hwcd4采用 hwcd4 数据布局。
--enable-nchw88采用 nchw88 数据布局。
--enable-nchw44采用 nchw44 数据布局。
--enable-nchw44-dot采用 nchw44_dot 数据布局。
--enable-nchw32采用 nchw32 数据布局。
--enable-chwn4采用 chwn4 数据布局。
--enable-fuse-conv-bias-with-z仅在使用 GPU 平台下可用，把 conv，bias (elemwise add)，z(elemwise add) 融合成一个算子。