เริ่มต้นใช้งานไมโครคอนโทรลเลอร์

เอกสารนี้อธิบายวิธีฝึกโมเดลและเรียกใช้การอนุมานโดยใช้ไมโครคอนโทรลเลอร์

ตัวอย่าง Hello World

ตัวอย่าง Hello World ออกแบบมาเพื่อแสดงพื้นฐานที่แท้จริงของการใช้ TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์ เราฝึกและเรียกใช้โมเดลที่จำลองฟังก์ชัน sine กล่าวคือ จะใช้ตัวเลขเดียวเป็นอินพุตและเอาต์พุตค่า sine ของตัวเลข เมื่อนำไปใช้กับไมโครคอนโทรลเลอร์ ระบบจะใช้การคาดคะเนเพื่อกะพริบไฟ LED หรือควบคุมภาพเคลื่อนไหว

เวิร์กโฟลว์ตั้งแต่ต้นจนจบเกี่ยวข้องกับขั้นตอนต่อไปนี้

  1. ฝึกโมเดล (ใน Python): ไฟล์ Python เพื่อฝึก แปลง และเพิ่มประสิทธิภาพโมเดลสำหรับการใช้งานในอุปกรณ์
  2. เรียกใช้การอนุมาน (ใน C++ 17): การทดสอบหน่วยโฆษณาจากต้นทางถึงปลายทางที่ทำการอนุมานโมเดลโดยใช้ไลบรารี C++

ซื้ออุปกรณ์ที่รองรับ

แอปพลิเคชันตัวอย่างที่เราจะใช้ได้รับการทดสอบในอุปกรณ์ต่อไปนี้

ดูข้อมูลเพิ่มเติมเกี่ยวกับแพลตฟอร์มที่รองรับใน TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์

ฝึกการใช้งานโมเดล

ใช้ train.py สำหรับการฝึกโมเดล hello World สำหรับการจดจำซินเวฟ

เรียกใช้: 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/

เรียกใช้การอนุมาน

หากต้องการเรียกใช้โมเดลในอุปกรณ์ของคุณ เราจะทําตามวิธีการใน README.md ดังนี้

สวัสดี World README.md

ส่วนต่อไปนี้จะอธิบายตัวอย่าง evaluate_test.cc ซึ่งเป็นการทดสอบ 1 หน่วยซึ่งแสดงวิธีเรียกใช้การอนุมานโดยใช้ TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์ โดยจะโหลดโมเดลและทำการอนุมานหลายครั้ง

1. รวมส่วนหัวของไลบรารี

คุณต้องใส่ไฟล์ส่วนหัวต่อไปนี้เพื่อใช้ไลบรารี TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์

#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"
  • micro_mutable_op_resolver.h ระบุการดำเนินการที่ล่ามใช้เพื่อเรียกใช้โมเดล
  • micro_error_reporter.h แสดงข้อมูลการแก้ไขข้อบกพร่อง
  • micro_interpreter.h มีโค้ดสำหรับโหลดและเรียกใช้โมเดล
  • schema_generated.h มีสคีมาสำหรับรูปแบบไฟล์โมเดล TensorFlow Lite FlatBuffer
  • version.h ให้ข้อมูลการกำหนดเวอร์ชันสำหรับสคีมา TensorFlow Lite

2. รวมส่วนหัวของรุ่น

อินเทอร์พรีเตอร์ของ TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์คาดว่าระบบจะจัดเตรียมโมเดลนี้เป็นอาร์เรย์ C++ โมเดลนี้กำหนดไว้ในไฟล์ model.h และ model.cc ส่วนหัวจะรวมอยู่ในบรรทัดต่อไปนี้:

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

3. ใส่ส่วนหัวของเฟรมเวิร์กการทดสอบหน่วย

เราได้รวมเฟรมเวิร์กการทดสอบหน่วยของ TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์โดยใส่บรรทัดต่อไปนี้เพื่อสร้างการทดสอบ 1 หน่วย

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

การทดสอบจะกำหนดโดยใช้มาโครต่อไปนี้

TF_LITE_MICRO_TESTS_BEGIN

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

TF_LITE_MICRO_TESTS_END

ตอนนี้เราจะพูดถึงโค้ดที่รวมอยู่ในมาโครด้านบน

4. ตั้งค่าการบันทึก

หากต้องการตั้งค่าการบันทึก ระบบจะสร้างตัวชี้ tflite::ErrorReporter โดยใช้ตัวชี้ไปยังอินสแตนซ์ tflite::MicroErrorReporter ดังนี้

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

ระบบจะส่งตัวแปรนี้ไปยังล่าม ซึ่งช่วยให้เขียนบันทึกได้ เนื่องจากไมโครคอนโทรลเลอร์มักมีกลไกการบันทึกที่หลากหลาย การใช้งาน tflite::MicroErrorReporter จึงออกแบบมาเพื่อปรับแต่งสำหรับอุปกรณ์ของคุณโดยเฉพาะ

