–framework, -f

原模型的框架，caffe，onnx，pytorch，tensorflow，pytorch可以使用简写pt，tensorflow可以使用简写tf

example:

--framework caffe
-f onnx
-f pt
-f tf

–model

原模型的模型文件，对于不同的框架，指代的文件不同，对于caffe模型，还需要使用参数–proto指定prototxt模型文件

# for caffe
--model resnet50.caffemodel --proto resnet50.prototxt
# for onnx
--model resnet50.onnx
# for pytorch
-m resnet50_jit.pt
# for tensorflow
-m resnet50.pb

–proto

caffe 模型的prototxt文件

--proto resnet50.prototxt

–output_model

生成mm模型的输出目录，当未指定的时候，默认生成原模型名字相同，增加.mm后缀，例如models/resnet50.onnx，会生成resnet50.onnx.mm的模型

--output_model model.mm

–archs

通过指定archs，指定生成mlu370或者3226的模型，并指定多核优化,使用方法
指定生成3226的模型

--archs mtp_322

指定生成3226和370的模型

--archs mtp_322 mtp_372

指定生成3226模型，和370 8核模型

--archs mtp_322 mtp_372:8

指定生成3703226模型，和370 6核和8核模型

--archs mtp_322 mtp_372:6,8

对于3226(单核)，无须设置多核优化，对于370-s4(6核)，建议设置mtp_372:6，对于370-s4(8核)，建议设置mtp_372:8

–input_shapes

使用–input_shapes设置网络输入的shape，会自动设置网络的输入shape不可变，提升网络的性能，如需生成可变模型，请设置graph_shape_mutable=true

输入1的shape是1,3,224,224

--input_shapes 1,3,224,224

输入1的shape是1,128, 输入2的shape是1,256，输入3的shape是1,123

--input_shapes 1,128 1,256 1,123

输入1的shape是1,3,224,224，并指定输入shape可变

--input_shapes 1,3,224,224 \
--graph_shape_mutable true

–graph_shape_mutable

输入可变

--graph_shape_mutable true

输入不可变

--graph_shape_mutable false