STM32Cube.AI是意法半導(dǎo)體AI生態(tài)系統(tǒng)的一部分，是STM32Cube的一個(gè)擴(kuò)展包，它可以自動(dòng)轉(zhuǎn)換和優(yōu)化預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型并將生成的優(yōu)化庫(kù)集成到用戶項(xiàng)目中，從而擴(kuò)展了STM32CubeMX的功能。它還提供幾種在桌面PC和STM32上驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型以及測(cè)量模型性能的方法，而無(wú)需用戶手工編寫(xiě)專門(mén)的C語(yǔ)言代碼。

上一篇文章大致介紹了STMCube.AI的基本特性，以及其工作流程。

本文將更深入地介紹它的一些高級(jí)特性。將涉及以下主題：

運(yùn)行時(shí)環(huán)境支持：Cube.AI vs TensorFlow Lite

量化支持

圖形流與存儲(chǔ)布局優(yōu)化

可重定位的二進(jìn)制模型支持

運(yùn)行時(shí)環(huán)境支持：Cube.AI vs TensorFlow Lite

STM32Cube.AI支持兩種針對(duì)不同應(yīng)用需求的運(yùn)行時(shí)環(huán)境：Cube.AI和TensorFlow Lite。作為默認(rèn)的運(yùn)行時(shí)環(huán)境，Cube.AI是專為STM32高度優(yōu)化的機(jī)器學(xué)習(xí)庫(kù)。而TensorFlow Lite for Microcontroller是由谷歌設(shè)計(jì)，用于在各種微控制器或其他只有幾KB存儲(chǔ)空間的設(shè)備上運(yùn)行機(jī)器學(xué)習(xí)模型的。其被廣泛應(yīng)用于基于MCU的應(yīng)用場(chǎng)景。STM32Cube.AI集成了一個(gè)特定的流程，可以生成一個(gè)即時(shí)可用的STM32 IDE項(xiàng)目，該項(xiàng)目?jī)?nèi)嵌TensorFlow Lite for Microcontrollers運(yùn)行時(shí)環(huán)境（TFLm）以及相關(guān)的TFLite模型。這可以被看作是Cube.AI運(yùn)行時(shí)環(huán)境的一個(gè)替代方案，讓那些希望擁有一個(gè)跨多個(gè)項(xiàng)目的通用框架的開(kāi)發(fā)人員也有了選擇。

雖然這兩種運(yùn)行時(shí)環(huán)境都是為資源有限的MCU而設(shè)計(jì)，但Cube.AI在此基礎(chǔ)上針對(duì)STM32的獨(dú)特架構(gòu)進(jìn)行了進(jìn)一步優(yōu)化。因此，TensorFlow Lite更適合有跨平臺(tái)可移植性需求的應(yīng)用，而Cube.AI則更適合對(duì)計(jì)算速度和內(nèi)存消耗有更高要求的應(yīng)用。

下表展示了兩個(gè)運(yùn)行時(shí)環(huán)境之間的性能比較（基于一個(gè)預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)參考模型）。評(píng)價(jià)指標(biāo)是在STM32上的推斷時(shí)間和內(nèi)存消耗。

如表中所示，對(duì)于同一模型，Cube.AI運(yùn)行時(shí)環(huán)境比TFLite運(yùn)行時(shí)環(huán)境節(jié)約了大概20%的flash存儲(chǔ)和約8%的RAM存儲(chǔ)。此外，它的運(yùn)行速度幾乎比TFLite運(yùn)行時(shí)環(huán)境快了2倍。

對(duì)于TFLite模型，用戶可以在STM32Cube.AI的網(wǎng)絡(luò)配置菜單中對(duì)2個(gè)運(yùn)行時(shí)環(huán)境進(jìn)行選擇。

量化支持

量化是一種被廣泛使用的優(yōu)化技術(shù)，它將32位浮點(diǎn)模型壓縮為位數(shù)更少的整數(shù)模型，在精度只略微下降的情況下，減少了存儲(chǔ)大小和運(yùn)行時(shí)的內(nèi)存峰值占用，也減少了CPU/MCU的推斷時(shí)間和功耗。量化模型對(duì)整數(shù)張量而不是浮點(diǎn)張量執(zhí)行部分或全部操作。它是面向拓?fù)洹⑻卣饔成淇s減、剪枝、權(quán)重壓縮等各種優(yōu)化技術(shù)的重要組成部分，可應(yīng)用在像MCU一樣資源受限的運(yùn)行時(shí)環(huán)境。

