本文將介紹基于米爾電子MYD-LR3576開發(fā)平臺部署超輕量級推理框架方案：

TinyMaix摘自優(yōu)秀創(chuàng)作者-短笛君

TinyMaix 是面向單片機(jī)的超輕量級的神經(jīng)網(wǎng)絡(luò)推理庫，即 TinyML 推理庫，可以讓你在任意低資源MCU上運行輕量級深度學(xué)習(xí)模型。

關(guān)鍵特性

核心代碼少于 400行

(tm_layers.c+tm_model.c+arch_cpu.h),

代碼段(.text)少于3KB低內(nèi)存消耗支持 INT8/FP32/FP16 模型，實驗性地支持 FP8 模型，支持 keras h5 或 tflite 模型轉(zhuǎn)換支持多種芯片架構(gòu)的專用指令優(yōu)化: ARM SIMD/NEON/MVEI，RV32P, RV64V友好的用戶接口，只需要 load/run 模型支持全靜態(tài)的內(nèi)存配置(無需 malloc )

同樣地也可以部署到MPU平臺上

RK3576平臺相較于RK3588其主要縮減了四個A76大核改成了A72GPU也由原來的G610 MC4減為了G52MC3NPU功能保持變不變，均為6Tops視頻編解碼也略有縮減其余各接口也砍掉了一部分主打極致性價比方案

說回正題，要運行TinaMaix 只需要簡單幾個步驟即可運行。首先確保系統(tǒng)安裝了cmake gcc make工具：

克隆存儲庫[GitHub - sipeed/TinyMaix: TinyMaix is a tiny inference library for microcontrollers (TinyML).]

運行mnist手寫數(shù)字識別任務(wù)

cd examples/mnistmkdir buildcd build cmake ..make./mnist

整個流程跑完僅僅需要0.14ms

可以看到soc平臺強(qiáng)大的算力

mbnet是適用于移動手機(jī)設(shè)備的簡單圖像分類模型，不過對單片機(jī)來說也稍微困難了些。例程里的模型是 mobilenet v1 0.25，輸入 128x128x3 的RGB圖像，輸出1000 分類的預(yù)測。它需要至少 128KB SRAM 和 512KB Flash。

mkdir buildcd buildcmake ..make./mbnet

運行1000分類，耗費資源如下：param “481,9 KB,0PS13,58 M0PS, buffer 96 0 KB

vww測試，主要是將圖片信息轉(zhuǎn)化為數(shù)組格式提供給網(wǎng)絡(luò)輸入。

手寫數(shù)字識別的例程也是十分簡單，只需要：

庫文件已經(jīng)是高度封裝且兼容，所以很輕松地就可以在linux以及其它平臺上移植，在RK3576這種高性能soc的加持下，可以發(fā)揮出更大的優(yōu)勢。