移植CMSIS-NN v6.0.0版本到VisionBoard
CMSIS-NN是什么？
官方的解释是：
CMSIS NN software library is a collection of efficient neural network kernels developed to maximize the performance and minimize the memory footprint of neural networks on Arm Cortex-M processors.
翻译一下就是：
CMSIS NN 软件库是一组高效的神经网络核（函数），旨在最大限度地提高 Arm Cortex-M 处理器上神经网络的性能并最大限度地减少内存占用。
CMSIS-NN是一个计算库，它向上提供了神经网络（NN）计算接口，实现了神经网络计算的硬件加速。它内部实现了纯CPU计算、DSP计算、MVE计算，屏蔽了底层硬件的具体细节，降低了编程难度。
为什么移植CMSIS-NN v6.0.0版本？
1
CMSIS-NN核心特性
总结一下官方的介绍，可以知道CMSIS-NN库的核心特性：
专为Cortex-M处理器开发；
神经网络计算函数；
最大化性能；
最小化内存占用
2
CMSIS-NN的硬件和软件支持
除此之外，CMSIS-NN库还有几点也是值得关注的：
支持DSP扩展的处理器，使用SIMD优化，例如Cortex-M4核；
支持ARM的Heilum技术的处理器，使用M核向量扩展（MVE，M-profile Vector Extension）进行优化，例如 Cortex-M55 或 Cortex-M85；
MVE扩展恰好是ARM Cortex-M85内置的；
VisionBoard主控芯片瑞萨RA8D1的CPU核正是ARM Cortex-M85；
CMSIS-NN可以作为TensorFlow Lite for Microcontroller的后端实现；
3
CMSIS-NN核心特性
CMSIS-NN v6.0.0版本的发布说明中，介绍了新特性：
全连接（FC）、卷积（CONV）和深度卷积（DWCONV）添加了MVE指令的int4类型支持；
重新实现 LSTM 以与 TFLM 参考内核保持一致；
LSTM 对 int16 输入的支持
DSP/MVEI 支持转置卷积
支持分组卷积
支持 FC 的非零滤波器偏移
对 MVEI 的 Int16 输入卷积支持
对 int16x8 卷积的 Int32 偏置支持
更能多内容可以查看本文末尾的CMSIS-NN v6.0.0 Release Note；
如何移植CMSIS-NN v6.0.0到VisionBoard？
1
创建RT-Thread项目
RT-Thread Studio创建基于VisionBoard开发板的模板项目，过程比较简单，不再赘述。
2
添加CMSIS-NN源码
RT-Thread Studio创建基于VisionBoard开发板的模板项目后，
在packages目录手动下载CMSIS-NN v6.0.0版本：
3
修改RT-Thread代码
修改项目顶层的Kconfig文件，添加如下代码行：
注意：Kconfig修改需要完需要保证最后有一行空行，否则menuconfig命令会报奇怪的错误。
检查packages目录内是否有SConsript文件，并且内容如下：
如果没有，可以手动创建。
4
修改CMSIS-NN代码
CMSIS-NN目录顶层创建SConscript文件，内容如下：
创建Kconfig文件，内容如下：
5
编译RT-Thread项目
完成以上修改之后，已经可以编译CMSIS-NN库的代码了。
在命令行中执行如下命令，编译整个项目：
编译输出最后部分如下图所示：
如何测试CMSIS-NN v6.0.0？
1
CMSIS-NN核心特性
CMSIS-NN库内部带有了单元测试，具体位于 Tests/UnitTest 子目录，其中 unittest_targets.py 脚本可以用于生成测试脚手架代码，使用方法如下：
当前生成的代码是单独生成elf文件，并在ARM虚拟硬件（AVH）平台上运行的。
默认情况下，执行python unittest_targets.py —download-and-generate-test-runners命令，会为每个测试用例生成一个main函数，每个测试用例单独编译为一个elf文件，之后使用ARM虚拟硬件（AVH）执行elf进行测试。
为了能够生成在RT-Thread上运行的测试代码，需要修改部分测试脚本代码，实现将每个测试用例注册为一个独立的finsh命令，在串口命令行中交互测试。
具体修改的代码差异如下：
这段修改实现了：
调用unity的ruby脚本，传递main_name命令行参数，用于修改单元测试入口函数名称（不指定默认是main）；
生成一个独立的RT-Thread finsh命令注册代码.c文件；
生成一个用于编译的SConscript代码文件；
另外，再结合上层目录的SConcsript包含所有子目录的SConscript，就可以实现将所有单元测试编译为finsh命令了。
修改完该脚本文件后，执行如下命令，生成RT-Thread平台测试代码：
命令执行输出如下：
2
测试代码的构建规则SConscript
然后需要在CMSIS-NN的Tests子目录内，添加SConscript文件：
这段SConscript的作用是，将子目录的SConscript脚本包含到整个项目的构建流程中去。
接着需要在CMSIS-NN的Tests/UnitTest子目录内，添加SConscript文件：
完成以上修改后，通过menuconfig打开 PKG_USING_CMSIS_NN_TESTS 配置项目，再次 scons 编译，就可以编译单元测试代码文件了。
3
解决链接失败问题
但是还会有一些编译错误，原因主要有：
原来的测试脚本为每个测试用例独立生成main函数，每个目录单独编译；
链接到一起时，会有大量重复的setUp/tearDown/resetTest/verifyTest函数定义；
原来的测试数据数组没有加static修饰，被重复include到多个.c文件；
链接到一起时，会有数组重复的数组定义；
为了解决上述两类问题，分别创建两个脚本。
修复重复函数定义的 fix_testCode.sh：
解决方法，所有 setUp/tearDown/resetTest/verifyTest 函数添加 weak 属性修饰；
修复重复数组定义的 fix_testData.sh：
解决方法，所有测试数据的数组添加static修饰。
分别执行上面两个脚本之后，再次编译，就没有编译错误了。
4
运行单元测试
顺利编译之后，下载固件：
运行后，在串口输入help命令可以看到：
输入命令，运行avgpool算子的测试：
其他几个算子的s8类型测试：
-
CMSIS
+关注
关注
0文章
40浏览量
11892 -
开发板
+关注
关注
25文章
5032浏览量
97370 -
RT-Thread
+关注
关注
31文章
1285浏览量
40075
发布评论请先 登录
相关推荐
[基于GD32F350RB的音频识别器] 3. CMSIS-NN神经网络配置解析
CMSIS-NN神经网络内核助力微控制器效率提升
DSP数字信号处理和CMSIS-NN神经网络教程
如何将TensorFlow Lite应用程序移植到Arm Cortex-M55系统上
详细说明将TensorFlow Lite的微控制器应用程序移植到Arm Cortex-M55上的过程
AT32讲堂016 | AT32 MCU DSP使用案例和网络神经算法CMSIS-NN案例
ARM Cortex-M系列芯片神经网络推理库CMSIS-NN详解
如何在SDKv2.12中选择正确的CMSIS文件夹？
用CMSIS-NN版本转换Arm Cortex-M的神经网络：r0p0指南
基于CMSIS-NN内核的神经网络推理运算 对运行时间/吞吐量和能效有显著提升
unc0ver 6.0.0版本或将支持iOS 14.3全设备越狱
事隔五年之后，开启第2版DSP数字信号处理和CMSIS-NN神经网络教程，同步开启三代示波器，前50章发布（2021-11
工商网监
评论