纯C语言的MCU也能跑神经网络！？！？ 之NNOM

已于 2025-05-27 13:14:00 修改
阅读量344 收藏 3
点赞数 5
文章标签： 人工智能 深度学习 神经网络 c语言 单片机 python tensorflow
于 2024-10-16 20:10:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_57615836/article/details/142981780
版权

        本文介绍了nnom源文件中的auto_test示例代码的运行，其总体思路为在PC上用tensorflow训练模型，并导出权重为weights.h，从而可以用C语言加载模型文件，并且利用神经网络进行预测。项目地址:

https://github.com/majianjia/nnom/tree/master

一、用tensorflow框架生成weights.h文件

1.创建环境，运行如下指令

        注意tensorflow版本要小于2.14，git下载时注意开启代理

conda create -n keras python==3.8
activate keras
pip install git+https://github.com/majianjia/nnom@master
pip install tensorflow==2.10.0

2.下载visual studio code。

3.下载visual studio，并且配置环境变量

   3.1visual stdio下载

       注意:安装时选择仅“C++桌面”，其他不选

  3.2配置CL指令的环境变量  

    【C/C++】VS的cl命令 | 配置环境变量 | 使用命令行编译C/C++程序-优快云博客

4.安装scons

pip install scons

5.修改源码

      下载源码，用vscode打开Auto_test文件。作者使用window操作系统,python3.8，因此sys.pltform为'win32'，而不是'win'。修改main.py中的第142行的代码

  cmd = ".\mnist.exe" if 'win' in sys.platform else "./mnist"
 
 修改为

  cmd = ".\mnist.exe" if 'win32' in sys.platform else "./mnist"

4.运行main.py

  运行结果如下:

60000 train samples
10000 test samples
x_train shape: (60000, 28, 28, 1)
data range 0.0 1.0
Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #
=================================================================
 input_1 (InputLayer)        [(None, 28, 28, 1)]       0

 conv2d (Conv2D)             (None, 26, 26, 16)        160

 batch_normalization (BatchN  (None, 26, 26, 16)       64
 ormalization)

 conv2d_1 (Conv2D)           (None, 22, 22, 16)        6416

 batch_normalization_1 (Batc  (None, 22, 22, 16)       64
 hNormalization)

 leaky_re_lu (LeakyReLU)     (None, 22, 22, 16)        0

 max_pooling2d (MaxPooling2D  (None, 11, 11, 16)       0
 )

 dropout (Dropout)           (None, 11, 11, 16)        0

 depthwise_conv2d (Depthwise  (None, 7, 7, 32)         320
 Conv2D)

 batch_normalization_2 (Batc  (None, 7, 7, 32)         128
 hNormalization)

 re_lu (ReLU)                (None, 7, 7, 32)          0

 dropout_1 (Dropout)         (None, 7, 7, 32)          0

 conv2d_2 (Conv2D)           (None, 7, 7, 16)          528

 batch_normalization_3 (Batc  (None, 7, 7, 16)         64
 hNormalization)

 re_lu_1 (ReLU)              (None, 7, 7, 16)          0

 max_pooling2d_1 (MaxPooling  (None, 4, 4, 16)         0
 2D)