通常有兩種典型的量化方法：訓(xùn)練后量化（PTQ）和量化訓(xùn)練（QAT）。PTQ相對(duì)容易實(shí)現(xiàn)，它可以用有限的具有代表性的數(shù)據(jù)集來(lái)量化預(yù)先訓(xùn)練好的模型。而QAT是在訓(xùn)練過(guò)程中完成的，通常具有更高的準(zhǔn)確度。

STM32Cube.AI通過(guò)兩種不同的方式直接或間接地支持這兩種量化方法：

首先，它可以用來(lái)部署一個(gè)由PTQ或QAT過(guò)程生成的TensorFlow Lite量化模型。在這種情況下，量化是由TensorFlow Lite框架完成的，主要是通過(guò)“TFLite converter” utility導(dǎo)出TensorFlow Lite文件。

其次，其命令行接口（CLI）還集成了一個(gè)內(nèi)部的訓(xùn)練后量化（PTQ）的過(guò)程，支持使用不同的量化方案對(duì)預(yù)訓(xùn)練好的Keras模型進(jìn)行量化。與使用TFLite Converter工具相比，該內(nèi)部量化過(guò)程提供了更多的量化方案，并在執(zhí)行時(shí)間和精確度方面有更好的表現(xiàn)。

下表顯示了在STM32上部署量化模型（與原有浮點(diǎn)模型相比）的好處。此表使用FD-MobileNet作為基準(zhǔn)模型，共有12層，參數(shù)大小145k，MACC操作數(shù)24M，輸入尺寸為224x224x3。

從表中很容易看出，量化模型節(jié)省了約4倍的flash存儲(chǔ)和RAM存儲(chǔ)，且運(yùn)行速度提高了約3倍，而精確度僅僅下降了0.7%。

如果已經(jīng)安裝了X-Cube-AI包，用戶可以通過(guò)以下路徑找到關(guān)于如何使用命令行界面（CLI）進(jìn)行量化的教程：

C:UsersusernameSTM32CubeRepositoryPacksSTMicroelectronicsX-CUBE-AI7.0.0Documentationquantization.html。

在文檔的末尾還附上了一個(gè)快速實(shí)踐示例：“量化一個(gè)MNIST模型”。

圖形流與存儲(chǔ)布局優(yōu)化

除了量化技術(shù)，STM32Cube.AI還通過(guò)使用其C代碼生成器的優(yōu)化引擎，針對(duì)推理時(shí)間優(yōu)化內(nèi)存使用（RAM & ROM）。該引擎基于無(wú)數(shù)據(jù)集的方法，無(wú)需驗(yàn)證或測(cè)試數(shù)據(jù)集來(lái)應(yīng)用壓縮和優(yōu)化算法。

第一種方法：權(quán)重/偏置項(xiàng)壓縮，采用k -均值聚類算法。該壓縮算法僅適用于全連接層。其優(yōu)勢(shì)是壓縮速度快，但是結(jié)果并不是無(wú)損的，最終的精度可能會(huì)受到影響。STM32Cube.AI提供“驗(yàn)證”功能，用于對(duì)所生成的C模型中產(chǎn)生的誤差進(jìn)行評(píng)估。

“壓縮”選項(xiàng)可以在STM32Cube.AI的網(wǎng)絡(luò)配置中激活，如下圖所示：

第二種方法：操作融合，通過(guò)合并層來(lái)優(yōu)化數(shù)據(jù)布局和相關(guān)的計(jì)算核。轉(zhuǎn)換或優(yōu)化過(guò)程中會(huì)刪除一些層（如“Dropout”、“Reshape”），而有些層（如非線性層以及卷積層之后的池化層）會(huì)被融合到前一層中。其好處是轉(zhuǎn)換后的網(wǎng)絡(luò)通常比原始網(wǎng)絡(luò)層數(shù)少，降低了存儲(chǔ)器中的數(shù)據(jù)吞吐需求。

