本文操作系统为Windows，因为Windows上的安卓模拟器选择较多，并且真机调试也比较方便；
交叉编译在Windows和Ubuntu上都进行了尝试，都可行，但是如果是Ubuntu上交叉编译之后再挪到Windows的话，容易出幺蛾子；
我目前使用的最稳定的工具版本组合是：ndk18、androidstudio4.1、cmake3.10、gradle6.5、MinGW（CodeBlocks自带）。
1.PyTorch模型转NCNN这一小节是介绍如何将自己重新训练过的PyTorch模型转成ncnn，如果没有重训练需求的话，可以直接跳过这一节。（1）整体步骤理想情况下，从PyTorch转到ncnn只需要下面两步:PyTorch转ONNXtorch.onnx._export(model,x,path,opset_version=11)ONNX转NCNN
./onnx2ncnnmodel.onnxmodel.parammodel.bin遇到问题的适合解决思路如下：
convert.png下面介绍一下我在做ChineseOCRLite中的PSENet模型转换的过程中遇到的问题。（2）实际操作的时候可能会遇到各种问题问题1：ReLU6不支持概述：ReLU6算子在转换的时候容易出现不支持的情况，需要使用其他算子替代解决：使用torch.clamp替代（虽然ReLU6可以通过组合ReLU的方式实现，但是组合得到的ReLU6在NCNN中容易转换失败，不建议使用。）defrelu6(x,inplace=True):returntorch.clamp(x,0,6)问题2：Resize算子转换问题概述：因为各个框架对Resize算子的支持都不尽相同，在转换过程中总会出现一些问题，pytorch中的interpolate算子转换成ONNX之后变成很多零散的算子，如cast、shape等，这些在ncnn里面不支持。你可以选择手动修改文件，也可以使用下面这个自动的方法：
解决：使用onnx_simplifier对onnx模型进行简化，可以合并这些零散的算子。python-monnxsimmodel.onnxmodel_sim.onnx问题3：关于转ONNX及使用onnx_simplifier过程中出现的一系列奇怪问题概述：使用不同版本的ONNX可能会遇到不同的问题，比如提示conv层无输入等（具体错误名称记不清了）。
解决：下载最新ONNX源码编译安装（onnx_simplifier中出现的一些错误也可以通过安装最新ONNX来解决）gitclone