 dropout_2 (Dropout)         (None, 4, 4, 16)          0

 flatten (Flatten)           (None, 256)               0

 dense (Dense)               (None, 64)                16448

 re_lu_2 (ReLU)              (None, 64)                0

 dropout_3 (Dropout)         (None, 64)                0

 dense_1 (Dense)             (None, 10)                650

 softmax (Softmax)           (None, 10)                0

=================================================================
Total params: 24,842
Trainable params: 24,682
Non-trainable params: 160
_________________________________________________________________
Epoch 1/2
938/938 - 34s - loss: 0.4986 - accuracy: 0.8403 - val_loss: 0.1026 - val_accuracy: 0.9694 - 34s/epoch - 37ms/step
Epoch 2/2
938/938 - 35s - loss: 0.1783 - accuracy: 0.9449 - val_loss: 0.0737 - val_accuracy: 0.9766 - 35s/epoch - 37ms/step
binary test file generated: test_data.bin
test data length: 1000
32/32 - 0s - loss: 0.0862 - accuracy: 0.9710 - 341ms/epoch - 11ms/step
Test loss: 0.0861600786447525
Top 1: 0.9710000157356262
32/32 [==============================] - 0s 5ms/step
[[ 84   0   0   0   0   0   1   0   0   0]
 [  0 125   0   0   0   0   0   0   1   0]
 [  0   1 110   0   0   0   1   2   2   0]
 [  0   0   0 102   0   3   0   1   1   0]
 [  0   1   0   0 105   0   2   0   0   2]
 [  0   0   0   0   0  85   0   0   1   1]
 [  3   0   0   0   0   0  84   0   0   0]
 [  0   0   0   1   1   1   0  96   0   0]
 [  0   0   1   0   0   0   0   0  87   1]
 [  0   0   0   0   1   0   0   0   0  93]]
input_1 Quantized method: max-min  Values max: 1.0 min: 0.0 dec bit 7
32/32 [==============================] - 0s 1ms/step
conv2d Quantized method: max-min  Values max: 0.77834666 min: -0.6643031 dec bit 7
32/32 [==============================] - 0s 2ms/step
batch_normalization Quantized method: max-min  Values max: 6.892522 min: -5.467197 dec bit 4
32/32 [==============================] - 0s 4ms/step
conv2d_1 Quantized method: max-min  Values max: 17.596895 min: -27.735723 dec bit 2
32/32 [==============================] - 0s 4ms/step
batch_normalization_1 Quantized method: max-min  Values max: 3.2113974 min: -3.7283127 dec bit 5
leaky_re_lu Quantized method: max-min  Values max: 3.2113974 min: -3.7283127 dec bit 5
max_pooling2d Quantized method: max-min  Values max: 3.2113974 min: -3.7283127 dec bit 5
dropout Quantized method: max-min  Values max: 3.2113974 min: -3.7283127 dec bit 5
32/32 [==============================] - 0s 4ms/step
depthwise_conv2d Quantized method: max-min  Values max: 1.3406438 min: -1.0324882 dec bit 6
32/32 [==============================] - 0s 4ms/step
batch_normalization_2 Quantized method: max-min  Values max: 5.8297634 min: -5.458767 dec bit 4
re_lu Quantized method: max-min  Values max: 5.8297634 min: -5.458767 dec bit 4
dropout_1 Quantized method: max-min  Values max: 5.8297634 min: -5.458767 dec bit 4
32/32 [==============================] - 0s 4ms/step
conv2d_2 Quantized method: max-min  Values max: 5.3312216 min: -4.18351 dec bit 4
32/32 [==============================] - 0s 4ms/step
batch_normalization_3 Quantized method: max-min  Values max: 5.1313715 min: -4.3312516 dec bit 4
re_lu_1 Quantized method: max-min  Values max: 5.1313715 min: -4.3312516 dec bit 4
max_pooling2d_1 Quantized method: max-min  Values max: 5.1313715 min: -4.3312516 dec bit 4
dropout_2 Quantized method: max-min  Values max: 5.1313715 min: -4.3312516 dec bit 4
flatten Quantized method: max-min  Values max: 5.1313715 min: -4.3312516 dec bit 4
32/32 [==============================] - 0s 5ms/step
dense Quantized method: max-min  Values max: 9.411628 min: -11.911018 dec bit 3
re_lu_2 Quantized method: max-min  Values max: 9.411628 min: -11.911018 dec bit 3
dropout_3 Quantized method: max-min  Values max: 9.411628 min: -11.911018 dec bit 3
32/32 [==============================] - 0s 4ms/step
dense_1 Quantized method: max-min  Values max: 15.168733 min: -14.624195 dec bit 3
32/32 [==============================] - 0s 5ms/step
softmax Quantized method: max-min  Values max: 0.9999963 min: 5.881822e-13 dec bit 7
quantisation list {'input_1': [7, 0], 'conv2d': [4, 0], 'batch_normalization': [4, 0], 'conv2d_1': [5, 0], 'batch_normalization_1': [5, 0], 'leaky_re_lu': [5, 0], 'max_pooling2d': [5, 0], 'dropout': [5, 0], 'depthwise_conv2d': [4, 0], 'batch_normalization_2': [4, 0], 're_lu': [4, 0], 'dropout_1': [4, 0], 'conv2d_2': [4, 0], 'batch_normalization_3': [4, 0], 're_lu_1': [4, 0], 'max_pooling2d_1': [4, 0], 'dropout_2': [4, 0], 'flatten': [4, 0], 'dense': [3, 0], 're_lu_2': [3, 0], 'dropout_3': [3, 0], 'dense_1': [3, 0], 'softmax': [7, 0]}
fusing batch normalization to conv2d
original weight max 0.2235549 min -0.24778879
original bias max 0.043418616 min -0.06542501
fused weight max 2.9589512 min -2.8448143
fused bias max 0.5293808 min -0.5222879
quantizing weights for layer conv2d
    tensor_conv2d_kernel_0 dec bit 5
    tensor_conv2d_bias_0 dec bit 7
quantizing weights for layer batch_normalization
fusing batch normalization to conv2d_1
original weight max 0.19423744 min -0.24259652
original bias max 0.013735103 min -0.012081833
fused weight max 0.03725449 min -0.036782067
fused bias max -0.11885923 min -0.42289153
quantizing weights for layer conv2d_1
    tensor_conv2d_1_kernel_0 dec bit 11
    tensor_conv2d_1_bias_0 dec bit 8
quantizing weights for layer batch_normalization_1
fusing batch normalization to depthwise_conv2d
original weight max 0.2989247 min -0.33221692
original bias max 0.031672217 min -0.09777981
fused weight max 4.2178764 min -2.2269676
fused bias max 0.611039 min -0.9544384
quantizing weights for layer depthwise_conv2d
    tensor_depthwise_conv2d_depthwise_kernel_0 dec bit 4
    tensor_depthwise_conv2d_bias_0 dec bit 7
quantizing weights for layer batch_normalization_2
fusing batch normalization to conv2d_2
original weight max 0.57738096 min -0.52470607
