01前言

在大多數(shù)情況下，實用的機器學習算法需要大量計算資源（CPU 運算周期和內(nèi)存占用）。不過，TensorFlow Lite 近期推出了一個實驗版本，可在多款微控制器上運行。倘若我們能構建出適用于資源受限設備的模型，便能著手將嵌入式系統(tǒng)改造為小型機器學習（TinyML）設備。

TensorFlow Lite Micro（簡稱 TFLM）是一款開源的機器學習推理框架，專為在嵌入式系統(tǒng)上運行深度學習模型而設計。由于嵌入式系統(tǒng)存在資源受限的問題，且碎片化現(xiàn)象導致跨平臺互操作性幾乎無法實現(xiàn)，而 TFLM 恰好滿足了相關效率要求。該框架采用基于解釋器的設計方案，既能克服這些獨特挑戰(zhàn)，又能提供良好的靈活性。

圖 1：一個包含兩層的簡易深度學習網(wǎng)絡

02開發(fā)

開發(fā) TFLM 應用的第一步是在內(nèi)存中創(chuàng)建一個有效的神經(jīng)網(wǎng)絡模型對象。應用開發(fā)者需通過客戶端 API 創(chuàng)建一個 “算子解析器”（operator resolver）對象。該 “算子解析器”（OpResolver）API 會控制與最終二進制文件關聯(lián)的算子，并最大限度減小文件體積。

第二步是提供一塊連續(xù)的內(nèi)存 “區(qū)域”（arena），用于存儲解釋器所需的中間結果和其他各類變量。這一步是必不可少的，因為嵌入式設備默認不支持動態(tài)內(nèi)存分配。

第三步是創(chuàng)建一個編譯示例，并將模型、算子解析器和內(nèi)存區(qū)域作為參數(shù)傳入。編譯器會在初始化階段，將運行所需的所有內(nèi)存分配到該內(nèi)存區(qū)域中。我們避免進行任何動態(tài)內(nèi)存分配，以防止棧碎片化導致長期運行的應用程序出現(xiàn)錯誤。觸發(fā)式應用可在模型評估階段分配所需內(nèi)存，因此此時會調(diào)用算子初始化函數(shù)，并將其占用的內(nèi)存轉移至解釋器中。應用程序提供的算子解析器（OpResolver）會將序列化模型中列出的算子類型，映射到對應的執(zhí)行函數(shù)。C 語言 API 調(diào)用負責管控解釋器與算子之間的所有通信，確保算子的實現(xiàn)具備模塊化特性，且獨立于解釋器的內(nèi)部細節(jié)。這種設計方案不僅能讓開發(fā)者輕松地將算子執(zhí)行器實現(xiàn)替換為優(yōu)化版本，還能更便捷地復用其他系統(tǒng)的算子執(zhí)行庫（例如，作為代碼生成項目的一部分）。

第四步是執(zhí)行階段。應用程序先獲取指向代表模型輸入的內(nèi)存區(qū)域指針，然后為其填充數(shù)據(jù)（這些數(shù)據(jù)通常來源于傳感器或其他用戶提供的輸入）。輸入數(shù)據(jù)準備就緒后，應用程序調(diào)用解釋器來執(zhí)行模型計算。該過程包括：遍歷按拓撲結構排序的算子、利用內(nèi)存規(guī)劃階段計算得到的偏移量定位輸入與輸出數(shù)據(jù)、以及為每個算子調(diào)用對應的評估執(zhí)行函數(shù)。

最后，當所有算子評估執(zhí)行完成后，解釋器會將控制權交還給應用程序。大多數(shù)微控制器（MCU）都是單線程架構，依靠中斷來處理緊急任務，這種方式是完全可行的。不過，應用程序仍可在單線程上運行，且特定于平臺的算子仍能在多個處理器之間分配計算任務。當解釋器調(diào)用完成后，應用程序可向解釋器查詢包含模型計算輸出結果的數(shù)組所在位置，隨后即可使用該輸出結果。

圖 2：實現(xiàn)模塊概述

03部署

使用 Keras 或 TensorFlow 構建的模型，需要先轉換為 TensorFlow Lite 格式并導出，才能部署到微控制器上運行。我們可以借助 TensorFlow Lite Converter 的 Python API 來完成這項轉換工作。該 API 會接收我們的 Keras 模型，并將其以 FlatBuffer 格式寫入磁盤 ——FlatBuffer 是一種專為提升空間利用率而設計的特殊文件格式。由于我們要部署的目標設備是內(nèi)存受限的微控制器，這種高效的文件格式將會大有用處。

要將模型部署到 STM32 微控制器和 Arduino 平臺，我們可以使用 EloquentTinyML 庫來實現(xiàn)無縫部署。這是一款專為在微控制器上運行 TinyML 模型而設計的庫，能夠讓開發(fā)者無需應對復雜的編譯流程，也無需排查晦澀難懂的報錯信息。

你首先必須安裝該庫的最新版本（如果 0.0.5 版本不可用，可選擇 0.0.4 版本），安裝方式既可以通過庫管理器（Library Manager）完成，也可以直接從 Github 平臺下載安裝。

04示例代碼

以下是用于在 STM32 和 Arduino 微控制器上運行并部署數(shù)字識別 TinyML 模型的示例代碼。

向上滑動閱覽

#include


// copy the printed code from tinymlgen into this file
#include"digits_model.h"


#defineNUMBER_OF_INPUTS 64
#defineNUMBER_OF_OUTPUTS 10
#defineTENSOR_ARENA_SIZE 8*1024


Eloquent::TfLite ml;


voidsetup(){
Serial.begin(115200);
ml.begin(digits_model);
}


voidloop(){
// a random sample from the MNIST dataset (precisely the last one)
floatx_test[64] = {0.,0.,0.625,0.875,0.5 ,0.0625,0.,0.,
0.,0.125,1.,0.875,0.375,0.0625,0.,0.,
0.,0.,0.9375,0.9375,0.5 ,0.9375,0.,0.,
0.,0.,0.3125,1.,1.,0.625,0.,0.,
0.,0.,0.75 ,0.9375,0.9375,0.75 ,0.,0.,
0.,0.25 ,1.,0.375,0.25 ,1.,0.375,0.,
0.,0.5 ,1.,0.625,0.5 ,1.,0.5 ,0.,
0.,0.0625,0.5 ,0.75 ,0.875,0.75 ,0.0625,0.};
// the output vector for the model predictions
floaty_pred[10] = {0};
// the actual class of the sample
inty_test =8;


// let's see how long it takes to classify the sample
uint32_tstart =micros();


ml.predict(x_test, y_pred);


uint32_ttimeit =micros() - start;


Serial.print("It took ");
Serial.print(timeit);
Serial.println(" micros to run inference");


// let's print the raw predictions for all the classes
// these values are not directly interpretable as probabilities!
Serial.print("Test output is: ");
Serial.println(y_test);
Serial.print("Predicted proba are: ");


for(inti =0; i 
 

	

	歡迎您點擊“閱讀原文”訪問e絡盟官網(wǎng)。如有任何業(yè)務、訂購相關問題，歡迎撥打全國客服熱線：4008205857咨詢e絡盟相關產(chǎn)品。