1. 为什么要在MCU上跑神经网络?NNoM能帮你做什么?
你可能觉得,在微控制器(MCU)这种内存只有几十KB、主频几十MHz的小玩意儿上跑神经网络,听起来有点天方夜谭。但现实是,随着物联网和边缘计算的爆发,这种需求越来越普遍。想象一下,一个智能门锁需要实时识别人脸,一个可穿戴手环要判断你是走路还是跑步,一个工业传感器要预测设备故障——这些场景都要求设备在本地、实时、低功耗地处理数据,不可能把所有数据都传到云端去算。这时候,在MCU上部署一个轻量级神经网络就成了刚需。
但问题来了,像TensorFlow Lite for Microcontrollers这样的框架,虽然强大,但对MCU新手来说,门槛还是有点高。你需要处理复杂的模型转换、手动管理内存、还得适配各种底层硬件接口,一套流程下来,头都大了。这就是NNoM出现的意义。我把它理解为一个“桥梁工程师”,它的核心任务就是帮你把在PC上用Keras训练好的模型,用最简单、最直接的方式,“搬”到你的MCU上运行起来。
NNoM的全称是“Neural Network on Microcontroller”,顾名思义,它就是为MCU而生的。我用了这么多年,觉得它最大的魅力在于“省心”。它用纯C语言实现,几乎不依赖任何特定的硬件或操作系统,你拿到源码,往你的工程里一扔,配置几个路径,编译,就能跑。它自带一套脚本,能自动把你训练好的Keras模型转换成C代码和一个包含所有权重和结构的weights.h头文件。你不需要去理解TensorFlow的底层协议,也不需要手动去量化模型、调整内存布局,这些脏活累活NNoM都替你包了。
对于嵌入式开发者,尤其是刚接触AI的兄弟来说,NNoM大大降低了入门门槛。你只需要会一点Python和Keras(Keras号称30秒入门,真不是吹的),就能快速搭建和训练一个模型,然后通过NNoM让它在你熟悉的STM32、ESP32等芯片上“活”起来。这种从算法到落地“一站式”的体验,能极大地提升开发效率和成就感。
2. 动手之前:搭建你的开发环境
工欲善其事,必先利其器。在开始把玩NNoM之前,我们需要把前后端的环境都准备好。这个过程可能会遇到一些小坑,我结合自己的经验,把每一步都拆解清楚。
2.1 Python端:创建你的模型训练环境
首先,我们得有个地方训练模型。我强烈推荐使用Anaconda来管理Python环境,它能避免各种包版本冲突的“玄学”问题。
- 安装Anaconda:去官网下载安装,一路下一步就行。
- 创建独立环境:打开Anaconda Prompt(Windows)或终端(Mac/Linux),执行以下命令。这里我们创建一个叫
nnom_env的环境,并指定Python版本为3.8(这是与TensorFlow 2.14兼容的稳定版本)。conda create -n nnom_env python=3.8 conda activate nnom_env - 安装核心依赖:在激活的环境下,依次安装以下包。注意,NNoM的脚本需要TensorFlow版本不高于2.14。
这里我安装的是CPU版本的TensorFlow,对于模型训练和转换来说足够了。安装pip install tensorflow-cpu==2.14.0 pip install keras==2.14.0 pip install scikit-learn pip install sconsscons是因为NNoM的示例工程用它来构建,scikit-learn则是一些数据预处理工具可能会用到的。
2.2 MCU端:准备你的编译工具链
模型训练好后,我们需要把它编译成能在MCU上运行的程序。原始文章里用了Visual Studio 2019和MSVC编译器在Windows上演示。这里我提供另一个更通用、在嵌入式开发中更常见的选择:GCC ARM工具链。无论你用的是Windows、Mac还是Linux,都能搞定。
- 下载ARM GCC工具链:前往ARM官网或开发者网站(如xPack),下载对应你操作系统的
arm-none-eabi-gcc工具链。例如,Windows用户可以选择gcc-arm-none-eabi-10.3-2021.10-win32.exe这样的安装包。 - 安装并配置环境变量:安装完成后,需要把工具链的
bin目录
426



被折叠的 条评论
为什么被折叠?



