Google I/O — это обертка! Наверстать упущенное в сеансах TensorFlow Просмотреть сеансы

Начните работу с микроконтроллерами

В этом документе объясняется, как обучить модель и выполнить вывод с помощью микроконтроллера.

Пример Привет Мир

Пример Hello World предназначен для демонстрации абсолютных основ использования TensorFlow Lite для микроконтроллеров. Мы обучаем и запускаем модель, которая воспроизводит синусоидальную функцию, т. е. принимает одно число в качестве входных данных и выводит значение синуса этого числа. При развертывании в микроконтроллере его прогнозы используются либо для мигания светодиодов, либо для управления анимацией.

Непрерывный рабочий процесс включает в себя следующие этапы:

  1. Обучение модели (на Python): Блокнот Jupyter для обучения, преобразования и оптимизации модели для использования на устройстве.
  2. Выполнение логического вывода (в C++ 11): комплексный модульный тест, выполняющий логический вывод модели с использованием библиотеки C++ .

Получить поддерживаемое устройство

Пример приложения, которое мы будем использовать, был протестирован на следующих устройствах:

Узнайте больше о поддерживаемых платформах в TensorFlow Lite для микроконтроллеров .

Обучить модель

Используйте Google Colaboratory для обучения собственной модели . Для получения более подробной информации обратитесь к README.md :

Привет, Мир Обучение README.md

Запустить вывод

Чтобы запустить модель на вашем устройстве, мы пройдемся по инструкциям в README.md :

Привет, мир README.md

В следующих разделах рассматривается модульный тест hello_world_test.cc , который демонстрирует, как выполнять вывод с помощью TensorFlow Lite для микроконтроллеров. Он загружает модель и несколько раз выполняет вывод.

1. Включите заголовки библиотеки

Чтобы использовать библиотеку TensorFlow Lite для микроконтроллеров, мы должны включить следующие заголовочные файлы:

#include "tensorflow/lite/micro/all_ops_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"
  • all_ops_resolver.h предоставляет операции, используемые интерпретатором для запуска модели.
  • micro_error_reporter.h выводит отладочную информацию.
  • micro_interpreter.h содержит код для загрузки и запуска моделей.
  • schema_generated.h содержит схему для формата файла модели TensorFlow Lite FlatBuffer .
  • version.h предоставляет информацию о версиях для схемы TensorFlow Lite.

2. Включите заголовок модели

Интерпретатор TensorFlow Lite для микроконтроллеров ожидает, что модель будет предоставлена ​​в виде массива C++. Модель определяется в model.h и model.cc . Заголовок включает следующую строку:

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

3. Включите заголовок фреймворка модульного тестирования

Чтобы создать модульный тест, мы включаем среду модульного тестирования TensorFlow Lite для микроконтроллеров, включив следующую строку:

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

Тест определяется с помощью следующих макросов:

TF_LITE_MICRO_TESTS_BEGIN

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

TF_LITE_MICRO_TESTS_END

Теперь мы обсудим код, включенный в макрос выше.

4. Настройте ведение журнала

Для настройки логирования создается указатель tflite::ErrorReporter с использованием указателя на tflite::MicroErrorReporter :

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

Эта переменная будет передана интерпретатору, что позволит ему вести логи. Поскольку микроконтроллеры часто имеют различные механизмы ведения журнала, реализация tflite::MicroErrorReporter разработана таким образом, чтобы ее можно было настроить для вашего конкретного устройства.

5. Загрузите модель

В следующем коде модель создается с использованием данных из массива char , g_model , который объявлен в model.h . Затем мы проверяем модель, чтобы убедиться, что ее версия схемы совместима с используемой нами версией:

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. Создание экземпляра преобразователя операций

Экземпляр AllOpsResolver объявлен. Это будет использоваться интерпретатором для доступа к операциям, используемым моделью:

tflite::AllOpsResolver resolver;

AllOpsResolver загружает все операции, доступные в TensorFlow Lite для микроконтроллеров, которые используют много памяти. Поскольку данная модель будет использовать только часть этих операций, рекомендуется, чтобы реальные приложения загружали только те операции, которые необходимы.

Это делается с помощью другого класса, MicroMutableOpResolver . Вы можете увидеть, как его использовать, в micro_speech_test.cc примера речи Micro .

7. Выделить память

Нам нужно предварительно выделить определенный объем памяти для ввода, вывода и промежуточных массивов. Это предоставляется в виде массива uint8_t размера tensor_arena_size :

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

Требуемый размер будет зависеть от модели, которую вы используете, и, возможно, его придется определять экспериментальным путем.

8. Создать интерпретатор

Мы создаем экземпляр tflite::MicroInterpreter , передавая созданные ранее переменные:

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

9. Выделить тензоры

Мы говорим интерпретатору выделить память из tensor_arena для тензоров модели:

interpreter.AllocateTensors();

10. Подтвердите форму ввода

Экземпляр MicroInterpreter может предоставить нам указатель на входной тензор модели, вызвав .input(0) , где 0 представляет первый (и единственный) входной тензор:

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

Затем мы проверяем этот тензор, чтобы убедиться, что его форма и тип соответствуют нашим ожиданиям:

// 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);

Значение перечисления kTfLiteFloat32 является ссылкой на один из типов данных TensorFlow Lite и определено в common.h .

11. Укажите входное значение

Чтобы предоставить входные данные для модели, мы устанавливаем содержимое входного тензора следующим образом:

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

В этом случае мы вводим значение с плавающей запятой, представляющее 0 .

12. Запустите модель

Чтобы запустить модель, мы можем вызвать Invoke() в нашем tflite::MicroInterpreter :

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

Мы можем проверить возвращаемое значение, TfLiteStatus , чтобы определить, был ли запуск успешным. Возможными значениями TfLiteStatus , определенными в common.h , являются kTfLiteOk и kTfLiteError .

В следующем коде утверждается, что значение равно kTfLiteOk , что означает успешное выполнение логического вывода.

TF_LITE_MICRO_EXPECT_EQ(kTfLiteOk, invoke_status);

13. Получите вывод

Выходной тензор модели можно получить, вызвав output(0) в tflite::MicroInterpreter , где 0 представляет первый (и единственный) выходной тензор.

В примере выход модели представляет собой одно значение с плавающей запятой, содержащееся в двумерном тензоре:

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);

Мы можем прочитать значение непосредственно из выходного тензора и утверждать, что это то, что мы ожидаем:

// 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. Запустите вывод еще раз

Оставшаяся часть кода выполняет вывод еще несколько раз. В каждом случае мы присваиваем значение входному тензору, вызываем интерпретатор и считываем результат из выходного тензора:

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);

15. Прочтите код приложения

После того, как вы пройдете этот модульный тест, вы сможете понять код приложения примера, расположенный в main_functions.cc . Он следует аналогичному процессу, но генерирует входное значение на основе того, сколько выводов было выполнено, и вызывает специфичную для устройства функцию, которая отображает выходные данные модели для пользователя.