TensorFlow Lite for Microcontrollers

TensorFlow Lite for Microcontrollers 是 TensorFlow Lite 的一个实验性移植版本,它适用于微控制器和其他一些仅有数千字节内存的设备。

它可以直接在“裸机”上运行,不需要操作系统支持、任何标准 C/C++ 库和动态内存分配。核心运行时(core runtime)在 Cortex M3 上运行时仅需 16KB,加上足以用来运行语音关键字检测模型的操作,也只需 22KB 的空间。

开始

要快速入门并运行 TensorFlow Lite for Microcontrollers,请阅读微控制器入门

为什么微控制器很重要

微控制器通常是小型、低能耗的计算设备,经常嵌入在只需要进行基本运算的硬件中,包括家用电器和物联网设备等。每年都有数十亿个微控制器被生产出来。

微控制器通常针对低能耗和小尺寸进行优化,但代价是降低了处理能力、内存和存储。一些微控制器具有用来优化机器学习任务性能的功能。

通过在微控制器上运行机器学习推断,开发人员可以在不依赖于网络连接的情况下将 AI 添加到各种各样的硬件设备中,这经常用来克服带宽、功率以及由它们所导致的高延迟而造成的约束。在设备上运行推断也可以帮助保护隐私,因为没有数据从设备中发送出去。

功能和组件

  • C++ API,其运行时(runtime)在 Cortex M3 上仅需 16KB
  • 使用标准的 TensorFlow Lite FlatBuffer 架构(schema)
  • 为 Arduino、Keil 和 Mbed 等较为流行的嵌入式开发平台预生成的项目文件
  • 针对多个嵌入式平台优化
  • 演示口语热词检测的示例代码

开发工作流程

这是将 TensorFlow 模型部署到微控制器的过程:

  1. 创建或获取 TensorFlow 模型

    该模型必须非常小,以便在转换后适合您的目标设备。它只能使用支持的操作。如果要使用当前不被支持的操作,可以提供自己的实现。

  2. 将模型转换为 TensorFlow Lite FlatBuffer

    您将使用 TensorFlow Lite 转换器来将模型转换为标准 TensorFlow Lite 格式。您可能希望输出量化模型,因为它们的尺寸更小、执行效率更高。

  3. 将 FlatBuffer 转换为 C byte 数组

    模型保存在只读程序存储器中,并以简单的 C 文件的形式提供。标准工具可用于将 FlatBuffer 转换为 C 数组

  4. 集成 TensorFlow Lite for Microcontrollers 的 C++ 库

    编写微控制器代码以使用 C++ 库执行推断。

  5. 部署到您的设备

    构建程序并将其部署到您的设备。

支持的平台

嵌入式软件开发的挑战之一是存在许多不同的体系结构、设备、操作系统和构建系统。我们的目标是尽可能多地支持流行的组合,并尽可能地让给其他设备添加支持变得简单。

如果您是产品开发人员,您可以下载我们提供的以下平台的构建说明或预生成的项目文件:

设备 Mbed Keil Make/GCC
STM32F746G Discovery Board 下载 - 下载
"Blue Pill" STM32F103 兼容开发板 - - 说明
Ambiq Micro Apollo3Blue EVB(使用 Make) - - 说明
Generic Keil uVision Projects - 下载 -
Eta Compute ECM3531 EVB - - 说明

如果您的设备尚未被支持,添加支持也许并不困难。您可以在 README.md 中了解该过程。

可移植参考代码

如果您还没有考虑具体的的微控制器平台,或者只想在开始移植之前试用代码,最简单的方法是下载与平台无关的参考代码

归档中有很多文件夹,每个文件夹只包含构建一个二进制文件所需的源文件。每个文件夹都有一个简单的 Makefile 文件,您应该能够将文件加载到几乎任何 IDE 中并构建它们。我们还提供了已经设置好的 Visual Studio Code 项目文件,因此您可以轻松地在跨平台 IDE 中浏览代码。

目标

我们的设计目标是使框架可读、易于修改、经过良好测试、易于集成,并通过一致的文件架构、解释器、API 和内核接口与 TensorFlow Lite 完全兼容。

您可以阅读更多在目标和权衡方面有关设计的信息。

限制

TensorFlow Lite for Microcontrollers 专为微控制器开发中的特殊限制而设计。如果您正在使用更强大的设备(例如像 Raspberry Pi 这样的嵌入式 Linux 设备),标准的 TensorFlow Lite 框架可能更容易集成。

应考虑以下限制:

  • 仅支持 TensorFlow 操作的有限子集
  • 仅支持有限的一些设备
  • 低级 C++ API 需要手动内存管理