最后一種方法是優(yōu)化的激活項(xiàng)存儲(chǔ)。其在內(nèi)存中定義一個(gè)讀寫(xiě)塊來(lái)存儲(chǔ)臨時(shí)的隱藏層值（激活函數(shù)的輸出）。此讀寫(xiě)塊可以被視為推理函數(shù)使用的暫存緩沖區(qū)，在不同層之間被重復(fù)使用。因此，激活緩沖區(qū)的大小由幾個(gè)連續(xù)層的最大存儲(chǔ)需求決定。比如，假設(shè)有一個(gè)3層的神經(jīng)網(wǎng)絡(luò)，每一層的激活值分別有5KB， 12KB和3KB，那么優(yōu)化后的激活緩沖區(qū)大小將是12KB，而不是20KB。

可重定位的二進(jìn)制模型支持

非可重定位方法（或“靜態(tài)”方法）指的是：生成的神經(jīng)網(wǎng)絡(luò)C文件被編譯并與最終用戶應(yīng)用程序堆棧靜態(tài)鏈接在一起。

如下圖所示，所有對(duì)象（包括神經(jīng)網(wǎng)絡(luò)部分和用戶應(yīng)用程序）根據(jù)不同的數(shù)據(jù)類型被一起鏈接到不同的部分。在這種情況下，當(dāng)用戶想要對(duì)功能進(jìn)行部分更新時(shí)（比如只更新神經(jīng)網(wǎng)絡(luò)部分），將需要對(duì)整個(gè)固件進(jìn)行更新。

相反，可重定位二進(jìn)制模型指定一個(gè)二進(jìn)制對(duì)象，該對(duì)象可以安裝和執(zhí)行在STM32內(nèi)存子系統(tǒng)的任何位置。它是所生成的神經(jīng)網(wǎng)絡(luò)C文件的編譯后的版本，包括前向核函數(shù)以及權(quán)重。其主要目的是提供一種靈活的方法來(lái)更新AI相關(guān)的應(yīng)用程序，而無(wú)需重新生成和刷寫(xiě)整個(gè)終端用戶固件。

生成的二進(jìn)制對(duì)象是一個(gè)輕量級(jí)插件。它可以從任何地址（位置無(wú)關(guān)的代碼）運(yùn)行，其數(shù)據(jù)也可放置于內(nèi)存中的任何地方（位置無(wú)關(guān)的數(shù)據(jù)）。

STM32Cube.AI簡(jiǎn)單而高效的AI可重定位運(yùn)行時(shí)環(huán)境可以將其實(shí)例化并使用它。STM32固件中沒(méi)有內(nèi)嵌復(fù)雜的資源消耗型動(dòng)態(tài)鏈接器，其生成的對(duì)象是一個(gè)獨(dú)立的實(shí)體，運(yùn)行時(shí)不需要任何外部變量或函數(shù)。

下圖的左側(cè)部分是神經(jīng)網(wǎng)絡(luò)的可重定位二進(jìn)制對(duì)象，它是一個(gè)自給自足的獨(dú)立實(shí)體，鏈接時(shí)將被放置于終端用戶應(yīng)用程序的一個(gè)單獨(dú)區(qū)域中（右側(cè)部分）。它可以通過(guò)STM32Cube.AI的可重定位運(yùn)行時(shí)環(huán)境被實(shí)例化以及動(dòng)態(tài)鏈接。因此，用戶在更新AI模型時(shí)只需要更新這部分二進(jìn)制文件。另外，如果有進(jìn)一步的靈活性需求，神經(jīng)網(wǎng)絡(luò)的權(quán)重也可以選擇性地被生成為獨(dú)立的目標(biāo)文件。

可重定位網(wǎng)絡(luò)可以在STM32Cube.AI的高級(jí)設(shè)置中激活

最后，作為意法半導(dǎo)體人工智能生態(tài)系統(tǒng)的核心工具，STM32Cube.AI提供許多基本和高級(jí)功能，以幫助用戶輕松創(chuàng)建高度優(yōu)化和靈活的人工智能應(yīng)用。如需詳細(xì)了解特定解決方案或技術(shù)細(xì)節(jié)，請(qǐng)隨時(shí)關(guān)注我們的后續(xù)文章。

責(zé)任編輯：haq