Comece com microcontroladores

Este documento explica como treinar um modelo e executar inferência usando um microcontrolador.

O exemplo Hello World

O exemplo Hello World foi desenvolvido para demonstrar o básico absoluto do uso do TensorFlow Lite para microcontroladores. Treinamos e executamos um modelo que replica uma função seno, ou seja, ele recebe um único número como entrada e gera o valor do seno do número. Quando implantado no microcontrolador, suas previsões são usadas para piscar os LEDs ou controlar uma animação.

O fluxo de trabalho de ponta a ponta envolve as seguintes etapas:

  1. Treinar um modelo (em Python): Um notebook jupyter para treinar, converter e otimizar um modelo para uso no dispositivo.
  2. Executar inferência (em C++ 11): Um teste de unidade de ponta a ponta que executa inferência no modelo usando a biblioteca C++ .

Obtenha um dispositivo compatível

O aplicativo de exemplo que usaremos foi testado nos seguintes dispositivos:

Saiba mais sobre as plataformas compatíveis no TensorFlow Lite para microcontroladores .

Treinar um modelo

Use o Google Colaboratory para treinar seu próprio modelo . Para mais detalhes, consulte o README.md :

Treinamento Hello World README.md

Executar inferência

Para executar o modelo em seu dispositivo, seguiremos as instruções no README.md :

Olá Mundo README.md

As seções a seguir percorrem o hello_world_test.cc do exemplo, teste de unidade que demonstra como executar inferência usando o TensorFlow Lite para microcontroladores. Ele carrega o modelo e executa a inferência várias vezes.

1. Inclua os cabeçalhos da biblioteca

Para usar a biblioteca TensorFlow Lite for Microcontrollers, devemos incluir os seguintes arquivos de cabeçalho:

#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"

2. Inclua o cabeçalho do modelo

O interpretador do TensorFlow Lite para Microcontroladores espera que o modelo seja fornecido como um array C++. O modelo é definido nos arquivos model.h model.cc . O cabeçalho está incluído com a seguinte linha:

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

3. Inclua o cabeçalho da estrutura de teste de unidade

Para criar um teste de unidade, incluímos a estrutura de teste de unidade TensorFlow Lite for Microcontrollers, incluindo a seguinte linha:

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

O teste é definido usando as seguintes macros:

TF_LITE_MICRO_TESTS_BEGIN

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

TF_LITE_MICRO_TESTS_END

Agora discutimos o código incluído na macro acima.

4. Configure o registro

Para configurar o log, um ponteiro tflite::ErrorReporter é criado usando um ponteiro para uma instância tflite::MicroErrorReporter :

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

Esta variável será passada para o interpretador, que permite escrever logs. Como os microcontroladores geralmente têm uma variedade de mecanismos para registro, a implementação de tflite::MicroErrorReporter foi projetada para ser personalizada para seu dispositivo específico.

5. Carregue um modelo

No código a seguir, o modelo é instanciado usando dados de um array char , g_model , que é declarado em model.h . Em seguida, verificamos o modelo para garantir que sua versão do esquema seja compatível com a versão que estamos usando:

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. Instanciar o resolvedor de operações

Uma instância AllOpsResolver é declarada. Isso será usado pelo interpretador para acessar as operações que são usadas pelo modelo:

tflite::AllOpsResolver resolver;

O AllOpsResolver carrega todas as operações disponíveis no TensorFlow Lite for Microcontrollers, que usa muita memória. Como um determinado modelo usará apenas um subconjunto dessas operações, é recomendável que os aplicativos do mundo real carreguem apenas as operações necessárias.

Isso é feito usando uma classe diferente, MicroMutableOpResolver . Você pode ver como usá-lo em micro_speech_test.cc do exemplo de fala Micro .

7. Aloque memória

Precisamos pré-alocar uma certa quantidade de memória para arrays de entrada, saída e intermediários. Isso é fornecido como uma matriz uint8_t de tamanho tensor_arena_size :

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

O tamanho necessário dependerá do modelo que você está usando e pode precisar ser determinado por experimentação.

8. Instanciar intérprete

Criamos uma instância tflite::MicroInterpreter , passando as variáveis ​​criadas anteriormente:

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

9. Aloque tensores

Dizemos ao interpretador para alocar memória do tensor_arena para os tensores do modelo:

interpreter.AllocateTensors();

10. Valide o formato de entrada

A instância MicroInterpreter pode nos fornecer um ponteiro para o tensor de entrada do modelo chamando .input(0) , onde 0 representa o primeiro (e único) tensor de entrada:

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

Em seguida, inspecionamos esse tensor para confirmar que sua forma e tipo são o que esperamos:

// 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);

O valor enum kTfLiteFloat32 é uma referência a um dos tipos de dados do TensorFlow Lite e é definido em common.h .

11. Forneça um valor de entrada

Para fornecer uma entrada para o modelo, definimos o conteúdo do tensor de entrada, da seguinte forma:

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

Nesse caso, inserimos um valor de ponto flutuante representando 0 .

12. Execute o modelo

Para executar o modelo, podemos chamar Invoke() em nossa instância tflite::MicroInterpreter :

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

Podemos verificar o valor de retorno, um TfLiteStatus , para determinar se a execução foi bem-sucedida. Os valores possíveis de TfLiteStatus , definidos em common.h , são kTfLiteOk e kTfLiteError .

O código a seguir afirma que o valor é kTfLiteOk , o que significa que a inferência foi executada com êxito.

TF_LITE_MICRO_EXPECT_EQ(kTfLiteOk, invoke_status);

13. Obtenha a saída

O tensor de saída do modelo pode ser obtido chamando output(0) no tflite::MicroInterpreter , onde 0 representa o primeiro (e único) tensor de saída.

No exemplo, a saída do modelo é um único valor de ponto flutuante contido em um 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);

Podemos ler o valor diretamente do tensor de saída e afirmar que é o que esperamos:

// 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. Execute a inferência novamente

O restante do código executa a inferência várias vezes. Em cada instância, atribuímos um valor ao tensor de entrada, invocamos o interpretador e lemos o resultado do tensor de saída:

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. Leia o código do aplicativo

Depois de percorrer este teste de unidade, você deve ser capaz de entender o código do aplicativo do exemplo, localizado em main_functions.cc . Ele segue um processo semelhante, mas gera um valor de entrada com base em quantas inferências foram executadas e chama uma função específica do dispositivo que exibe a saída do modelo para o usuário.