nnom

NNoM项目介绍

背景与概述

NNoM，即"Neural Network on Microcontroller"，是一个针对微控制器的高层推理神经网络库。它旨在为嵌入式开发者提供简洁的接口，使得神经网络模型能够快速部署到微控制器上。

项目亮点

1. 易于部署：用户只需一行代码即可将Keras模型部署为NNoM模型。
2. 丰富的结构支持：支持复杂的神经网络结构，包括Inception、ResNet、DenseNet、Octave卷积等。
3. 友好的用户界面：接口设计贴近人性化，便于用户操作。
4. 高性能后端选择：在性能和效率方面有优化选择。
5. 零性能损失：通过预编译机制，避免了运行时的解释器造成的性能损失。
6. 工具丰富：内置评估工具，包括运行时分析、Top-k和混淆矩阵等。

最新更新 - v0.4.x系列

• RNN层更新：在版本0.4.1中实现了Recurrent层（RNN），包括Simple RNN、GRU、LSTM等，支持状态保持和序列返回选项。
• 新结构接口：引入了结构化接口，以一种C结构提供层的所有配置，相较于层API，更加适合机器友好的操作。
• 通道量化支持：支持卷积层的每通道量化和扩频。
• 新脚本：从0.4.0版本起，NNoM默认使用结构化接口生成模型头文件weights.h。

为什么选择NNoM？

NNoM的目标是为开发者提供轻量级、用户友好的接口，以便快速在微控制器上部署神经网络。随着神经网络结构的不断发展，微控制器平台下的库往往太低级，难以在小型设备上实现复杂结构。NNoM的设计初衷就是为了解决这一问题，使开发者能够专注于模型开发，而不必过多关注底层实现。

安装与使用

NNoM可以作为一个Python包安装，安装时需要Tensorflow，推荐版本是小于等于2.14。同时，可以通过提供的命令将C文件集成到自己的项目中。

性能表现

根据多篇对比文章，NNoM在推理时间和内存使用上都表现出色，甚至优于一些知名的MCU AI工具如TensorFlow Lite和STM32Cube.AI。具体性能对比可参考相关论文。

示例与文档

该项目提供了一系列文档与示例帮助用户快速上手。用户可以查阅指南、示例代码学习如何在微控制器上实现神经网络模型。

已知问题

当前版本的转换器不支持隐式定义的激活函数，建议使用显式的激活函数定义以提高兼容性。

开发者联系信息

开发者马建佳（Jianjia Ma）可以通过邮箱majianjia@live.com进行联系，寻求技术支持或协助。有关NNoM在出版物中的引用要求也可以通过此邮箱获取。

通过对NNoM的介绍，您可以初步了解这个项目在嵌入式AI领域中的应用潜力，并能够在实际项目中进行尝试和实践。