original bias max 0.0042722966 min -0.012099096
fused weight max 0.55349463 min -0.5876506
fused bias max 0.6647942 min -0.7078786
quantizing weights for layer conv2d_2
    tensor_conv2d_2_kernel_0 dec bit 7
    tensor_conv2d_2_bias_0 dec bit 7
quantizing weights for layer batch_normalization_3
quantizing weights for layer dense
    tensor_dense_kernel_0 dec bit 8
    tensor_dense_bias_0 dec bit 10
quantizing weights for layer dense_1
    tensor_dense_1_kernel_0 dec bit 8
    tensor_dense_1_bias_0 dec bit 10
scons: Reading SConscript files ...
scons: done reading SConscript files.
scons: Building targets ...
CC main.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
main.c
CC E:\nnom\nnom\src\core\nnom.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom.c
CC E:\nnom\nnom\src\core\nnom_layers.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_layers.c
CC E:\nnom\nnom\src\core\nnom_tensor.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_tensor.c
CC E:\nnom\nnom\src\core\nnom_utils.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_utils.c
CC E:\nnom\nnom\src\layers\nnom_activation.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_activation.c
CC E:\nnom\nnom\src\layers\nnom_avgpool.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_avgpool.c
CC E:\nnom\nnom\src\layers\nnom_baselayer.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_baselayer.c
CC E:\nnom\nnom\src\layers\nnom_concat.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_concat.c
CC E:\nnom\nnom\src\layers\nnom_conv2d.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_conv2d.c
CC E:\nnom\nnom\src\layers\nnom_conv2d_trans.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_conv2d_trans.c
CC E:\nnom\nnom\src\layers\nnom_cropping.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_cropping.c
CC E:\nnom\nnom\src\layers\nnom_dense.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_dense.c
CC E:\nnom\nnom\src\layers\nnom_dw_conv2d.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_dw_conv2d.c
CC E:\nnom\nnom\src\layers\nnom_flatten.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_flatten.c
CC E:\nnom\nnom\src\layers\nnom_global_pool.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_global_pool.c
CC E:\nnom\nnom\src\layers\nnom_gru_cell.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_gru_cell.c
CC E:\nnom\nnom\src\layers\nnom_input.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_input.c
CC E:\nnom\nnom\src\layers\nnom_lambda.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_lambda.c
CC E:\nnom\nnom\src\layers\nnom_lstm_cell.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_lstm_cell.c
CC E:\nnom\nnom\src\layers\nnom_matrix.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_matrix.c
CC E:\nnom\nnom\src\layers\nnom_maxpool.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_maxpool.c
CC E:\nnom\nnom\src\layers\nnom_output.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_output.c
CC E:\nnom\nnom\src\layers\nnom_reshape.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_reshape.c
CC E:\nnom\nnom\src\layers\nnom_rnn.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_rnn.c
CC E:\nnom\nnom\src\layers\nnom_simple_cell.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_simple_cell.c
CC E:\nnom\nnom\src\layers\nnom_softmax.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_softmax.c
CC E:\nnom\nnom\src\layers\nnom_sumpool.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_sumpool.c
CC E:\nnom\nnom\src\layers\nnom_upsample.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_upsample.c
CC E:\nnom\nnom\src\layers\nnom_zero_padding.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_zero_padding.c
CC E:\nnom\nnom\src\backends\nnom_local.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_local.c
CC E:\nnom\nnom\src\backends\nnom_local_q15.c
cl: 命令行 warning D9002 :忽略未知选项“-std=c99”
nnom_local_q15.c
LINK mnist.exe
scons: done building targets.
validation size: 785024
Model version: 0.4.3
NNoM version 0.4.3
To disable logs, please void the marco 'NNOM_LOG(...)' in 'nnom_port.h'.
Data format: Channel last (HWC)
Start compiling model...
Layer(#)         Activation    output shape    ops(MAC)   mem(in, out, buf)      mem blk lifetime
-------------------------------------------------------------------------------------------------
#1   Input      -          - (  28,  28,   1,)          (   784,   784,     0)    1 - - -  - - - -
#2   Conv2D     -          - (  26,  26,  16,)      97k (   784, 10816,     0)    1 1 - -  - - - -
#3   Conv2D     - LkyReLU  - (  22,  22,  16,)    3.09M ( 10816,  7744,     0)    1 1 - -  - - - -
#4   MaxPool    -          - (  11,  11,  16,)          (  7744,  1936,     0)    1 1 1 -  - - - -
#5   DW_Conv2D  - AdvReLU  - (   7,   7,  32,)      14k (  1936,  1568,     0)    1 - 1 -  - - - -
#6   Conv2D     - ReLU     - (   7,   7,  16,)      25k (  1568,   784,     0)    1 1 - -  - - - -
#7   MaxPool    -          - (   4,   4,  16,)          (   784,   256,     0)    1 1 1 -  - - - -
#8   Flatten    -          - ( 256,          )          (   256,   256,     0)    - - 1 -  - - - -
#9   Dense      - ReLU     - (  64,          )      16k (   256,    64,   512)    1 1 1 -  - - - -
#10  Dense      -          - (  10,          )      640 (    64,    10,   128)    1 1 1 -  - - - -
#11  Softmax    -          - (  10,          )          (    10,    10,     0)    1 - 1 -  - - - -
#12  Output     -          - (  10,          )          (    10,    10,     0)    1 - - -  - - - -
-------------------------------------------------------------------------------------------------
Memory cost by each block:
 blk_0:7744  blk_1:10816  blk_2:1936  blk_3:0  blk_4:0  blk_5:0  blk_6:0  blk_7:0
 Memory cost by network buffers: 20496 bytes
 Total memory occupied: 24536 bytes
Processing 12%
Processing 25%
Processing 38%
Processing 51%
Processing 63%
Processing 76%
Processing 89%
Processing 100%

