Memulai penggunaan mikrokontroler

Dokumen ini menjelaskan cara melatih model dan menjalankan inferensi menggunakan mikrokontroler.

Contoh Hello World

Tujuan Halo Dunia dirancang untuk menunjukkan dasar-dasar mutlak penggunaan LiteRT untuk Microcontroller. Kita melatih dan menjalankan model yang mereplikasi fungsi sinus, artinya, dibutuhkan satu angka sebagai inputnya, dan menghasilkan output sine. Saat di-deploy ke mikrokontroler, prediksinya digunakan untuk mengedipkan LED atau mengontrol animasi.

Alur kerja end-to-end melibatkan langkah-langkah berikut:

  1. Latih model (di Python): File python untuk dilatih, dikonversi dan mengoptimalkan model untuk penggunaan di perangkat.
  2. Run inferensi (di C++ 17): Pengujian unit end-to-end yang menjalankan inferensi pada model menggunakan library C++.

Dapatkan perangkat yang didukung

Aplikasi contoh yang akan kita gunakan telah diuji pada perangkat berikut:

Pelajari lebih lanjut platform yang didukung di LiteRT untuk Microcontroller.

Melatih model

Gunakan train.py untuk pelatihan model halo dunia untuk pengenalan sinwave

Jalankan: 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/

Menjalankan inferensi

Untuk menjalankan model di perangkat Anda, kami akan memberikan petunjuk di README.md:

Pelanggan yang terhormat, README.md dunia

Bagian berikut akan membahas evaluate_test.cc, unit yang menunjukkan cara menjalankan inferensi menggunakan LiteRT untuk Microcontroller. Fungsi ini memuat model dan menjalankan inferensi beberapa kali.

1. Menyertakan header library

Untuk menggunakan LiteRT untuk library Microcontrollers, kita harus menyertakan file header berikut:

#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. Sertakan header model

Penerjemah LiteRT untuk Microcontrollers mengharapkan model menjadi yang disediakan sebagai array C++. Model ditentukan dalam file model.h dan model.cc. Header disertakan dengan baris berikut:

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

3. Menyertakan header framework pengujian unit

Untuk membuat pengujian unit, kita menyertakan LiteRT untuk Framework pengujian unit pengontrol mikro dengan menyertakan baris berikut:

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

Pengujian ditentukan menggunakan makro berikut:

TF_LITE_MICRO_TESTS_BEGIN

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

TF_LITE_MICRO_TESTS_END

Sekarang kita membahas kode yang disertakan dalam makro di atas.

4. Menyiapkan logging

Untuk menyiapkan logging, pointer tflite::ErrorReporter dibuat menggunakan pointer ke instance tflite::MicroErrorReporter:

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

Variabel ini akan diteruskan ke penafsir, yang memungkinkannya menulis log. Karena mikrokontroler sering memiliki berbagai mekanisme untuk {i>logging<i}, penerapan tflite::MicroErrorReporter dirancang agar disesuaikan untuk di perangkat khusus Anda.

5. Muat model

Dalam kode berikut, instance model dibuat menggunakan data dari array char, g_model, yang dideklarasikan di model.h. Kemudian, kita memeriksa model untuk memastikan versi skema kompatibel dengan versi yang kami gunakan:

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. Membuat instance operasi resolver

J MicroMutableOpResolver atau instance dideklarasikan. Ini akan digunakan oleh penerjemah untuk mendaftarkan dan mengakses operasi yang digunakan oleh model:

using HelloWorldOpResolver = tflite::MicroMutableOpResolver<1>;

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

MicroMutableOpResolver memerlukan parameter template yang menunjukkan angka yang akan didaftarkan. Fungsi RegisterOps mendaftarkan operasi dengan resolver.

HelloWorldOpResolver op_resolver;
TF_LITE_ENSURE_STATUS(RegisterOps(op_resolver));

7. Alokasikan memori

Kita perlu mengalokasikan sejumlah memori tertentu untuk array perantara. Elemen ini disediakan sebagai array ukuran uint8_t tensor_arena_size:

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

Ukuran yang dibutuhkan akan bergantung pada model yang Anda gunakan, dan mungkin perlu yang ditentukan melalui eksperimen.

8. Membuat instance penafsir

Kita membuat instance tflite::MicroInterpreter, dengan meneruskan variabel buat sebelumnya:

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

9. Alokasikan tensor

Kita memberi tahu penafsir untuk mengalokasikan memori dari tensor_arena untuk tensor model:

interpreter.AllocateTensors();

10. Validasi bentuk input

Instance MicroInterpreter dapat memberi kita pointer ke input tensor dengan memanggil .input(0), dengan 0 mewakili yang pertama (dan satu-satunya) Tensor input:

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

Kemudian kita memeriksa tensor ini untuk mengkonfirmasi bahwa bentuk dan jenisnya memang diharapkan:

// 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);

Nilai enum kTfLiteFloat32 adalah referensi ke salah satu LiteRT tipe data, dan didefinisikan dalam common.h.

11. Berikan nilai input

Untuk memberikan input ke model, kita setel isi tensor input, berikut ini:

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

Dalam hal ini, kita memasukkan nilai floating point yang mewakili 0.

12. Menjalankan model

Untuk menjalankan model, kita dapat memanggil Invoke() di tflite::MicroInterpreter :

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

Kita dapat memeriksa nilai yang ditampilkan, TfLiteStatus, untuk menentukan apakah operasi berhasil. Nilai yang mungkin dari TfLiteStatus, yang ditentukan dalam common.h, adalah kTfLiteOk dan kTfLiteError.

Kode berikut menegaskan bahwa nilainya adalah kTfLiteOk, yang berarti inferensinya adalah berhasil dijalankan.

TF_LITE_MICRO_EXPECT_EQ(kTfLiteOk, invoke_status);

13. Mendapatkan output

Tensor output model bisa diperoleh dengan memanggil output(0) pada tflite::MicroInterpreter, dengan 0 merepresentasikan output pertama (dan satu-satunya) tensor.

Dalam contoh, output model adalah nilai floating point tunggal yang terdapat dalam 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);

Kita bisa membaca nilainya langsung dari tensor output dan menyatakan bahwa nilai inilah yang kita mengharapkan:

// 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. Jalankan inferensi lagi

Kode lainnya menjalankan inferensi beberapa kali lagi. Dalam setiap kejadian, kita menetapkan nilai ke tensor input, memanggil penafsir, dan membaca hasil dari tensor output:

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);