Introdução aos microcontroladores

Neste documento, explicamos como treinar um modelo e executar a inferência usando um microcontrolador.

O exemplo "Hello World"

O exemplo Hello World foi criado para demonstrar os conceitos básicos absolutos do uso do TensorFlow Lite para microcontroladores. Treinamos e executamos um modelo que replica uma função seno, ou seja, ele usa um único número como entrada e gera o valor seno do número. Quando implantadas no microcontrolador, as previsões são usadas para piscar LEDs ou controlar uma animação.

O fluxo de trabalho de ponta a ponta envolve as seguintes etapas:

  1. Treinar um modelo (em Python): um arquivo Python para treinar, converter e otimizar um modelo para uso no dispositivo.
  2. Executar inferência (no C++ 17): um teste de unidade completo que executa inferência no modelo usando a biblioteca C++.

Use um dispositivo com suporte

O aplicativo de exemplo que usaremos foi testado nos seguintes dispositivos:

Saiba mais sobre plataformas compatíveis no TensorFlow Lite para microcontroladores.

Treinar um modelo

Use train.py (em inglês) para o treinamento do modelo "Hello World" para reconhecimento de sinwave.

Executar: bazel build tensorflow/lite/micro/examples/hello_world:train bazel-bin/tensorflow/lite/micro/examples/hello_world/train --save_tf_model --save_dir=/tmp/model_created/

Executar inferência

Para executar o modelo no seu dispositivo, vamos seguir as instruções no README.md:

README.md Hello World

As seções a seguir mostram o teste de unidade evaluate_test.cc, de exemplo, que demonstra como executar inferência usando o TensorFlow Lite para microcontroladores. Ela carrega o modelo e executa a inferência várias vezes.

1. Incluir os cabeçalhos da biblioteca

Para usar a biblioteca TensorFlow Lite para microcontroladores, precisamos incluir os arquivos principais abaixo:

#include "tensorflow/lite/micro/micro_mutable_op_resolver.h"
#include "tensorflow/lite/micro/micro_error_reporter.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/schema/schema_generated.h"
#include "tensorflow/lite/version.h"

2. Incluir o cabeçalho do modelo

O intérprete do TensorFlow Lite para microcontroladores espera que o modelo seja fornecido como uma matriz C++. O modelo é definido nos arquivos model.h e model.cc. O cabeçalho é incluído com a seguinte linha:

#include "tensorflow/lite/micro/examples/hello_world/model.h"

3. Incluir o cabeçalho da estrutura de teste de unidade

Para criar um teste de unidade, incluímos a estrutura de teste de unidade do TensorFlow Lite para microcontroladores com a seguinte linha:

#include "tensorflow/lite/micro/testing/micro_test.h"

O teste é definido usando as seguintes macros:

TF_LITE_MICRO_TESTS_BEGIN

TF_LITE_MICRO_TEST(LoadModelAndPerformInference) {
  . // add code here
  .
}

TF_LITE_MICRO_TESTS_END

Agora, discutiremos o código incluído na macro acima.

4. Configurar a geração de registros

Para configurar a geração de registros, um ponteiro tflite::ErrorReporter é criado usando um ponteiro para uma instância tflite::MicroErrorReporter:

tflite::MicroErrorReporter micro_error_reporter;
tflite::ErrorReporter* error_reporter = &micro_error_reporter;

Essa variável será transmitida para o intérprete, o que permite que ele grave registros. Como os microcontroladores geralmente têm diversos mecanismos de geração de registros, a implementação de tflite::MicroErrorReporter é projetada para ser personalizada para seu dispositivo específico.

5. Carregar um modelo

No código a seguir, o modelo é instanciado usando dados de uma matriz char, g_model, que é declarada em model.h. Em seguida, verificamos o modelo para garantir que a versão do esquema dele é compatível com a que estamos usando:

const tflite::Model* model = ::tflite::GetModel(g_model);
if (model->version() != TFLITE_SCHEMA_VERSION) {
  TF_LITE_REPORT_ERROR(error_reporter,
      "Model provided is schema version %d not equal "
      "to supported version %d.\n",
      model->version(), TFLITE_SCHEMA_VERSION);
}

6. Instanciar o resolvedor de operações

Uma instância MicroMutableOpResolver é declarada. Isso será usado pelo intérprete para registrar e acessar as operações usadas pelo modelo:

using HelloWorldOpResolver = tflite::MicroMutableOpResolver<1>;

TfLiteStatus RegisterOps(HelloWorldOpResolver& op_resolver) {
  TF_LITE_ENSURE_STATUS(op_resolver.AddFullyConnected());
  return kTfLiteOk;

O MicroMutableOpResolver exige um parâmetro de modelo que indica o número de operações que serão registradas. A função RegisterOps registra as operações com o resolvedor.