Prediction summary:
Test frames: 1000
Test running time: 0 sec
Model running time: 0 ms
Average prediction time: 0 us
Top 1 Accuracy: 97.30%
Top 2 Accuracy: 98.40%
Top 3 Accuracy: 98.70%
Top 4 Accuracy: 99.00%

Confusion matrix:
predict     0     1     2     3     4     5     6     7     8     9
actual
   0 |     83     0     0     0     0     1     1     0     0     0   |  97%
   1 |      0   126     0     0     0     0     0     0     0     0   | 100%
   2 |      0     1   111     0     0     0     1     1     2     0   |  95%
   3 |      0     0     0   104     0     3     0     0     0     0   |  97%
   4 |      0     1     0     0   105     0     2     0     0     2   |  95%
   5 |      0     0     0     0     0    86     0     0     1     0   |  98%
   6 |      3     0     0     0     0     0    84     0     0     0   |  96%
   7 |      0     0     1     1     1     1     0    95     0     0   |  95%
   8 |      0     0     1     0     0     1     0     0    86     1   |  96%
   9 |      0     0     0     0     0     0     0     1     0    93   |  98%


Print running stat..
Layer(#)        -   Time(us)     ops(MACs)   ops/us
--------------------------------------------------------
#1  Input      -         0
#2  Conv2D     -         0          97k
#3  Conv2D     -         0        3.09M
#4  MaxPool    -         0
#5  DW_Conv2D  -         0          14k
#6  Conv2D     -         0          25k
#7  MaxPool    -         0
#8  Flatten    -         0
#9  Dense      -         0          16k
#10 Dense      -         0          640
#11 Softmax    -         0
#12 Output     -         0

Summary:
Total ops (MAC): 3251168(3.25M)
Prediction time :0us
Total memory:24536
Top 1 Accuracy on Keras 97.10%
Top 1 Accuracy on NNoM  97.30%

