Premiers pas avec les microcontrôleurs

Ce document explique comment entraîner un modèle et exécuter des inférences à l'aide d'un microcontrôleur.

Exemple Hello World

La Bonjour est conçu pour illustrer les principes de base de l'utilisation de LiteRT. pour les microcontrôleurs. Nous entraînons et exécutons un modèle qui réplique une fonction sinus, Autrement dit, elle utilise un seul nombre en entrée et génère le nombre sine. Une fois déployé sur microcontrôleur, ses prédictions sont utilisées pour faire clignoter les LED ou pour contrôler de l'animation.

Le workflow de bout en bout comprend les étapes suivantes:

  1. Entraîner un modèle (en Python): fichier Python à entraîner, puis à convertir et optimiser un modèle pour une utilisation sur l'appareil.
  2. Exécuter une inférence (en C++ 17): test unitaire de bout en bout qui exécute des inférences sur le modèle à l'aide de la bibliothèque C++.

Obtenir un appareil compatible

L'exemple d'application que nous allons utiliser a été testé sur les appareils suivants:

Pour en savoir plus sur les plates-formes compatibles, consultez LiteRT for Microcontrollers

Entraîner un modèle

Utilisez train.py entraînement de modèle pour hello world pour la reconnaissance sinwave

Exécution: 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/

Exécuter une inférence

Pour exécuter le modèle sur votre appareil, suivez les instructions fournies dans l' README.md:

Bonjour, World README.md

Les sections suivantes présentent les evaluate_test.cc test unitaire montrant comment exécuter une inférence avec LiteRT pour Microcontrôleurs Elle charge le modèle et exécute des inférences plusieurs fois.

1. Inclure les en-têtes de bibliothèque

Pour utiliser la bibliothèque LiteRT for Microcontrollers, nous devons inclure le les fichiers d'en-tête suivants:

#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. Inclure l'en-tête du modèle

L'interpréteur LiteRT for Microcontrollers s'attend à ce que le modèle soit fourni en tant que tableau C++. Le modèle est défini dans les fichiers model.h et model.cc. L'en-tête est inclus dans la ligne suivante:

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

3. Inclure l'en-tête du framework de test unitaire

Pour créer un test unitaire, nous incluons la fonction LiteRT pour Structure de tests unitaires des microcontrôleurs en incluant la ligne suivante:

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

Le test est défini à l'aide des macros suivantes:

TF_LITE_MICRO_TESTS_BEGIN

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

TF_LITE_MICRO_TESTS_END

Examinons maintenant le code inclus dans la macro ci-dessus.

4. Configurer la journalisation

Pour configurer la journalisation, un pointeur tflite::ErrorReporter est créé à l'aide d'un pointeur à une instance tflite::MicroErrorReporter:

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

Cette variable sera transmise à l'interpréteur, qui lui permet d'écrire journaux. Étant donné que les microcontrôleurs ont souvent une variété de mécanismes pour la journalisation, le l'implémentation de tflite::MicroErrorReporter est conçue pour être personnalisée sur votre appareil.

5. Charger un modèle

Dans le code suivant, le modèle est instancié à l'aide des données d'un tableau char. g_model, qui est déclaré dans model.h. Nous vérifions ensuite le modèle pour nous assurer version de schéma est compatible avec la version que nous utilisons:

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. Instancier le résolveur d'opérations

A MicroMutableOpResolver est déclarée. L'interprète l'utilisera pour enregistrer et accéder aux opérations utilisées par le modèle:

using HelloWorldOpResolver = tflite::MicroMutableOpResolver<1>;

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

L'élément MicroMutableOpResolver nécessite un paramètre de modèle indiquant le nombre d'opérations qui seront enregistrées. La fonction RegisterOps enregistre les opérations avec le résolveur.

HelloWorldOpResolver op_resolver;
TF_LITE_ENSURE_STATUS(RegisterOps(op_resolver));

7. Allouer de la mémoire

Nous devons préallouer une certaine quantité de mémoire pour l'entrée, la sortie et des tableaux intermédiaires. Il est fourni sous la forme d'un tableau uint8_t de taille tensor_arena_size:

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

La taille requise dépend du modèle utilisé et devra peut-être être déterminée par des tests.

8. Instancier un interprète

Nous créons une instance tflite::MicroInterpreter en transmettant les variables créé précédemment:

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

9. Allouer des Tensors

Nous indiquons à l'interpréteur d'allouer de la mémoire à partir de tensor_arena pour le les Tensors du modèle:

interpreter.AllocateTensors();

10. Valider la forme de saisie

L'instance MicroInterpreter peut nous fournir un pointeur vers l'instance Tensor d'entrée en appelant .input(0), où 0 représente le premier (et le seul) Tensor d'entrée:

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

Nous inspectons ensuite ce Tensor pour confirmer que sa forme et son type sont bien attendue:

// 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);

La valeur d'énumération kTfLiteFloat32 est une référence à l'un des types de données, et est défini dans common.h

11. Saisir une valeur

Pour fournir une entrée au modèle, nous définissons le contenu du Tensor d'entrée, comme suit : ce qui suit:

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

Dans ce cas, nous saisissons une valeur à virgule flottante représentant 0.

12. Exécuter le modèle

Pour exécuter le modèle, nous pouvons appeler Invoke() sur notre tflite::MicroInterpreter. instance:

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

Nous pouvons vérifier la valeur renvoyée, TfLiteStatus, pour déterminer si l'exécution a été réussi. Les valeurs possibles de TfLiteStatus, définies dans common.h, sont kTfLiteOk et kTfLiteError.

Le code suivant affirme que la valeur est kTfLiteOk, ce qui signifie que l'inférence a été correctement exécutée.

TF_LITE_MICRO_EXPECT_EQ(kTfLiteOk, invoke_status);

13. Obtenir le résultat

Le Tensor de sortie du modèle peut être obtenu en appelant output(0) sur la tflite::MicroInterpreter, où 0 représente la première (et la seule) sortie Tensor.

Dans cet exemple, la sortie du modèle est une valeur unique à virgule flottante contenue dans un Tensor bidimensionnel:

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);

Nous pouvons lire la valeur directement à partir du Tensor de sortie et affirmer que c'est bien ce que nous attendons:

// 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. Exécuter à nouveau l'inférence

Le reste du code exécute l'inférence plusieurs fois de plus. Dans chaque cas, nous attribuons une valeur au Tensor d'entrée, nous appelons l'interpréteur, puis nous lisons résultat du Tensor de sortie:

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);