Update onnx2bnn_CN.md

doc/onnx2bnn_CN.md

@@ -1,28 +1,34 @@
+ONNX (Open Neural Network Exchange) 是一个独立于训练框架的模型格式，[众多框架和工具](http://onnx.ai/supported-tools) 支持 ONNX 格式。
+
 #### 模型转换流程
 
-1. 请先阅读开源版本的 [onnx 格式说明](https://github.com/onnx/onnx/blob/master/docs/IR.md);
-2. 读取所有参数和 Layer。对于二值卷积，把参数转为二进制格式。
-```
-    bin_val = 1 if float_val > 0.0f else 0
-```
-此处实现和 `bmxnet` 相比，在`0.0f`的处理上有差异。`bmxnet`的转换函数为：
-```
-    bin_val = 1 if float_val >= 0.0f else 0
-```
-此处和一些同学讨论过，有的认为权重刚好是 0.0f 的情况几乎不存在；也有的说如果权重是 0.0f，训练几乎失败。目前的结论是不影响。
+1. 读取所有参数和 Layer。对二值卷积的 weight 进行 bit-packing。关于 bit-packing 可以参考 [这篇文档](docs/bconv_CN.md);
+1. 修改二值卷积之后的 BN 层的权重。因为 bit 只有 1 和 0 两个值，所以二值卷积中的 -1 被用 0 表示，bitcount 可以得到一个 N-bit 操作数中，值为 1 的 bit 的数量，这忽略了 -1 的存在。具体来说，设 a 为一个 N-bit 操作数，b 为一个自然数，且
+
+> b = bitcount(a)
+
+实际上我们应该得到的值是
+
+> c = bitcount(a) - (N - bitcount(a)) = 2 * bitcount(a) - N = 2 * b - N
 
-3. 其他 Layer 正常处理。
+这个值可以经过一个对 b 的线性变换得到，因此我们将这个变换融合进二值卷积之后的 BN 层之中。
+
+具体实现在 https://github.com/JDAI-CV/dabnn/blob/master/tools/onnx2bnn/OnnxConverter.cpp#L530。
+
+1. 其他 Layer 正常处理。
 
 #### 注意事项（必看）
 
-由于`BNN`商业化程度不高，且`onnx`当前版本对`BNN`支持不够完善，模型转换过程中有些硬编码规则需要额外说明。
+由于 BNN 商业化程度不高，且 onnx 当前版本对 BNN 支持不够完善，
+
+`onnx2bnn` 依赖的是经过 dabnn 开发者自定义的 onnx，其中增加了多个 optimizer，用来识别二值卷积，具体实现可参考 https://github.com/daquexian/onnx/tree/optimizer_for_bnn/onnx/optimizer/passes 中的 dabnn_*.h
 
-1. bias 参数在转换模型的过程中会被重命名为 `{name}_conv_b`，而`kernel`权重会被重命名为`{name}_conv_w`；
+模型转换过程中有些规则或限制需要额外说明。
 
-2. 由于`onnx`当前版本还没有对应的名称，训练平台（如`PyTorch`）导出为`onnx`格式时，需要把`domain`字段设为`dabnn`以标记此层为二值卷积层；
+1. **二值卷积的输入 channel 暂时需要是 128 的倍数或 64**；
 
-3. `onnx`格式为 NCHW，而`dabnn`内置格式为 NHWC，与 `TensorFlow`/`SNPE` 一致。这么设计是为了方便后续卷积计算；
+1. 目前暂时不支持 `group` 参数。
 
-4. 二值卷积参数之和暂时需要是 64 的倍数；
+1. 由于 `onnx` 没有二值卷积的 operator，onnx2bnn 会把 `domain` 字段设为 `dabnn` 以标记此层为二值卷积层；
 
-5. `group` 必须要为 1，因此目前不支持分组卷积和`MobileNet`。
+1. `onnx` 的元素布局为 NCHW，而 `dabnn` 的元素布局为 NHWC 或 NC1HWC2。具体可以关注我们即将 publish 的 paper；