基于米尔芯驰MY-YD9360商显板的神经网络推理库测试
<h1><span style="font-size:16px;"><span style="font-family:Times;">本篇测评由优秀测评者“短笛君”提供。</span></span></h1><p>本文将介绍基于米尔电子MYD-YD9360商显板（米尔基于芯驰D9360国产开发板）的TinyMaxi轻量级的神经网络推理库方案测试。</p>
<h2> </h2>
<h2><strong>算力测试</strong></h2>
<p>TinyMaix 是面向单片机的超轻量级的神经网络推理库，即 TinyML 推理库，可以让你在任意单片机上运行轻量级深度学习模型~ 开源地址：</p>
<section><a _href="https://github.com/sipeed/TinyMaix" data-linktype="2" href="https://github.com/sipeed/TinyMaix">https://github.com/sipeed/TinyMaix</a></section>
<blockquote data-author-name="" data-content-utf8-length="72" data-source-title="" data-type="2" data-url="">
<section>
<section>
<section><span style="font-family:Arial;">搭建的环境为编译的Ubuntu18.04 已经预装好cmake make工具</span></section>
<section><span style="font-family:Arial;">由于魔法网络原因，这里提前下载好tar包到宿主机上，然后传输到板卡中解压</span></section>
</section>
</section>
</blockquote>
<ul>
<li>
<p>查看cmake版本</p>
</li>
</ul>
<pre>
<code>cmake -version</code></pre>
<section>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
</section>
<ul>
<li>
<p>查看cmake版本</p>
</li>
</ul>
<pre>
<code>make -version</code></pre>
<p> </p>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
<p> </p>
<p>确认文件路径，尽量不要拷贝到有权限的路径下</p>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
<p> </p>
<p>自带示例</p>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
<p>文件结构</p>
<p> </p>
<h3><strong>MNIST示例</strong></h3>
<blockquote data-author-name="" data-content-utf8-length="14" data-source-title="" data-type="2" data-url="">
<section>
<section><span style="font-family:Arial;">MNIST是手写数字识别任务</span></section>
</section>
</blockquote>
<p>cd到examples/mnist目录下 使用mkdir build && cd build 命令切换到build文件夹下</p>
<pre>
<code>cmake ..
make./ mnist</code></pre>
<p> </p>
<p>cmake生成构建系统</p>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
<p>使用make构建可执行文件然后运行</p>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
<p> </p>
<section>可以看到输出信息</section>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
<section>MNIST 示例默认未使用任何指令加速，运行了一张 28×28 的手写数字模拟图像，共消耗了 0.114 毫秒</section>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
<h3><strong>MBNET示例</strong></h3>
<blockquote data-author-name="" data-content-utf8-length="24" data-source-title="" data-type="2" data-url="">
<section>
<section><span style="font-family:Arial;">mbnet 是适用于移动设备的简单图像分类模型。</span></section>
</section>
</blockquote>
<ul>
<li>
<p>切换到 /examples/mbnet 目录：</p>
</li>
<li>
<p>修改 main.c 文件</p>
</li>
<li>
<p>创建 build 文件夹并切换</p>
</li>
<li>
<p>使用 cmake 命令生成构建系统</p>
</li>
<li>
<p>使用 make 命令构建系统，生成可执行文件</p>
</li>
<li>
<p>运行可执行文件，执行效果如下</p>
</li>
</ul>
<section>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
</section>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
<ul>
<li>
<p>MBNET 示例运行输入了一张 96×96×3 的 RGB 图像，输出 1000 分类，共消耗了 16.615 毫秒</p>
<p> </p>
<p> </p>
</li>
</ul>
<h3><strong>运行cifar10 demo</strong></h3>
<section>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
</section>
<section>
<div style="text-align: center;">
<div style="text-align: center;"></div>
<p> </p>
</div>
</section>
<section> </section>
页:
[1]