TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์

TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์ออกแบบมาเพื่อเรียกใช้โมเดลแมชชีนเลิร์นนิงบนไมโครคอนโทรลเลอร์และอุปกรณ์อื่นๆ ที่มีหน่วยความจำเพียงไม่กี่กิโลไบต์ รันไทม์หลักมีขนาดเพียง 16 KB ใน Arm Cortex M3 และรองรับการใช้งานในรุ่นพื้นฐานต่างๆ ไม่ต้องใช้การสนับสนุนระบบปฏิบัติการ ไลบรารี C หรือ C++ มาตรฐาน หรือการจัดสรรหน่วยความจำแบบไดนามิก

ทำไมไมโครคอนโทรลเลอร์จึงมีความสำคัญ

ไมโครคอนโทรลเลอร์มักเป็นอุปกรณ์ประมวลผลขนาดเล็กที่ใช้พลังงานต่ำซึ่งฝังอยู่ในฮาร์ดแวร์ที่จำเป็นต้องมีการคำนวณขั้นพื้นฐาน การนำการเรียนรู้ของเครื่องมาใช้ในไมโครคอนโทรลเลอร์ขนาดเล็ก ทำให้เราเพิ่มความอัจฉริยะของอุปกรณ์หลายพันล้านเครื่องที่เราใช้ในชีวิตได้ ซึ่งรวมถึงเครื่องใช้ไฟฟ้าในบ้านและอุปกรณ์อินเทอร์เน็ตของสรรพสิ่ง โดยไม่ต้องอาศัยฮาร์ดแวร์ราคาแพงหรือการเชื่อมต่ออินเทอร์เน็ตที่เสถียร ซึ่งมักขึ้นอยู่กับข้อจำกัดด้านแบนด์วิดท์และพลังงาน และส่งผลให้เวลาในการตอบสนองสูง วิธีนี้ช่วยรักษาความเป็นส่วนตัวได้ด้วย เนื่องจากจะไม่มีข้อมูลใดหลุดออกไปจากอุปกรณ์ ลองจินตนาการถึงเครื่องใช้อัจฉริยะที่สามารถปรับตัวเข้ากับกิจวัตรประจำวัน เซ็นเซอร์อัจฉริยะเชิงอุตสาหกรรมที่เข้าใจความแตกต่างระหว่างปัญหาต่างๆ กับการทำงานตามปกติ ตลอดจนของเล่นวิเศษที่ช่วยให้เด็กๆ เรียนรู้ได้อย่างสนุกสนานและเพลิดเพลิน

แพลตฟอร์มที่รองรับ

TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์เขียนด้วย C++ 17 และจำเป็นต้องใช้แพลตฟอร์ม 32 บิต โดยได้รับการทดสอบอย่างครอบคลุมกับโปรเซสเซอร์จำนวนมากที่ใช้สถาปัตยกรรม Arm Cortex-M Series และได้รับการพอร์ตไปยังสถาปัตยกรรมอื่นๆ ซึ่งรวมถึง ESP32 ด้วย โดยมีเฟรมเวิร์กเป็นไลบรารี Arduino และยังสร้างโปรเจ็กต์สำหรับสภาพแวดล้อม การพัฒนา เช่น Mbed ได้อีกด้วย เป็นโอเพนซอร์สและรวมอยู่ใน โปรเจ็กต์ C++ 17 ใดก็ได้

รองรับบอร์ดการพัฒนาต่อไปนี้

ดูตัวอย่าง

ตัวอย่างแอปพลิเคชันแต่ละรายการจะอยู่ใน GitHub และมีไฟล์ README.md ที่อธิบายวิธีทำให้แอปพลิเคชันใช้งานได้ในแพลตฟอร์มที่รองรับ ตัวอย่างบางส่วนยังมีบทแนะนำตั้งแต่ต้นจนจบโดยใช้แพลตฟอร์มเฉพาะดังที่แสดงด้านล่าง

ขั้นตอนการทำงาน

คุณต้องทำตามขั้นตอนต่อไปนี้เพื่อทำให้ใช้งานได้และเรียกใช้โมเดล TensorFlow บนไมโครคอนโทรลเลอร์

  1. ฝึกโมเดล
  2. เรียกใช้การอนุมานในอุปกรณ์โดยใช้ไลบรารี C++ และประมวลผลผลลัพธ์

ข้อจำกัด

TensorFlow Lite สำหรับไมโครคอนโทรลเลอร์ออกแบบมาเพื่อข้อจำกัดเฉพาะของการพัฒนาไมโครคอนโทรลเลอร์ หากคุณกำลังใช้งานอุปกรณ์ที่มีประสิทธิภาพมากกว่า (เช่น อุปกรณ์ Linux แบบฝังอย่าง Raspberry Pi) เฟรมเวิร์ก TensorFlow Lite มาตรฐานอาจผสานรวมได้ง่ายกว่า

โดยควรพิจารณาข้อจำกัดต่อไปนี้

  • รองรับชุดย่อยแบบจำกัดของการดำเนินการ TensorFlow
  • การรองรับอุปกรณ์บางกลุ่ม
  • C++ API ระดับต่ำที่ต้องการการจัดการหน่วยความจำด้วยตนเอง
  • ไม่รองรับการฝึกในอุปกรณ์

ขั้นตอนถัดไป