如何为TensorFlow Lite Micro添加多输入多输出支持（二）
描述
在上一篇文章中，我们已经带大家了解了多输入多输出（MIMO）能力的架构设计思路。
今天，小编将继续深入解析如何将架构设计真正落地到可运行代码，并带来一套可复用的核心实现。会介绍多输入多输出支持框架的关键组成部分。通过清晰的结构化设计、类型安全的接口抽象，为复杂的嵌入式 AI 模型建立一个高扩展性、高可维护性的基础底座。
下面，我们就将通过头文件设计、基础数据结构构建、生命周期管理等内容一步步展示一个完整的MIMO支持框架是如何搭建起来的。
话不多说，上代码！（代码超载预警）
头文件设计：构建类型安全的基础
首先，我们需要一个类型和接口定义完备、可扩展性强的头文件 model.h。
这一部分为后续的MIMO管理、张量访问、预处理、模型统计等功能奠定了坚实基础。
#ifndef MODEL_H
#define MODEL_H
#include "tensorflow/lite/c/common.h"
// =============================================================================
// 配置常量
// =============================================================================
#define MAX_INPUT_TENSORS 8 // 最大输入张量数量
#define MAX_OUTPUT_TENSORS 8 // 最大输出张量数量
#define MAX_TENSOR_DIMS 6 // 最大张量维度数
#define MODEL_NAME_MAX_LEN 64 // 模型名称最大长度
// =============================================================================
// 状态码定义
// =============================================================================
typedef enum {
kStatus_Success = 0,
kStatus_Fail = 1,
kStatus_InvalidParam = 2,
kStatus_OutOfRange = 3,
kStatus_NotInitialized = 4,
kStatus_InsufficientMemory = 5
} status_t;
// =============================================================================
// 张量相关类型定义
// =============================================================================
typedef enum {
kTensorType_FLOAT32 = 0,
kTensorType_UINT8 = 1,
kTensorType_INT8 = 2,
kTensorType_INT32 = 3,
kTensorType_BOOL = 4,
kTensorType_UNKNOWN = 255
} tensor_type_t;
typedef struct {
int size; // 维度数量
int data[MAX_TENSOR_DIMS]; // 各维度的大小
} tensor_dims_t;
// 单个张量的完整信息
typedef struct {
int index; // 张量索引
tensor_dims_t dims; // 维度信息
tensor_type_t type; // 数据类型
uint8_t* data; // 数据指针
size_t size_bytes; // 数据大小（字节）
const char* name; // 张量名称（可选）
} tensor_info_t;
// 多张量信息结构
typedef struct {
int count; // 张量数量
tensor_info_t tensors[MAX_INPUT_TENSORS]; // 张量信息数组
} multi_tensor_info_t;
// =============================================================================
// 模型统计信息
// =============================================================================
typedef struct {
size_t arena_used_bytes; // 已使用的内存
size_t arena_total_bytes; // 总内存大小
int input_count; // 输入张量数量
int output_count; // 输出张量数量
const char* model_name; // 模型名称
} model_stats_t;
// =============================================================================
// 核心接口声明
// =============================================================================
// 模型生命周期管理
status_t MODEL_Init(void);
status_t MODEL_Deinit(void);
status_t MODEL_RunInference(void);
// 模型信息查询
int MODEL_GetInputTensorCount(void);
int MODEL_GetOutputTensorCount(void);
status_t MODEL_GetModelStats(model_stats_t* stats);
const char* MODEL_GetModelName(void);
// 单张量操作接口
uint8_t* MODEL_GetInputTensorData(int index, tensor_dims_t* dims, tensor_type_t* type);
uint8_t* MODEL_GetOutputTensorData(int index, tensor_dims_t* dims, tensor_type_t* type);
// 增强的单张量接口
status_t MODEL_GetInputTensorInfo(int index, tensor_info_t* info);
status_t MODEL_GetOutputTensorInfo(int index, tensor_info_t* info);
// 批量操作接口
status_t MODEL_GetAllInputTensors(multi_tensor_info_t* input_info);
status_t MODEL_GetAllOutputTensors(multi_tensor_info_t* output_info);
// 数据预处理接口
status_t MODEL_ConvertInput(int tensor_index, uint8_t* data,