5. โหลดโมเดล

ในโค้ดต่อไปนี้ โมเดลจะได้รับการสร้างอินสแตนซ์โดยใช้ข้อมูลจากอาร์เรย์ char g_model ซึ่งประกาศใน model.h จากนั้นเราจะตรวจสอบโมเดลเพื่อให้แน่ใจว่าเวอร์ชันสคีมา เข้ากันได้กับเวอร์ชันที่เราใช้ ดังนี้

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. รีโซลเวอร์การดำเนินการของอินสแตนซ์

ประกาศอินสแตนซ์ MicroMutableOpResolver แล้ว ล่ามจะใช้รายการนี้เพื่อลงทะเบียนและเข้าถึงการดำเนินการที่โมเดลใช้

using HelloWorldOpResolver = tflite::MicroMutableOpResolver<1>;

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

MicroMutableOpResolver ต้องมีพารามิเตอร์เทมเพลตซึ่งระบุจำนวนการดำเนินการที่จะบันทึก ฟังก์ชัน RegisterOps จะลงทะเบียนการดำเนินการด้วยรีโซลเวอร์

HelloWorldOpResolver op_resolver;
TF_LITE_ENSURE_STATUS(RegisterOps(op_resolver));

7. จัดสรรหน่วยความจำ

เราจำเป็นต้องจัดสรรหน่วยความจำจำนวนหนึ่งไว้ล่วงหน้าสำหรับอินพุต เอาต์พุต และอาร์เรย์กลาง ซึ่งมีการระบุเป็นอาร์เรย์ uint8_t ที่มีขนาด tensor_arena_size:

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

ขนาดที่กำหนดจะขึ้นอยู่กับโมเดลที่คุณใช้ และอาจต้องกำหนดโดยการทดสอบ

8. อินสแตนท์อินเทอร์พรีเตอร์

เราสร้างอินสแตนซ์ tflite::MicroInterpreter แล้วส่งผ่านตัวแปรที่สร้างขึ้นก่อนหน้านี้

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

9. จัดสรร Tensor

เราจะบอกอินเทอร์พรีเตอร์ให้จัดสรรหน่วยความจำจาก tensor_arena สำหรับ Tensor ของโมเดล ดังนี้

interpreter.AllocateTensors();

10. ตรวจสอบรูปร่างอินพุต

อินสแตนซ์ MicroInterpreter จะมีตัวชี้ไปยัง tensor อินพุตของโมเดลได้โดยการเรียกใช้ .input(0) โดยที่ 0 แสดงถึง Tensor อินพุตแรก (และเท่านั้น) ดังนี้

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

จากนั้นเราจะตรวจสอบ Tensor นี้เพื่อยืนยันว่ารูปร่างและชนิดของ Tensor เป็นไปตามที่เราคาดหวัง

// 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);

ค่า enum kTfLiteFloat32 เป็นการอ้างอิงถึงประเภทข้อมูล TensorFlow Lite แบบใดแบบหนึ่งและมีการกำหนดไว้ใน common.h

11. ระบุค่าอินพุต

ในการป้อนอินพุตไปยังโมเดล เราจะตั้งค่าเนื้อหาของ Tensor อินพุตดังนี้

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

ในกรณีนี้ เราจะป้อนค่าทศนิยมที่แสดงถึง 0

12. เรียกใช้โมเดล

หากต้องการเรียกใช้โมเดล เราสามารถเรียกใช้ Invoke() บนอินสแตนซ์ tflite::MicroInterpreter ของเราได้ ดังนี้

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

เราสามารถตรวจสอบค่าผลลัพธ์ TfLiteStatus เพื่อระบุว่าการเรียกใช้สำเร็จหรือไม่ ค่าที่เป็นไปได้ของ TfLiteStatus ซึ่งกำหนดไว้ใน common.h คือ kTfLiteOk และ kTfLiteError

โค้ดต่อไปนี้ยืนยันว่าค่าคือ kTfLiteOk ซึ่งหมายความว่าการอนุมานเสร็จสมบูรณ์แล้ว

TF_LITE_MICRO_EXPECT_EQ(kTfLiteOk, invoke_status);

13. รับเอาต์พุต

คุณจะรับ tensor เอาต์พุตของโมเดลได้โดยการเรียกใช้ output(0) ใน tflite::MicroInterpreter โดยที่ 0 แสดงถึง Tensor เอาต์พุตแรก (และเท่านั้น)

ในตัวอย่างนี้ เอาต์พุตของโมเดลคือค่าทศนิยมค่าเดียวที่อยู่ใน tensor แบบ 2 มิติ ดังนี้

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);

เราอ่านค่าจาก Tensor เอาต์พุตได้โดยตรงและยืนยันว่าเป็นค่าที่เราคาดหวัง

// 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. เรียกใช้การอนุมานอีกครั้ง

ส่วนที่เหลือของโค้ดจะมีการอนุมานอีกหลายครั้ง ในแต่ละอินสแตนซ์ เราจะกำหนดค่าให้กับ Tensor อินพุต เรียกใช้อินเตอร์พรีเตอร์ และอ่านผลลัพธ์จาก Tensor เอาต์พุต ดังนี้

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);