二、用VS纯C语言跑模型

        1.创建c工程

         用VS创建工程文件夹，把如下源代码的部分文件移动到工程文件夹下，如下所示:

 2.添加文件到项目中

  3.修改main.c代码
       

     因为项目比较老，使用fopen函数时会提示不安全，因此需要屏蔽掉此警告，所以在第十行添加如下代码:

#define _CRT_SECURE_NO_WARNINGS

  4.编译，运行

 5.运行结果如下

深度学习论文: MCUNet: Tiny Deep Learning on IoT Devices及其PyTorch实现
mingo_敏
03-08 7953
深度学习论文: MCUNet: Tiny Deep Learning on IoT Devices及其PyTorch实现 MCUNet: Tiny Deep Learning on IoT Devices PDF: https://arxiv.org/pdf/2007.10319.pdf PyTorch代码: https://github.com/shanglianlm0525/CvPytorch PyTorch代码: https://github.com/shanglianlm0525/PyTorch-N
MCU怎么运行深度学习模型
最新发布
weixin_45281309的博客
05-07 803
不使用任何库，MCU怎么运行深度学习模型
我在STM32单片机上跑神经网络算法
U_YAO的博客
06-13 2830
这个模型是根据人一段时间内的3D加速度数据，来判断人当前的行为，比如走路，跑步，上楼，下楼等，很符合Cortex-M系列MCU的应用场景。在STM32上验证神经网络模型(HAR人体活动识别)，一般需要STM32F3/F4/L4/F7/L7系列高性能单片机，运行网络模型一般需要3MB以上的闪存空间，一般的单片机不支持这么大的空间，CUBEMX提供了一个压缩率的选项，可以选择合适的压缩率，实际是压缩神经网络模型的权重系数，使得网络模型可以在单片机上运行，压缩率为8，使得模型缩小到366KB，验证可以通过；
BitNetMCU：低功耗微控制器上的高精度低比特量化神经网络
gitblog_01179的博客
03-26 409
BitNetMCU：低功耗微控制器上的高精度低比特量化神经网络 BitNetMCU Neural Networks with low bit weights on low end 32 bit microcontrollers such as the CH32V003 RISC-V Microcontroller and...
在低成本loT mcu上实现深度神经网络端到端自动部署-深度神经网络、物联网、边缘计算、DNN加速——文末完整资料
热门推荐
嵌入式阿齐Archie
03-29 3万+
在低成本loT mcu上实现深度神经网络端到端自动部署-深度神经网络、物联网、边缘计算、DNN加速
超低功耗神经网络MCU如何实现图像识别、语音识别等AI应用？
strongerHuang
09-26 627
转自 | 电子森林不知道大家有没有发现，AI 的应用已经遍布我们生活的各个角落，比如：Siri、小爱同学、违章抓拍等。如果你也想要从事嵌入式开发工作，你有必要了解并掌握 AI 相关的知识和技术。大家可以通过MAX78000设计大赛（第2季）超低功耗神经网络MCU实现图像识别、语音识别等AI应用的项目来提升自己的技能。MAX78000设计大赛（第2季）MAX78000人工智能设计大赛正在火热进行中，...
TinyMaix：超轻量级微控制器推理库
gitblog_09570的博客
09-13 579
TinyMaix：超轻量级微控制器推理库 TinyMaix TinyMaix is a tiny inference library for microcontrollers (TinyML). 项目地址: https://git...
[NAS]MCUNet: Tiny Deep Learning on IoT Devices
qq_37151108的博客
06-04 3843
基于MCU的微型物联网设备上进行深度学习是一个吸引人但又有挑战性的任务，因为MCU的内存比手机端还要小2-3个数量级。本文提出的MCUNet框架将高效的神经网络架构搜索TinyNAS和轻量级的推理引擎TinyEngine相结合，能够实现在MCU上进行ImageNet的推理。 
TinyNAS采用两阶段的NAS搜索方法，首先对搜索空间进行优化满足资源约束，然后在优化后的搜索空间中设计网络结构，这样可以在较低的搜索成本下满足对设备、延迟、功耗、内存等的约束条件。 
TinyEngine则是一个内存高效的推理引擎
推荐项目：MCUNet - 微控制器上的轻量级深度学习框架
gitblog_00035的博客
04-26 617
