TensorFlow Lite ESP32:lla

Mikä on TensorFlow Lite?

Vaiheet käyttöönottoon ESP32:lla

Kouluta malli

• Komento: pip install tensorflow
• Esimerkkikoodi:

  import numpy as np
  import tensorflow as tf
  from tensorflow import keras
  
  angles = np.random.uniform(low=-np.pi, high=np.pi, size=(1000, 1))
  sines = np.sin(angles)
  model = keras.Sequential([keras.layers.Dense(1, input_shape=(1,))])
  model.compile(optimizer='adam', loss='mean_squared_error')
  model.fit(angles, sines, epochs=100, verbose=0)
  model.save('sine_model.h5')
      
    

  Kopioi koodi ✔ Kopioitu!

Muunna TensorFlow Lite -muotoon

• Asenna työkalu: pip install tflite
• Muunna: tflite_convert --keras_model_file sine_model.h5 --output_file sine_model.tflite

Määritä ESP32

• Lisää URL: http://dl.espressif.com/dl/package_esp32_index.json Asetuksissa.
• Asenna Board Managerin kautta.
• Lisää tflite-micro-kirjasto GitHub-repositorysta Arduino-kirjastoihin.

Integroi ja suorita

• Koodi:

  #include 
  #include "tflite-micro.h"
  #include "sine_model.h"
  
  tflite::MicroErrorReporter micro_error_reporter;
  tflite::ErrorReporter* error_reporter = µ_error_reporter;
  const unsigned char* model_data = sine_model;
  const size_t model_size = sine_model_len;
  const tflite::Model* model = tflite::GetModel(model_data);
  tflite::AllOpsResolver resolver;
  constexpr int kTensorArenaSize = 2000;
  uint8_t tensor_arena[kTensorArenaSize];
  tflite::MicroInterpreter interpreter(model, resolver, tensor_arena, kTensorArenaSize, error_reporter);
  
  float randomFloat(float min, float max) {
      return min + (max - min) * (float)random(0, 10000) / 10000.0;
  }
  
  void setup() {
      Serial.begin(115200);
      interpreter.AllocateTensors();
  }
  
  void loop() {
      float kulma = randomFloat(-3.1416, 3.1416);
      TfLiteTensor* input = interpreter.input(0);
      input->data.f[0] = kulma;
      if (interpreter.Invoke() != kTfLiteOk) {
          error_reporter->Report("Mallin kutsu epäonnistui");
          return;
      }
      TfLiteTensor* output = interpreter.output(0);
      float prediction = output->data.f[0];
      Serial.print("Kulma: ");
      Serial.print(angle);
      Serial.print(", Ennustettu sini: ");
      Serial.println(prediction);
      delay(1000);
  }
      
    

  Kopioi koodi ✔ Kopioitu!

• Lataa ESP32:lle, avaa Sarjamonitori nähdäksesi tulokset.

Odottamaton yksityiskohta

TensorFlow Liten käyttöönotto ESP32:lla

Tausta ja konteksti

Yksityiskohtaiset vaiheet käyttöönottoon

Vaihe 1: Koneoppimismallin koulutus

• Asennus: Asenna TensorFlow komennolla pip install tensorflow.
• Koulutuskoodi: Seuraava koodi luo aineiston ja kouluttaa mallin:

  import numpy as np
  import tensorflow as tf
  from tensorflow import keras
  
  # Luo aineisto
  angles = np.random.uniform(low=-np.pi, high=np.pi, size=(1000, 1))
  sines = np.sin(angles)
  
  # Luo yksinkertainen neuroverkkomalli
  model = keras.Sequential([
      keras.layers.Dense(1, input_shape=(1,))
  ])
  
  # Kokoa malli
  model.compile(optimizer='adam', loss='mean_squared_error')
  
  # Kouluta malli
  model.fit(angles, sines, epochs=100, verbose=0)
  
  # Tallenna malli
  model.save('sine_model.h5')
      
    

  Kopioi koodi ✔ Kopioitu!

• Huomautuksia: Tämä malli on yksinkertainen, sisältäen yhden tiheän kerroksen, sopiva ESP32:n rajallisille resursseille. Datasetti koostuu 1000 satunnaisesta kulmasta ja niiden sini-arvoista, koulutettuna 100 epookin ajan Adam-optimointimenetelmällä ja keskimääräisen neliövirheen häviöllä.