const tensor_dims_t* dims, tensor_type_t type);
// 工具函数
size_t MODEL_GetTensorSizeBytes(const tensor_dims_t* dims, tensor_type_t type);
const char* MODEL_GetTensorTypeName(tensor_type_t type);
status_t MODEL_ValidateTensorDims(const tensor_dims_t* dims);
#endif // MODEL_H
核心实现：从设计到代码
接下来，进入到实际实现部分。为了提高代码可读性，整体实现拆分为以下模块：
全局变量与初始化
内部工具函数
生命周期管理（Init / Deinit / Invoke）
全局变量和初始化：
#include "tensorflow/lite/micro/kernels/micro_ops.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/micro/micro_op_resolver.h"
#include "tensorflow/lite/schema/schema_generated.h"
#include "fsl_debug_console.h"
#include "model.h"
#include "model_data.h"
// =============================================================================
// 全局变量
// =============================================================================
static const tflite::Model* s_model = nullptr;
static tflite::MicroInterpreter* s_interpreter = nullptr;
static bool s_model_initialized = false;
// 张量内存区域 - 根据具体模型调整大小
static uint8_t s_tensorArena[kTensorArenaSize] __ALIGNED(16);
// 外部函数声明
extern tflite::MicroOpResolver &MODEL_GetOpsResolver();
// =============================================================================
// 内部辅助函数
// =============================================================================
// 获取数据类型的字节大小
static size_t GetTypeSize(tensor_type_t type)
{
switch (type) {
case kTensorType_FLOAT32:
case kTensorType_INT32:
return 4;
case kTensorType_UINT8:
case kTensorType_INT8:
case kTensorType_BOOL:
return 1;
default:
return 0;
}
}
// TensorFlow Lite类型转换为我们的类型
static tensor_type_t ConvertTfLiteType(TfLiteType tf_type)
{
switch (tf_type) {
case kTfLiteFloat32:
return kTensorType_FLOAT32;
case kTfLiteUInt8:
return kTensorType_UINT8;
case kTfLiteInt8:
return kTensorType_INT8;
case kTfLiteInt32:
return kTensorType_INT32;
case kTfLiteBool:
return kTensorType_BOOL;
default:
return kTensorType_UNKNOWN;
}
}
// 从TensorFlow Lite张量提取信息
static status_t ExtractTensorInfo(TfLiteTensor* tf_tensor, int index, tensor_info_t* info)
{
if (tf_tensor == nullptr || info == nullptr) {
return kStatus_InvalidParam;
}
// 基本信息
info->index = index;
info->type = ConvertTfLiteType(tf_tensor->type);
info->data = tf_tensor->data.uint8;
if (info->type == kTensorType_UNKNOWN) {
PRINTF("Unsupported tensor type: %d
", tf_tensor->type);
return kStatus_Fail;
}
// 维度信息
info->dims.size = tf_tensor->dims->size;
if (info->dims.size > MAX_TENSOR_DIMS) {
PRINTF("Tensor dimensions exceed maximum: %d > %d
",
info->dims.size, MAX_TENSOR_DIMS);
return kStatus_OutOfRange;
}
size_t total_elements = 1;
for (int i = 0; i < info->dims.size; i++) {
info->dims.data[i] = tf_tensor->dims->data[i];
total_elements *= info->dims.data[i];
}
// 计算数据大小
info->size_bytes = total_elements * GetTypeSize(info->type);
// 张量名称（如果可用）
info->name = nullptr; // TensorFlow Lite Micro通常不保存名称
return kStatus_Success;
}
模型生命周期管理
这部分主要包括：
模型初始化（加载模型 / 创建解释器 / 分配张量内存）
模型反初始化
执行推理（Invoke）
//
模型生命周期管理
//
status_t MODEL_Init(void)
{
if (s_model_initialized) {
PRINTF("Model already initialized
");
return kStatus_Success;
}
// 加载模型
s_model = tflite::GetModel(model_data);
if (s_model->version() != TFLITE_SCHEMA_VERSION) {
PRINTF("Model schema version %d not supported (expected %d)
",
s_model->version(), TFLITE_SCHEMA_VERSION);