推荐项目：MCUNet - 微控制器上的轻量级深度学习框架 项目地址:https://gitcode.com/gh_mirrors/mc/mcunet 是一个由 MIT Han Lab 开发的创新项目，旨在将深度学习模型部署到资源受限的微控制器（MCU）上，实现真正的边缘计算。该项目的核心目标是让低功耗、低成本的硬件设备也能具备人工智能能力。 技术分析 MCUNet 采用了以下关键技术： 模型...
基于MCU的定点神经网络库NNoM设计源码
09-26
基于MCU的定点神经网络库NNoM设计源码 NNoM库是专为微控制器单元（MCU）设计的定点神经网络库，旨在为嵌入式设备上的神经网络计算提供一种高效的解决方案。它采用了C语言进行开发，使得该库在C语言环境中具备良好的...
nnom-神经网络资源
11-29
从给定的文件信息中可以看出，这个压缩包名为"nnom-神经网络资源"，其内容主要是关于一个名为NNoM（Neural Network on Microcontrollers）的项目，该项目专注于为微控制器（MCU）开发8位神经网络。NNoM这个项目旨在...
NNoM是一个专门为了神经网络在 MCU 上运行的框架 NNoM 是一个定点神经网络库， 现在支持 8-bit定点格式
08-14
NNoM是一个专门为了神经网络在 MCU 上运行的框架。 NNoM 是一个定点神经网络库， 现在支持 8-bit定点格式
NNoM是一个专门为了神经网络在 MCU 上运行的框架
08-26
NNoM是一个专门为了神经网络在 MCU 上运行的框架
基于MCU框架实现的神经网络库
06-12
**基于MCU框架实现的神经网络库——NNoM** NNoM（Neural Network on Microcontroller）是一个专为微控制器（MCU）设计的神经网络框架，它旨在使神经网络能够在资源有限的嵌入式平台上高效运行。在这个领域，NNoM...
杰理之nnom【篇】
u013820168的博客
05-16 431
NNoM是专门为微控制器设计的高级参考神经网络库。使用一行代码将 Keras 模型部署到 NNoM 模型,支持复杂的结构;Inception， ResNet， DenseNet， Octave Convolution…
MCUNet 项目使用教程
gitblog_00713的博客
09-14 454
MCUNet 项目使用教程 mcunet [NeurIPS 2020] MCUNet: Tiny Deep Learning on IoT Devices; [NeurIPS 2021] MCUNetV2: Memory-Efficient Patch-based Inference for Tiny Deep Lear...
NNoM (神经网络于微控制器上): 开源项目安装及使用指南
gitblog_00080的博客
08-13 2364
NNoM (神经网络于微控制器上): 开源项目安装及使用指南 项目地址:https://gitcode.com/gh_mirrors/nn/nnom 一、项目介绍 1.1 简介 NNoM(Neural Network on Microcontroller)是一款专为嵌入式微控制器(MCU)设计的高级推理神经网络库。它旨在帮助开发者轻松地将深度学习模型部署到资源受限的设备上。 1.2 特点 快速开...
NNOM-mnist-simple实例
weixin_43153671的博客
11-22 633
我并没有接触过RT-Thread，NNOM是一个纯C的框架，在其他操作系统和MCU上应该也是可以运行的，在研究了移植文件的代码后，选择用Freertos+STM32H7来测试。另外，代码中的NNOM_LOG打印都是\n结尾，实际打印是换不了行的，要以‘\r\n’结尾才行，我直接在代码中replace替换的，或者在给log打印接口的函数那里做个逻辑判断，检测到\n结尾就自动打印一个\r也行。编译下载，上位机的串口接收结果如下所示，可以正确预测出结果，速度的话，体感很快，具体需要做时间测试的接口才知道。
MCU做Machine Learning识别技术
qq_41615394的博客
10-24 955
刚刚过去的2018年被称为“人工智能元年”，2019年人工智能将会有更大的发展，将会有更多的AI项目落地。随着单芯片计算力的不断增长，机器学习（ML）不再是云计算和高性能处理器的专利，边缘计算正在崛起！ 边缘计算为AI提供了新的可能性，比如实时智能语音识别和实时人脸检测，边缘计算的实时性、可靠性和隐私安全性是云计算无法相比的。 先通过视频直观的感受一下吧！ 视频连接：https://mp.w...
nnom
04-03
### NNOM框架概述 ...由于MCU本身的内存容量有限制，在移植大型复杂度较高的DNN模型至此类平台上时需特别注意量化精度损失情况以及存储空间占用率等因素的影响评估分析工作不可少做一步也不能落下哦[^3]！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值