1、caffe使用的是float运算，NNIE使用int8\16，转换时精度会有损失，若量化精度损失不可接受的情况下，需要带量化去重新训练以降低量化误差。

2、NNIE包含Convolution、Deconvolution（逆卷积）、DepthwiseConv、pooling、InnerProduct。

Deconvolution（逆卷积）：一般和转置卷积（transposed conv）、微步卷积（fractionally strided conv）的叫法等价。deconv最大的作用是对feature map进行升采样。顾名思义，Deconvolution（逆卷积、去卷积）似乎应该是卷积（conv）的逆过程，然而实际上除了shape层面之外，二者在数值上没有任何可逆关系。deconv仅仅是一个普通的卷积层，在神经网络中也是需要通过梯度下降去学习的。所以，对于每个deconv层，我们实际上也能用另外一个deconv层去做恢复。（如果用conv+deconv进行穿插排列组合是不是也能创造出许多新的网络架构emmm）。

正向卷积过程(蓝色为输入x，阴影为卷积核C，绿色为输出)

对于No zero padding, unit strides, 的卷积来说，转置卷积：

 

其对应关系可以理解为正向卷积为0 padding，那么转置卷积就是full padding。 

DepthwiseConv：Depthwise Separable Convolution是将一个完整的卷积运算分解为两步进行，即Depthwise Convolution与Pointwise Convolution。合起来被称作Depthwise Separable Convolution(参见Google的Xception)，该结构和常规卷积操作类似，可用来提取特征，但相比于常规卷积操作，其参数量和运算成本较低。所以在一些轻量级网络中会碰到这种结构如MobileNet。

不同于常规卷积操作，Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积。上面所提到的常规卷积每个卷积核是同时操作输入图片的每个通道。如下图：

 

Depthwise Convolution完成后的Feature map数量与输入层的通道数相同，无法扩展Feature map。而且这种运算对输入层的每个通道独立进行卷积运算，没有有效的利用不同通道在相同空间位置上的feature信息。因此需要Pointwise Convolution来将这些Feature map进行组合生成新的Feature map。
 

Pointwise Convolution的运算与常规卷积运算非常相似，它的卷积核的尺寸为 1×1×M，M为上一层的通道数。所以这里的卷积运算会将上一步的map在深度方向上进行加权组合，生成新的Feature map。有几个卷积核就有几个输出Feature map。如下图所示。

 全连接层InnerProductLayer的原理：说白了就是矩阵乘法运算。

正向传导时输出数据等于输入数据乘上权重，如果有偏置项就再加上偏置项。写成公式就是：

 矩阵乘法在CPU端采用OpenBLAS实现，在GPU端则采用NVIDIA cuBLAS实现加速。