HelloWorldOpResolver op_resolver;
TF_LITE_ENSURE_STATUS(RegisterOps(op_resolver));

7. Alocar memória

Precisamos pré-alocar uma determinada quantidade de memória para matrizes de entrada, saída e intermediárias. Isso é fornecido como uma matriz uint8_t de tamanho tensor_arena_size:

const int tensor_arena_size = 2 * 1024;
uint8_t tensor_arena[tensor_arena_size];

O tamanho necessário dependerá do modelo que você estiver usando e pode precisar ser determinado por experimentação.

8. Instanciar intérprete

Criamos uma instância tflite::MicroInterpreter, transmitindo as variáveis criadas anteriormente:

tflite::MicroInterpreter interpreter(model, resolver, tensor_arena,
                                     tensor_arena_size, error_reporter);

9. Alocar tensores

Orientamos o intérprete a alocar memória do tensor_arena para os tensores do modelo:

interpreter.AllocateTensors();

10. Validar forma de entrada

A instância MicroInterpreter pode fornecer um ponteiro para o tensor de entrada do modelo chamando .input(0), em que 0 representa o primeiro (e único) tensor de entrada:

  // Obtain a pointer to the model's input tensor
  TfLiteTensor* input = interpreter.input(0);

Em seguida, inspecionamos esse tensor para confirmar se a forma e o tipo dele são atendidos:

// Make sure the input has the properties we expect
TF_LITE_MICRO_EXPECT_NE(nullptr, input);
// The property "dims" tells us the tensor's shape. It has one element for
// each dimension. Our input is a 2D tensor containing 1 element, so "dims"
// should have size 2.
TF_LITE_MICRO_EXPECT_EQ(2, input->dims->size);
// The value of each element gives the length of the corresponding tensor.
// We should expect two single element tensors (one is contained within the
// other).
TF_LITE_MICRO_EXPECT_EQ(1, input->dims->data[0]);
TF_LITE_MICRO_EXPECT_EQ(1, input->dims->data[1]);
// The input is a 32 bit floating point value
TF_LITE_MICRO_EXPECT_EQ(kTfLiteFloat32, input->type);

O valor de enumeração kTfLiteFloat32 é uma referência a um dos tipos de dados do TensorFlow Lite e é definido em common.h.

11. Forneça um valor de entrada

Para fornecer uma entrada para o modelo, definimos o conteúdo do tensor de entrada da seguinte maneira:

input->data.f[0] = 0.;

Nesse caso, inserimos um valor de ponto flutuante que representa 0.

12. Executar o modelo

Para executar o modelo, podemos chamar Invoke() na instância tflite::MicroInterpreter:

TfLiteStatus invoke_status = interpreter.Invoke();
if (invoke_status != kTfLiteOk) {
  TF_LITE_REPORT_ERROR(error_reporter, "Invoke failed\n");
}

Podemos verificar o valor de retorno, uma TfLiteStatus, para determinar se a execução foi bem-sucedida. Os valores possíveis de TfLiteStatus, definidos em common.h, são kTfLiteOk e kTfLiteError.

O código a seguir declara que o valor é kTfLiteOk, o que significa que a inferência foi executada.

TF_LITE_MICRO_EXPECT_EQ(kTfLiteOk, invoke_status);

13. Acessar a saída

O tensor de saída do modelo pode ser obtido chamando output(0) no tflite::MicroInterpreter, em que 0 representa o primeiro (e único) tensor de saída.

No exemplo, a saída do modelo é um único valor de ponto flutuante contido em um tensor 2D:

TfLiteTensor* output = interpreter.output(0);
TF_LITE_MICRO_EXPECT_EQ(2, output->dims->size);
TF_LITE_MICRO_EXPECT_EQ(1, input->dims->data[0]);
TF_LITE_MICRO_EXPECT_EQ(1, input->dims->data[1]);
TF_LITE_MICRO_EXPECT_EQ(kTfLiteFloat32, output->type);

Podemos ler o valor diretamente do tensor de saída e declarar que é o que esperamos:

// Obtain the output value from the tensor
float value = output->data.f[0];
// Check that the output value is within 0.05 of the expected value
TF_LITE_MICRO_EXPECT_NEAR(0., value, 0.05);

14. Executar inferência novamente

O restante do código executa a inferência várias outras vezes. Em cada instância, atribuímos um valor ao tensor de entrada, invocamos o intérprete e lemos o resultado do tensor de saída:

input->data.f[0] = 1.;
interpreter.Invoke();
value = output->data.f[0];
TF_LITE_MICRO_EXPECT_NEAR(0.841, value, 0.05);

input->data.f[0] = 3.;
interpreter.Invoke();
value = output->data.f[0];
TF_LITE_MICRO_EXPECT_NEAR(0.141, value, 0.05);

input->data.f[0] = 5.;
interpreter.Invoke();
value = output->data.f[0];
TF_LITE_MICRO_EXPECT_NEAR(-0.959, value, 0.05);