如何在 SBC 中集成神经网络

在本文中，我们将学习如何将神经网络集成到 SBC. 我们将创建一个 3 层神经网络来逼近函数 sin(x)。

该过程分为两部分： 1. 训练网络，这将在 PC 上完成； 2. 运行网络，这将在 SBC 中完成。

对于这一部分，我们将使用 Jupyter 笔记本，以及 Keras、Numpy 和 Pylab 库。

Step 1. 导入必要的库

步骤 2. 创建训练数据集

我们的数据集包含 10000-0*pi 范围内的 2 个随机数作为输入 X，它们对应的 sin 函数作为输入 Y。请注意，我们已将 Y 的范围调整为从 0 到 1。

步骤 3. 创建神经网络

为了创建神经网络，我们创建了一个模型对象并向其添加 3 层。 这是通过 Keras 库提供的 API 完成的。

第一层的神经元数量为 32，中间层为 32，输出为 1。

我们将使用 relu 和 sigmoid 激活。

使用的优化器是 Adam 和误差函数 MSE。

网络参数个数为 1153。

步骤 4. 培训

训练时，神经网络使用数据集来调整其参数，以使误差最小化。

在这种情况下，我们将整个数据集通过网络 10 次，分 32 个样本批次。

我们可以看到，在训练结束时，误差非常小，为 2.5e-5。

步骤 5. 验证

现在我们将最后一次测试神经网络并将其与预期值进行比较。 如图所示，网络非常接近正弦函数。

步骤 6. 导出数据

此功能允许您将神经网络的权重导出到文本文件，然后从 SBC 加载它。

第 2 部分。在 SBC 上执行

首先，我们将回顾神经网络的实现。

神经网络分为 4 类：Neural_Network、Layer、Perceptron 和 Activation。

每个类基本上都有一个称为 process 的方法，负责完成所有工作，以及加载和保存方法。

特 活化 类，实现线性、relu、sigmoid 和 tanh 激活函数。

特 感知器 类负责执行所有的乘法。 请注意，向量乘法功能是在 ASM 中实现的，以免牺牲性能。

ASM 与 Python 实现

向量乘法负责大部分 CPU 使用，因此在 ASM 上实现它可以大大提高库的性能。 在这个例子中，执行了一个简单的 100×100 向量乘法。 一个python实现需要1339us，而ASM实现只需要28us。 在保留相同输出值的同时，这大约快 50 倍。

特 层 类将几个感知器并行分组。

班级 神经网络 堆叠所有网络层。

最后，我们可以查看/检查网络的使用情况。

我们将带有权重的文件复制到 SBC 并执行以下 main.py。

此代码从 sine.unn 文件加载网络并计算 0.123 的正弦，然后显示网络获得的值和真实正弦，以及计算时间（以微秒为单位）。

输出:

如我们所见，输出近似于预期值，小数点后 4 位。

这个网络有 1153 个权重，需要 4612(1153*4) 字节的 RAM 来存储浮点值的权重，处理时间为 5.8ms。