RTThreadIoTOS · 2020年11月10日

【嵌入式AI入门日记】将 AI 模型移植到 RT-Thread 上(2)

本期将介绍如何在 RT-Thread 操作系统上运行 Mnist Demo(手写数字识别),可支持自己手写数字验证。

准备

MNIST 在人工智能领域中的地位等同于 "Hello world" 在各个编程语言中的地位。
因此, 本次实验将以 MNIST 为主体, 进一步了解人工智能和嵌入式之间的神秘联系。
本期实现的是:
通过CMSIS NN 库复现神经网络, 导入int 型权重文件, 在 RT-Thread 系统中成功实现Mnist 推理.
如何将 Mnist 跑在 RT-Thread 上:

  1. github 拉取Mnist_CMSIS 或者 Mnist_CMSIS.7z 到本地, Mnist_CMSIS 有520M, 建议下载压缩包, 仅66.4M
  2. 运行方法, 二选一:
  • Scons
  • MDK5 编译
  1. CMSIS + RT-Thread 推理成功界面

image.png

在github上的文件夹中,已经包含实验运行所需要的CMSIS packages, 下载即可运行, 自己新建的工程需要现在 RT-Thread 的 Menuconfig 中打开CMSIS

1. PC 训练 Model

File: mnist.ipynb

1.1 PC 端环境

  • Tensorflow: 2.3.0-dev20200515
  • Numpy: 1.16.4
  • Keras: 2.2.4-tf

1.2 数据集

File: ./data/mnist.npz

MNIST 数据集由 60000 (训练集) + 10000(测试集) 手写字符组成, 每张图片的大小为 , 数据集手动下载地址 http://yann.lecun.com/exdb/mn... .

image.png

1.3 网络结构

  • 两层卷积 + 一层全连接层

image.png

1.4 训练模型 & 验证模型

File: ./model/mnist.h5
  • 训练模型

image.png

  • 验证训练模型的准确率

image.png

  • 保存权重文件
 1# save weights 2model.save_weights(model_path / 'model_weights.h5') 3 4# load weights 5model.load_weights(model_path / 'model_weights.h5') 6 7model.compile(optimizer='adam', 8             loss='sparse_categorical_crossentropy', 9             metrics=['accuracy',])10loss, acc = model.evaluate(x_test, y_test)11print("Restored model, accuracy: {:5.2f}%".format(100*acc))
1313/313 [==============================] - 1s 2ms/step - loss: 0.1226 - accuracy: 0.96512Restored model, accuracy: 96.51%

ok, 至此, 模型已经训练完成, 但是, 准备工作还没有做完, 请接着往下看

1.5 Others

最终的目标是将训练好的 Model 在 RT-Thread 系统上能够推理(测试)成功.
本次实验所采用的方法是CMISIS + RT-Thread, (需要一定的深度学习背景知识), 步骤如下:

  1. 转化权重数据为int 型,并保存
  2. 使用 CMSIS NN 库复现神经网络, 文件为.c 类文件
  3. 导入权重文件和测试样例
  4. 推理成功

2. 选择 CMSIS 软件包

前提: 已经安装好 RT-Thread 所需要的运行环境
 1# windows 2> pkgs --upgrade 3# 开启 CMSIS 4> menuconfig 5> pkgs --update 6> scons --target=mdk5 7 8# linux 9# 如果开启不了, 请执行10# (base) Mnist_CMSIS[master*] % source ~/.env/env.sh11(base) Mnist_CMSIS[master] % pkgs --upgrade 12(base) Mnist_CMSIS[master] % scons --menuconfig13(base) Mnist_CMSIS[master*] % pkgs --update

image.png

image.png

3. 使用 CMSIS 软件包生成网络结构

通过调用CMSIS API, 实现网络结构, 此步骤需要一定的深度学习基础

image.png

另外, 在重构的过程中, 均用int, 而非float

image.png

在该项目中实现数据传入的方式,目前是较为基础的方法,仅在 main.c 文件中定义一个大小为 784 的数组,储存 28*28 尺寸大小的手写数字图片,格式要求为 Int 型。具体读取图片数据的代码在 mnist.ipynb 中有实现。
由于输入是简单的 28*28 = 784 (一维)数组,可以支持自定义手写数字识别验证。建议先在 mnist.ipynb 中先进行自定义手写数字识别验证。

自定义手写数字保存的图片尽量要求和训练集中的图片类似,如果保存的图片非 28*28 尺寸大小,则可以参考 mnist.ipynb 中的代码,将其 Resize 为 28*28,确保输入的一维数组为 784 大小,和网络输入保持一致

感兴趣的可以阅读源文件,其他文件并无做任何改动

  • ./Mnist\_CMSIS/applications/main.c
  • ./Mnist\_CMSIS/applications/mnist\_parameters.h

4. 编译 & 烧录

  • Windows (推荐使用MDK)
    MDK 一键编译一键烧录,通过 Putty 观察输出情况
  • Linux (推荐使用Scons)

    Scons 编译, 通过STM32 Cube Programmer 烧录, minicom 观察输出情况

    • *

成功界面:

image.png

5. FAQ

5.1 CMSIS + RT-Thread 找不到 arm_math.h

image.png


解决:

windows:

1、勾选DSP 开关

image.png

image.png

2.增加宏定义

USE\_STDPERIPH\_DRIVER,ARM\_MATH\_CM4,\_\_CC\_ARM,\_\_FPU\_PRESENT, ARM\_MATH\_DSP

  • linux:
  1. 先解决找不到math.h

    ./Mnist_CMSIS/packages/CMSIS-latest/SConscript 文件中,第15行, 手动添加DSP, 新增:

    CPPPATH = CPPPATH + [cwd + '/CMSIS_5/CMSIS/DSP/Include']

    image.png

  2. Scons 之后会报这样一个错误:

image.png


解决方式如下:

在`./Mnist_CMSIS/board/SConscript` 文件下, 第22行, 改为:

```
CPPDEFINES = ['STM32H743xx','ARM_MATH_CM7','__FPU_PRESENT']
```

image.png

5.2 Scons 报错

但是文件均已经存在

image.png
解决:

./Mnist_CMSIS/SConscript 下面, 改为如图所示

image.png

推荐阅读
【RT-Thread 开源作品秀】时光空间立方
【嵌入式AI入门日记】将 AI 模型移植到 RT-Thread 上(1)

原文链接:https://mp.weixin.qq.com/s/tjQjmyiFeAPC2NNNz4jx-A
转载已获授权,禁止二转
推荐阅读
关注数
8059
内容数
181
小而美的物联网操作系统,经过14年的累积发展,RT-Thread 已经拥有一个国内最大的嵌入式开源社区,同时被广泛应用于能源、车载、医疗、消费电子等多个行业,累积装机量超过4亿台,成为国人自主开发、国内最成熟稳定和装机量最大的开源 RTOS。
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息