AI模型如何将它导入工程里

相信不少在MCU平台使用TensorflowLite Micro(Tensorflow Lite Micro专为嵌入式平台推出的专用版TFlite)，以下简称TFLm，推理引擎体验过AI的小伙伴们，一定都遇到过这样的情况：当我们历经千辛万苦训练出来一个模型之后，要如何将它导入工程里呢？

各抒己见

这时候有同学会说了：我有文件系统啊，模型放到sd卡中，文件操作读进来分分钟啊！还有的同学会说了：我有xxd，当然，xxd也是TFLM的御用工具，负责将一个文件以十六进制的形式显示出来，使用过这个推理引擎的同学一定对下面这段注释很是熟悉：

// xxd -i mobilenet_v1_0.25_128_quant.tflite > mobilenet_v1_0.25_128_quant_model.h

 

这之后，我们的模型就会被转化成类似于下面这个样子，不要怀疑，这就是我们的模型真正的样子，并非眉清目秀，在程序中就可以通过mobilenet_model这个指针来访问模型数据：

 

const char mobilenet_model[] __ALIGNED(16) = {
  0x18, 0x00, 0x00, 0x00, 0x54, 0x46, 0x4c, 0x33, 0x00, 0x00, 0x0e, 0x00,
  0x18, 0x00, 0x04, 0x00, 0x08, 0x00, 0x0c, 0x00, 0x10, 0x00, 0x14, 0x00,
  0x0e, 0x00, 0x00, 0x00, 0x03, 0x00, 0x00, 0x00, 0x78, 0x5b, 0x07, 0x00,
  0x0c, 0x00, 0x00, 0x00, 0x10, 0x00, 0x00, 0x00, 0x20, 0x00, 0x00, 0x00,
  。。。。
  0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x01, 0x00, 0x00, 0x00,
  0x97, 0x26, 0x08, 0x39
};
unsigned int mobilenet_model_len = 496912;

这时候，又有同学说了，你们这些方法都太弱了：你们有SD卡，有文件系统，有xxd！这些我统统不需要，不用额外安装工具，不用文件系统扩展，不用看着我这空荡荡的钱包，还要祭出小钱钱去买张SD卡。

 

嗯，我只需要编译器+裸板即可！要的就是简洁（也想高调，可是小钱钱不允许啊）。

不卖关子了，我们有.incbin。这个小东西是一个汇编指令，用来包含某一个文件到汇编文件中，文件的内容将会按字节逐一添加到当前elf（镜像文件）节中。不会做任何方式的解释，保证数据的完整和一致性。即原封不动的添加进来，不过要注意，以下代码要保存在以.s尾缀的汇编文件中：

 

.global mobilenet_model   // 导出全局符号
.global mobilenet_model _end
.section .rodata   // 存储位置

. mobilenet_model :
   .incbin “mobilenet_v1_0.25_128_quant.tflite”
. mobilenet_model_end :

 

这样一来，同样可以使用mobilenet_model这个模型指针来进行模型的访问。

很难说，上面三位同学的方法哪一种更好一点，可能第三位同学提出的方法，是对于外部依赖最少的，只需要利用编译器对于汇编指令的支持即可。既不需要费力的移植文件系统，也不用花费小钱钱购买SD卡，也不用求求xxd工具帮我们做事。

当然，小编在这里也站一下队，明确一下立场！我投.incbin一票，当然了，这个也是小编一直在用的方式。更换模型，只需要修改一下导入路径即可，可以说香的不行了！

新的挑战

不好，，，好像有点跑题变成夸夸群了，回到主题。

小伙伴既然已经回答了小编提出的问题：导入模型的N种方法，小编就再追问大家一个问题：如果频繁更新模型要怎么办呢？

当然，使用文件系统的小伙伴可能这时候会心一笑了：哈哈，我就知道有这么一出，让我猜到了吧，比灵活性，没人能和我比！

的确，无论是使用.incbin还是xxd的方式，每更新一次模型都要对整个模型重新编译下载。而使用文件系统的方式，只需要将模型拖到SD即可，不过根据程序设计，是否需要保证模型名字保持一致才能够正确loading。。。这个就不是本篇要讨论的了。

柳暗花明

相信看到这里的小伙伴们心里已经有数了，小编一定是已经找到了另一种替代方案，既能实现模型的更新，又不用重新对模型进行编译。是的，小编也就不再卖关子了，这就揭开庐山真面目。

小编这里要提出的方法，有点类似于引入文件系统的概念，只不过，是一个手动管理的“丐版”文件系统。

一句话概括就是：在非易失性器件上，说普通话就是Nor Flash上开辟一块固定的区域来存储模型，之后我们只需要将最新的模型也同样下载到这一区域即可，这样一来，我们在主程序中，只需要维护这一区域，将其作为模型的数据起始地址，就可以达到实时更新模型的目的了。 

是不是感觉小编的这个想法，思路是如此的清晰！而且，还免去了移植文件系统的繁琐过程，最重要的是，保住了钱包里的小钱钱，不用买SD卡了。

这里特别强调是Nor Flash，作为可以随机读的器件，可以方便地进行随机访问，使用起来或者说在程序的编写上会更加的便捷。当然，使用NAND flash也未曾不可，有兴趣的伙伴可以自行整理。

留下悬念

当然，可能有小伙伴要质疑：那你这个可以实现存储多个模型吗？小编很负责任地告诉大家，只要胆子大，宇宙都能给你装下！只不过，在存放数据的时候，需要额外存储一些帧头信息，告知程序一共有多少组模型存储其中。

小编将在下期为大家介绍如何设计合适的存储结果以存放我们的flash数据，并编写一个PC端小程序，负责进行数据的转换，敬请期待！

原文标题：一种基于MCU的神经网络模型灵活更新方案之先行篇

文章出处：【微信公众号：恩智浦MCU加油站】欢迎添加关注！文章转载请注明出处。　　

      审核编辑：彭静