桃园市网站建设_网站建设公司_需求分析_seo优化

关注+星标公众号，不错过精彩内容 来源 | 瑞萨嵌入式小百科

随着人工智能的发展，以及MCU性能的提高，在MCU上跑一些算法已经不是什么遥不可及的事了。

到目前为止，很多MCU跑AI算法已经很“轻松”了，今天就手把手教大家移植CMSIS-NN V6.0.0到瑞萨RA8单片机（VisionBoard开发板）。

CMSIS-NN是什么？

官方的解释是：

CMSIS NN software library is a collection of efficient neural network kernels developed to maximize the performance and minimize the memory footprint of neural networks on Arm Cortex-M processors.

翻译一下就是：

CMSIS NN 软件库是一组高效的神经网络核（函数），旨在最大限度地提高 Arm Cortex-M 处理器上神经网络的性能并最大限度地减少内存占用。

CMSIS-NN是一个计算库，它向上提供了神经网络（NN）计算接口，实现了神经网络计算的硬件加速。它内部实现了纯CPU计算、DSP计算、MVE计算，屏蔽了底层硬件的具体细节，降低了编程难度。

为什么移植CMSIS-NN v6.0.0版本？

1

CMSIS-NN核心特性

总结一下官方的介绍，可以知道CMSIS-NN库的核心特性：

• 专为Cortex-M处理器开发；

• 神经网络计算函数；

• 最大化性能；
  

• 最小化内存占用
  

2

CMSIS-NN的硬件和软件支持

除此之外，CMSIS-NN库还有几点也是值得关注的：

• 支持DSP扩展的处理器，使用SIMD优化，例如Cortex-M4核；

• 支持ARM的Heilum技术的处理器，使用M核向量扩展（MVE，M-profile Vector Extension）进行优化，例如 Cortex-M55 或 Cortex-M85；

• MVE扩展恰好是ARM Cortex-M85内置的；

• VisionBoard主控芯片瑞萨RA8D1的CPU核正是ARM Cortex-M85；

• CMSIS-NN可以作为TensorFlow Lite for Microcontroller的后端实现；

3

CMSIS-NN核心特性

CMSIS-NN v6.0.0版本的发布说明中，介绍了新特性：

全连接（FC）、卷积（CONV）和深度卷积（DWCONV）添加了MVE指令的int4类型支持；

重新实现 LSTM 以与 TFLM 参考内核保持一致；

LSTM 对 int16 输入的支持

DSP/MVEI 支持转置卷积

支持分组卷积

支持 FC 的非零滤波器偏移

对 MVEI 的 Int16 输入卷积支持

对 int16x8 卷积的 Int32 偏置支持

更能多内容可以查看本文末尾的CMSIS-NN v6.0.0 Release Note；

如何移植CMSIS-NN v6.0.0到VisionBoard？

1

创建RT-Thread项目

RT-Thread Studio创建基于VisionBoard开发板的模板项目，过程比较简单，不再赘述。

2

添加CMSIS-NN源码

RT-Thread Studio创建基于VisionBoard开发板的模板项目后，在packages目录手动下载CMSIS-NN v6.0.0版本：

3

修改RT-Thread代码

修改项目顶层的Kconfig文件，添加如下代码行：

注意：Kconfig修改需要完需要保证最后有一行空行，否则menuconfig命令会报奇怪的错误。

检查packages目录内是否有SConsript文件，并且内容如下：

如果没有，可以手动创建。

4

修改CMSIS-NN代码

CMSIS-NN目录顶层创建SConscript文件，内容如下：

创建Kconfig文件，内容如下：

5

编译RT-Thread项目

完成以上修改之后，已经可以编译CMSIS-NN库的代码了。

在命令行中执行如下命令，编译整个项目：

编译输出最后部分如下图所示：

如何测试CMSIS-NN v6.0.0？

1

CMSIS-NN核心特性

CMSIS-NN库内部带有了单元测试，具体位于 Tests/UnitTest 子目录，其中 unittest_targets.py 脚本可以用于生成测试脚手架代码，使用方法如下：

当前生成的代码是单独生成elf文件，并在ARM虚拟硬件（AVH）平台上运行的。

默认情况下，执行python unittest_targets.py —download-and-generate-test-runners命令，会为每个测试用例生成一个main函数，每个测试用例单独编译为一个elf文件，之后使用ARM虚拟硬件（AVH）执行elf进行测试。

为了能够生成在RT-Thread上运行的测试代码，需要修改部分测试脚本代码，实现将每个测试用例注册为一个独立的finsh命令，在串口命令行中交互测试。

具体修改的代码差异如下：

这段修改实现了：

• 调用unity的ruby脚本，传递main_name命令行参数，用于修改单元测试入口函数名称（不指定默认是main）；

• 生成一个独立的RT-Thread finsh命令注册代码.c文件；

• 生成一个用于编译的SConscript代码文件；

另外，再结合上层目录的SConcsript包含所有子目录的SConscript，就可以实现将所有单元测试编译为finsh命令了。

修改完该脚本文件后，执行如下命令，生成RT-Thread平台测试代码：

命令执行输出如下：

2

测试代码的构建规则SConscript

然后需要在CMSIS-NN的Tests子目录内，添加SConscript文件：

这段SConscript的作用是，将子目录的SConscript脚本包含到整个项目的构建流程中去。

接着需要在CMSIS-NN的Tests/UnitTest子目录内，添加SConscript文件：

完成以上修改后，通过menuconfig打开 PKG_USING_CMSIS_NN_TESTS 配置项目，再次 scons 编译，就可以编译单元测试代码文件了。

3

解决链接失败问题

但是还会有一些编译错误，原因主要有：

1. 原来的测试脚本为每个测试用例独立生成main函数，每个目录单独编译；

   链接到一起时，会有大量重复的setUp/tearDown/resetTest/verifyTest函数定义；

2. 原来的测试数据数组没有加static修饰，被重复include到多个.c文件；

   链接到一起时，会有数组重复的数组定义；

为了解决上述两类问题，分别创建两个脚本。

修复重复函数定义的 fix_testCode.sh：

解决方法，所有 setUp/tearDown/resetTest/verifyTest 函数添加 weak 属性修饰；

修复重复数组定义的 fix_testData.sh：

解决方法，所有测试数据的数组添加static修饰。

分别执行上面两个脚本之后，再次编译，就没有编译错误了。

4

运行单元测试

顺利编译之后，下载固件：

运行后，在串口输入help命令可以看到：

输入命令，运行avgpool算子的测试：

其他几个算子的s8类型测试：

修改后的CMSIS-NN代码仓：

https://github.com/xusiwei/CMSIS-NN

参考链接

1.CMSIS-NN源码仓：

https://github.com/ARM-software/CMSIS-NN

2.TFLM项目介绍页：]

https://tensorflow.google.cn/lite/microcontrollers/overview?hl=zh-cn

3.CMSIS-NN v6.0.0 Release Note：

https://github.com/ARM-software/CMSIS-NN/releases/tag/v6.0.0

4.Ruby下载页面：

https://www.ruby-lang.org/zh_cn/downloads/

------------END------------

单片机选项字节在IAR、CS+、e²studio下的设置

在1 GHz 主频单片机上部署AI模型

10分钟在MCU上快速部署LWIP