return kStatus_Fail;
}
// 获取操作解析器
tflite::MicroOpResolver µ_op_resolver = MODEL_GetOpsResolver();
// 创建解释器
static tflite::MicroInterpreter static_interpreter(
s_model, micro_op_resolver, s_tensorArena, kTensorArenaSize);
s_interpreter = &static_interpreter;
// 分配张量内存
TfLiteStatus allocate_status = s_interpreter->AllocateTensors();
if (allocate_status != kTfLiteOk) {
PRINTF("AllocateTensors() failed with status: %d
", allocate_status);
return kStatus_InsufficientMemory;
}
s_model_initialized = true;
// 打印模型信息
PRINTF("Model '%s' initialized successfully:
", MODEL_GetModelName());
PRINTF("- Input tensors: %d
", s_interpreter->inputs_size());
PRINTF("- Output tensors: %d
", s_interpreter->outputs_size());
PRINTF("- Arena used: %zu bytes
", s_interpreter->arena_used_bytes());
return kStatus_Success;
}
status_t MODEL_Deinit(void)
{
if (!s_model_initialized) {
return kStatus_NotInitialized;
}
// TensorFlow Lite Micro使用静态内存，无需显式释放
s_model = nullptr;
s_interpreter = nullptr;
s_model_initialized = false;
PRINTF("Model deinitialized
");
return kStatus_Success;
}
status_t MODEL_RunInference(void)
{
if (!s_model_initialized || s_interpreter == nullptr) {
PRINTF("Model not initialized
");
return kStatus_NotInitialized;
}
TfLiteStatus invoke_status = s_interpreter->Invoke();
if (invoke_status != kTfLiteOk) {
PRINTF("Model inference failed with status: %d
", invoke_status);
return kStatus_Fail;
}
return kStatus_Success;
}
信息查询接口
包含：
输入/输出张量数量查询
模型统计信息读取
模型名称查询
//
模型信息查询
//
int MODEL_GetInputTensorCount(void)
{
if (!s_model_initialized || s_interpreter == nullptr) {
return 0;
}
return s_interpreter->inputs_size();
}
int MODEL_GetOutputTensorCount(void)
{
if (!s_model_initialized || s_interpreter == nullptr) {
return 0;
}
return s_interpreter->outputs_size();
}
status_t MODEL_GetModelStats(model_stats_t* stats)
{
if (stats == nullptr) {
return kStatus_InvalidParam;
}
if (!s_model_initialized || s_interpreter == nullptr) {
return kStatus_NotInitialized;
}
stats->arena_used_bytes = s_interpreter->arena_used_bytes();
stats->arena_total_bytes = kTensorArenaSize;
stats->input_count = s_interpreter->inputs_size();
stats->output_count = s_interpreter->outputs_size();
stats->model_name = MODEL_GetModelName();
return kStatus_Success;
}
const char* MODEL_GetModelName(void)
{
return MODEL_NAME;
}
下期预告
由于篇幅有限，本篇重点展示了：
头文件设计：类型安全、结构清晰
核心实现框架：生命周期管理 + 内部工具函数
基本模型信息查询接口
在下一篇（系列最终章）中，我们将重点讲解：
张量数据访问接口（Input/Output Data APIs）完整实现
批量张量操作的高效实现方案
更实际的代码示例与最佳实践
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。
举报投诉
- 相关推荐
- 热点推荐
- 嵌入式
- 模型
- 代码
- tensorflow
-
多输入多输出收发器系统的无线通信设计2019-03-13 4108
-
如何在TensorFlow Lite Micro中添加自定义操作符（1）2025-12-26 5716
-
请问simulink的s-function模块如何添加多输入输出接口2024-12-30 15721
-
multisim中多输入多输出变压器2025-04-06 20325
-
支持不同的输出轨的多输出电源参考设计2018-11-05 2042
-
存在信道估计误差的有限反馈多用户多输入多输出传输性能分析2009-11-24 874
-
多输入-多输出线性系统有限时间观测器设计方法2010-03-05 726
-
8发8收多输入多输出正交频分多址系统平台2010-03-25 1126
-
多输入多输出天线系统MIMO分析2012-01-18 1896
-
基于LSSVM的多输入多输出开关磁阻电机建模_徐宇柘2017-01-08 1064
-
简介多输入多输出（Multiple-input Multiple-output）雷达2019-03-06 4152
-
多输出数据支持向量回归学习算法2017-12-05 966
-
多输入多输出雷达信号与目标干扰优化2018-01-13 1036
-
多输入多输出无线终端的在空中无线测试方法2018-01-25 1290
-
如何为TensorFlow Lite Micro添加多输入多输出支持（一）2026-03-14 1546
全部0条评论
快来发表一下你的评论吧 !
