通过本文，大家可以更清晰得了解免费申请R329开发板流程。
操作流程一览
1.注册极术社区账号，完成新手任务，点击此处查看教程。
2.在「免费申请」首批基于全志R329芯片的开发板免费申请啦 点击报名参与按钮，填写相关信息先申请周易AIPU SDK，审核通过后在周易AIPU SDK开放下载文中下载周易AIPU SDK。
根据R329教程一|周易 AIPU 部署及仿真教程 ，在SDK包里的Simulator中跑通AI模型，提供如下内容（下方提供sample）：
1.原始模型文件（可选）
2.矫正集的data.npy和label.npy
3.NN compiler的cfg文件
4.simulator执行的输入输出结果，比较运算量化误差
以上内容请在极术专栏矽速科技开帖，将相关内容放置在帖子里，内容同时授权矽速科技发布或者自己发在矽速科技开发者社区（如何开帖请私信极术小姐姐）
4.以上经审核通过后请联系极术小姐姐申请开发板，开发者收到开发板后提供环境给开发，且一个月内在社区帖子上补充评测报告，需如无评测，收回开发板。
5.所有参与评测的开发者有机会收到极术社区准备的礼品。
模型仿真测试
仿真测试文件在附件中附出，模型文件太大的话可以不传或者传网盘，或者指明下载地址。
以下为mobilenet_v2测试例子
1. 原始模型文件(可选)
mobilenet_v2是典型的backbone，我们可以直接从github上下载预训练的模型
https://github.com/tensorflow...
从这里下载量化版的mobilenet_v2 224x224输入的，1.0权重版本预训练模型：
https://storage.googleapis.co...
解压得到 model.tflite 即所需模型
2. 矫正集
将图片和label放到calibration目录下的img路径和label.txt下，
执行 preprocess_for_dataset.py 生成 dataset.npy和label.npy矫正集文件。
3. cfg 文件
如附件中 tflite_mobilenet_v2_run.cfg 所示：
[Common]
mode = run
[Parser]
model_type = tflite
model_name = mobilenet_v2
detection_postprocess =
model_domain = image_classification
input_model = ./model/model.tflite
input = input
input_shape = [1, 224, 224, 3]
output = MobilenetV2/Predictions/Softmax
output_dir = ./
[AutoQuantizationTool]
quantize_method = SYMMETRIC
quant_precision = int8
ops_per_channel = DepthwiseConv
reverse_rgb = False
label_id_offset =
dataset_name =
detection_postprocess =
anchor_generator =
log = False
calibration_data = ./calibration/dataset.npy
calibration_label = ./calibration/label.npy
[GBuilder]
inputs=./model/input.bin
simulator=./aipu_simulator_z1
outputs=output_mobilenet_v2.bin
profile= True
target=Z1_07014. simulator 执行结果
aipubuild config/tflite_mobilenet_v2_run.cfg运行之后得到 output_mobilenet_v2.bin，使用 quant_predict.py 解析后：
predict first 5 label:
index 231, prob 180, name: Shetland sheepdog, Shetland sheep dog, Shetland
index 232, prob 67, name: collie
index 1000, prob 0, name: toilet tissue, toilet paper, bathroom tissue
index 342, prob 0, name: hog, pig, grunter, squealer, Sus scrofa
index 340, prob 0, name: sorrel
true first 5 label:
index 232, prob 83, name: collie
index 231, prob 83, name: Shetland sheepdog, Shetland sheep dog, Shetland
index 158, prob 41, name: papillon
index 170, prob 40, name: borzoi, Russian wolfhound
index 161, prob 39, name: Afghan hound, Afghan
Detect picture save to result.jpeg可以看到正确预测了图片内容为 collie （柯利牧羊犬）或者 Shetland sheepdog （喜乐蒂牧羊犬）
完整输出日志结果附在了 simulator/log.txt下
该例子的文件已经附在矽速科技打包的docker镜像中，镜像下载地址参见部署教程.
模型实机测试
待审核通过收到实机后测试
如有任何问题，请联系极术小姐姐（微信：aijishu20).
相关文章
更多R329开发板及周易AIPU相关开发请关注矽速科技专栏。
