h1_key

STM32Cube.AI是意法半導體AI生態(tài)系統的一部分，是STM32Cube的一個擴展包，它可以自動轉換和優(yōu)化預先訓練的神經網絡模型并將生成的優(yōu)化庫集成到用戶項目中，從而擴展了STM32CubeMX的功能。它還提供幾種在桌面PC和STM32上驗證神經網絡模型以及測量模型性能的方法，而無需用戶手工編寫專門的C語言代碼。

  本文將更深入地介紹它的一些高級特性。將涉及以下主題：

  ●運行時環(huán)境支持：Cube.AI vs TensorFlow Lite

  ●量化支持

  ●圖形流與存儲布局優(yōu)化

  ●可重定位的二進制模型支持

  運行時環(huán)境支持：Cube.AI vs TensorFlow Lite

  STM32Cube.AI支持兩種針對不同應用需求的運行時環(huán)境：Cube.AI和TensorFlow Lite。作為默認的運行時環(huán)境，Cube.AI是專為STM32高度優(yōu)化的機器學習庫。而TensorFlow Lite for Microcontroller是由谷歌設計，用于在各種微控制器或其他只有幾KB存儲空間的設備上運行機器學習模型的。其被廣泛應用于基于MCU的應用場景。STM32Cube.AI集成了一個特定的流程，可以生成一個即時可用的STM32 IDE項目，該項目內嵌TensorFlow Lite for Microcontrollers運行時環(huán)境(TFLm)以及相關的TFLite模型。這可以被看作是Cube.AI運行時環(huán)境的一個替代方案，讓那些希望擁有一個跨多個項目的通用框架的開發(fā)人員也有了選擇。

  雖然這兩種運行時環(huán)境都是為資源有限的MCU而設計，但Cube.AI在此基礎上針對STM32的獨特架構進行了進一步優(yōu)化。因此，TensorFlow Lite更適合有跨平臺可移植性需求的應用，而Cube.AI則更適合對計算速度和內存消耗有更高要求的應用。

  下表展示了兩個運行時環(huán)境之間的性能比較(基于一個預訓練的神經網絡參考模型)。評價指標是在STM32上的推斷時間和內存消耗。

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

  對于TFLite模型，用戶可以在STM32Cube.AI的網絡配置菜單中對2個運行時環(huán)境進行選擇。

  量化支持

  量化是一種被廣泛使用的優(yōu)化技術，它將32位浮點模型壓縮為位數更少的整數模型，在精度只略微下降的情況下，減少了存儲大小和運行時的內存峰值占用，也減少了CPU/MCU的推斷時間和功耗。量化模型對整數張量而不是浮點張量執(zhí)行部分或全部操作。它是面向拓撲、特征映射縮減、剪枝、權重壓縮等各種優(yōu)化技術的重要組成部分，可應用在像MCU一樣資源受限的運行時環(huán)境。

  通常有兩種典型的量化方法：訓練后量化(PTQ)和量化訓練(QAT)。PTQ相對容易實現，它可以用有限的具有代表性的數據集來量化預先訓練好的模型。而QAT是在訓練過程中完成的，通常具有更高的準確度。

  STM32Cube.AI通過兩種不同的方式直接或間接地支持這兩種量化方法：

  ●首先，它可以用來部署一個由PTQ或QAT過程生成的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“TFLite converter” utility導出TensorFlow Lite文件。

  ●其次，其命令行接口(CLI)還集成了一個內部的訓練后量化(PTQ)的過程，支持使用不同的量化方案對預訓練好的Keras模型進行量化。與使用TFLite Converter工具相比，該內部量化過程提供了更多的量化方案，并在執(zhí)行時間和精確度方面有更好的表現。

  下表顯示了在STM32上部署量化模型(與原有浮點模型相比)的好處。此表使用FD-MobileNet作為基準模型，共有12層，參數大小145k，MACC操作數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存儲和RAM存儲，且運行速度提高了約3倍，而精確度僅僅下降了0.7%。

  在文檔的末尾還附上了一個快速實踐示例：“量化一個MNIST模型”。

  圖形流與存儲布局優(yōu)化

  除了量化技術，STM32Cube.AI還通過使用其C代碼生成器的優(yōu)化引擎，針對推理時間優(yōu)化內存使用(RAM & ROM)。該引擎基于無數據集的方法，無需驗證或測試數據集來應用壓縮和優(yōu)化算法。

  一種方法：權重/偏置項壓縮，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)勢是壓縮速度快，但是結果并不是無損的，最終的精度可能會受到影響。STM32Cube.AI提供“驗證”功能，用于對所生成的C模型中產生的誤差進行評估。

  “壓縮”選項可以在STM32Cube.AI的網絡配置中激活，如下圖所示：

  第二種方法：操作融合，通過合并層來優(yōu)化數據布局和相關的計算核。轉換或優(yōu)化過程中會刪除一些層(如“Dropout”、“Reshape”)，而有些層(如非線性層以及卷積層之后的池化層)會被融合到前一層中。其好處是轉換后的網絡通常比原始網絡層數少，降低了存儲器中的數據吞吐需求。

  最后一種方法是優(yōu)化的激活項存儲。其在內存中定義一個讀寫塊來存儲臨時的隱藏層值(激活函數的輸出)。此讀寫塊可以被視為推理函數使用的暫存緩沖區(qū)，在不同層之間被重復使用。因此，激活緩沖區(qū)的大小由幾個連續(xù)層的較大存儲需求決定。比如，假設有一個3層的神經網絡，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：生成的神經網絡C文件被編譯并與最終用戶應用程序堆棧靜態(tài)鏈接在一起。

  如下圖所示，所有對象(包括神經網絡部分和用戶應用程序)根據不同的數據類型被一起鏈接到不同的部分。在這種情況下，當用戶想要對功能進行部分更新時(比如只更新神經網絡部分)，將需要對整個固件進行更新。

  相反，可重定位二進制模型指定一個二進制對象，該對象可以安裝和執(zhí)行在STM32內存子系統的任何位置。它是所生成的神經網絡C文件的編譯后的版本，包括前向核函數以及權重。其主要目的是提供一種靈活的方法來更新AI相關的應用程序，而無需重新生成和刷寫整個終端用戶固件。

  生成的二進制對象是一個輕量級插件。它可以從任何地址(位置無關的代碼)運行，其數據也可放置于內存中的任何地方(位置無關的數據)。

  STM32Cube.AI簡單而高效的AI可重定位運行時環(huán)境可以將其實例化并使用它。STM32固件中沒有內嵌復雜的資源消耗型動態(tài)鏈接器，其生成的對象是一個獨立的實體，運行時不需要任何外部變量或函數。

  下圖的左側部分是神經網絡的可重定位二進制對象，它是一個自給自足的獨立實體，鏈接時將被放置于終端用戶應用程序的一個單獨區(qū)域中(右側部分)。它可以通過STM32Cube.AI的可重定位運行時環(huán)境被實例化以及動態(tài)鏈接。因此，用戶在更新AI模型時只需要更新這部分二進制文件。另外，如果有進一步的靈活性需求，神經網絡的權重也可以選擇性地被生成為獨立的目標文件。

  可重定位網絡可以在STM32Cube.AI的高級設置中激活，如下圖所示：

  最后，作為意法半導體人工智能生態(tài)系統的核心工具，STM32Cube.AI提供許多基本和高級功能，以幫助用戶輕松創(chuàng)建高度優(yōu)化和靈活的人工智能應用。