本篇测评由优秀测评者"短笛君"提供。
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。
算力测试
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：
GitHub - sipeed/TinyMaix: TinyMaix is a tiny inference library for microcontrollers (TinyML).
搭建的环境为编译的Ubuntu18.04 已经预装好cmake make工具
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
-
查看cmake版本
cmake -version
-
查看cmake版本
make -version
确认文件路径，尽量不要拷贝到有权限的路径下
自带示例
文件结构
MNIST示例
MNIST是手写数字识别任务
cd到examples/mnist目录下 使用mkdir build && cd build 命令切换到build文件夹下
cmake ..
make./ mnistcmake生成构建系统
使用make构建可执行文件然后运行
可以看到输出信息
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
MBNET示例
mbnet 是适用于移动设备的简单图像分类模型。
-
切换到 /examples/mbnet 目录：
-
修改 main.c 文件
-
创建 build 文件夹并切换
-
使用 cmake 命令生成构建系统
-
使用 make 命令构建系统，生成可执行文件
-
运行可执行文件，执行效果如下
- 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
运行cifar10 demo