Vaihe 2: Mallin muuntaminen TensorFlow Lite -muotoon

• Asennus: Asenna muunnostyökalu komennolla pip install tflite.
• Muunnoskomeno: Käytä seuraavaa muuntamiseen:

tflite_convert --keras_model_file sine_model.h5 --output_file sine_model.tflite
  

• Yksityiskohdat: .tflite-tiedosto on optimoitu koolle ja suorituskyvylle, mikä on ratkaisevaa mikrokontrollereille kuten ESP32, joilla on rajallinen flash-muisti ja RAM.

Vaihe 3: ESP32-kehitysympäristön asennus

• ESP32-levyntuki:
    Avaa Arduino IDE, mene Tiedosto > Asetukset ja lisää http://dl.espressif.com/dl/package_esp32_index.json Lisää Lisälevynhallinnan URL-osoitteisiin.
    Mene Työkalut > Levy > Levynhallinta, etsi "esp32" ja asenna uusin versio.
• TensorFlow Lite Micro -kirjasto:
    Lataa GitHub-repositoriosta ja lisää Arduino-kirjastohakemistoon tai käytä Kirjastonhallintaa, jos saatavilla.
    Varmista yhteensopivuus ESP32:n kanssa, sillä Espressif tarjoaa erityistä tukea tflite-microlle.

Vaihe 4: Mallin integrointi ESP32-koodiin

• Muunna C-taulukoksi: Käytä komentoa xxd -i sine_model.tflite > sine_model.h luodaksesi otsikkotiedoston, joka sisältää mallin tiedot C-taulukkona, tyypillisesti:

#include 
#include "tflite-micro.h"
#include "sine_model.h"

tflite::MicroErrorReporter micro_error_reporter;
tflite::ErrorReporter* error_reporter = µ_error_reporter;
const unsigned char* model_data = sine_model;
const size_t model_size = sine_model_len;
const tflite::Model* model = tflite::GetModel(model_data);
tflite::AllOpsResolver resolver;
constexpr int kTensorArenaSize = 2000;
uint8_t tensor_arena[kTensorArenaSize];
tflite::MicroInterpreter interpreter(model, resolver, tensor_arena, kTensorArenaSize, error_reporter);

float randomFloat(float min, float max) {
    return min + (max - min) * (float)random(0, 10000) / 10000.0;
}

void setup() {
    Serial.begin(115200);
    interpreter.AllocateTensors();
}

void loop() {
    float kulma = randomFloat(-3.1416, 3.1416);
    TfLiteTensor* input = interpreter.input(0);
    input->data.f[0] = kulma;
    if (interpreter.Invoke() != kTfLiteOk) {
        error_reporter->Report("Mallin kutsu epäonnistui");
        return;
    }
    TfLiteTensor* output = interpreter.output(0);
    float prediction = output->data.f[0];
    Serial.print("Kulma: ");
    Serial.print(angle);
    Serial.print(", Ennustettu sini: ");
    Serial.println(prediction);
    delay(1000);
}
  

• Huomautuksia: randomFloat-funktio generoi satunnaisia kulmia testaukseen yksinkertaisella skaalausmenetelmällä. Tensorialueen koko (2000 tavua) saattaa vaatia säätöä suuremmille malleille ESP32:n 520 KB SRAM-muistin vuoksi.

Vaihe 5: Lataa ja suorita koodi

• Menettely: Varmista, että kortti on valittu oikein (esim. ESP32 Dev Module), käännä ja lataa. Avaa Sarjaporttimonitori nopeudella 115200 nähdäksesi tulosteet.

Huomioitavaa ja mahdollisia haasteita

• Muistirajoitukset: ESP32:lla on 520 KB SRAM-muistia ja rajallinen flash-muisti, joten varmista, että malli ja tensorialue mahtuvat näihin rajoihin. Optimoi vähentämällä mallin monimutkaisuutta tai kasvattamalla tensorialueen kokoa tarvittaessa.
• Kirjaston yhteensopivuus: Varmista, että tflite-micro-kirjaston versio vastaa ESP32:n vaatimuksia, sillä Espressif tarjoaa erityistä tukea.
• Satunnaislukujen generointi: randomFloat-funktio käyttää yksinkertaista skaalausmenetelmää, joka ei välttämättä ole tarkka kaikissa sovelluksissa. Harkitse vahvemman satunnaislukugeneraattorin käyttöä tuotannossa.

Odottamaton havainto

Johtopäätös

Keskeiset viitteet

• Helppo TinyML ESP32:lla ja Arduinolla
• TensorFlow Lite Micro Espressif-piireille
• Ensiaskeleet ESP32:n ja TensorFlow Liten kanssa mikrokontrollereille
• TensorFlow Lite TinyML ESP32:lle