Apache TVM是一个深度的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 →https://tvm.hyper.ai/
作者 ：Mehrdad Hessar
本教程介绍了如何为微型设备编译一个微模型，并在 Zephyr 平台上构建一个程序，来执行这个模型，烧录程序，并用 tvmc micro 命令来执行所有模型。在进行本教程之前你需要安装 python 和 Zephyr 依赖
安装 microTVM Python 依赖项
TVM 不包含用于 Python 串行通信包，因此在使用 microTVM 之前我们必须先安装一个。我们还需要TFLite来加载模型。
pip install pyserial==3.5 tflite==2.1安装 Zephyr
# 安装 west 和 ninja
python3 -m pip install west
apt-get install -y ninja-build
# 安装 ZephyrProject
ZEPHYR_PROJECT_PATH="/content/zephyrproject"
export ZEPHYR_BASE=${ZEPHYR_PROJECT_PATH}/zephyr
west init ${ZEPHYR_PROJECT_PATH}
cd ${ZEPHYR_BASE}
git checkout v3.2-branch
cd ..
west update
west zephyr-export
chmod -R o+w ${ZEPHYR_PROJECT_PATH}
# 安装 Zephyr SDK
cd /content
ZEPHYR_SDK_VERSION="0.15.2"
wget "https://github.com/zephyrproject-rtos/sdk-ng/releases/download/v${ZEPHYR_SDK_VERSION}/zephyr-sdk-${ZEPHYR_SDK_VERSION}_linux-x86_64.tar.gz"
tar xvf "zephyr-sdk-${ZEPHYR_SDK_VERSION}_linux-x86_64.tar.gz"
mv "zephyr-sdk-${ZEPHYR_SDK_VERSION}" zephyr-sdk
rm "zephyr-sdk-${ZEPHYR_SDK_VERSION}_linux-x86_64.tar.gz"
# 安装 python 依赖
python3 -m pip install -r "${ZEPHYR_BASE}/scripts/requirements.txt"使用 TVMC Micro
TVMC 是一个命令行工具，也是 TVM Python 包的一部分。机器设置不同，访问此软件包的方式也不一样。多数情况下，可以直接使用 tvmc 命令。如果在 $PYTHONPATH 上将 TVM 作为 Python 模块，你可以使用 python -m tvm.driver.tvmc 命令来访问此驱动程序。简单起见，本教程使用 tvmc 命令。
检查是否安装了 TVMC 命令，运行如下命令：
tvmc --help使用 tvmc compile 子命令为 microtvm 编译模型，此命令的输出在后续步骤中与 tvmc micro 子命令一起使用。使用以下命令检查 TVMC Micro 是否可用：
tvmc micro --help使用 tvmc micro 执行的主要任务是 create、build 和 flash。要了解各个子命令下的特定选项，可使用 tvmc micro <subcommand> --help。本教程会使用每个子命令。
获取微模型
本教程使用 TFLite micro 的 Micro Speech 模型。Micro Speech 是一个深度卷积模型，可以识别演讲中的关键词。
本教程使用 TFLite 格式的模型。
wget https://github.com/tensorflow/tflite-micro/raw/a56087ffa2703b4d5632f024a8a4c899815c31bb/tensorflow/lite/micro/examples/micro_speech/micro_speech.tflite将 TFLite 模型编译为模型库格式
模型库格式（Model Library Format，简称 MLF）是 TVM 为微 target 提供的一种输出格式，MLF 是包含了 TVM 编译器输出的所有部分的 tarball，这些编译器输出可以用于 TVM 环境之外的微 target。更多信息请访问 模型库格式。
在这里，我们为 qemu_x86 Zephyr 板生成一个 MLF 文件。您可以选择使用 AOT 或图形执行器类型来运行本教程，不过我们建议在 microTVM 目标上使用 AOT，因为 AOT 使用静态内存分配的提前编译。要生成 micro_speech tflite 模型的 MLF 输出：：
tvmc compile micro_speech.tflite \
--target='c -keys=cpu -model=host' \
--runtime=crt \
--runtime-crt-system-lib 1 \
--executor='aot' \
--output model.tar \
--output-format mlf \
--pass-config tir.disable_vectorize=1这将生成一个包含 TVM 编译器输出文件的 model.tar 文件。若要为不同的 Zephyr 设备运行此命令，需要更新 target。例如，对于 nrf5340dk_nrf5340_cpuapp 板，target 是 --target='c -keys=cpu -link-params=0 -model=nrf5340dk'。
使用模型库格式创建 Zephyr 项目
使用 TVM Micro 子命令 create 生成 Zephyr 项目。将 MLF 格式、项目路径，以及项目选项传递给 create 子命令。每个平台（Zephyr/Arduino）的项目选项在其项目 API 服务器文件中定义。运行如下命令生成 Zephyr 项目：
tvmc micro create \
project \
model.tar \
zephyr \
--project-option project_type=host_driven board=qemu_x86以上命令为 qemu_x86 Zephyr 板生成一个 Host-Driven Zephyr 项目，在 Host-Driven 模板项目中，图执行器（Graph Executor）将在主机上运行，并通过使用 RPC 机制向设备发出命令，在 Zephyr 设备上运行模型执行。阅读有关主机驱动执行的更多信息。
获取有关 TVMC Micro create 子命令的更多信息，执行如下命令：
tvmc micro create --help使用 TVMC Micro 构建和烧录 Zephyr 项目
接下来使用如下命令构建 Zephyr 项目（包括用于运行微模型的 TVM 生成代码、用于在主机驱动模式下运行模型的 Zephyr 模板代码和 TVM runtime 源/头文件）。要构建项目：
tvmc micro build \
project \
zephyr \
--project-option zephyr_board=qemu_x86以上命令将在 project 目录中构建项目，并在 project/build 下生成二进制文件，要为不同的 Zephyr 板构建 Zephyr 项目，需更改 zephyr_board 项目选项。
接下来把 Zephyr 二进制文件烧录到 Zephyr 设备。对于 qemu_x86 Zephyr 板，因为要用到 QEMU，所以不会执行任何操作，但是对于物理硬件，此步骤不可省略。
tvmc micro flash \
project \
zephyr \
--project-option zephyr_board=qemu_x86在微 Target 上运行微模型
与设备通信后，在设备上对编译好的模型和 TVM RPC 服务器进行编程。Zephyr 板等待主机打开通信通道。MicroTVM 设备通常使用串口通信（UART）进行通信 。要使用 TVMC 在设备上运行闪存模型，可通过 tvmc run 子命令并通过 --device micro 来指定设备类型，打开通信通道，使用主机上的 Graph Executor 设置输入值并在设备上运行完整模型，然后从设备获取输出。
tvmc run \
--device micro \
project \
--project-option zephyr_board=qemu_x86 \
--fill-mode ones \
--print-top 4具体来说，此命令将模型的输入全部设置为 1，并显示输出的四个值及其索引。
# Output:
# INFO:__main__:b'[100%] [QEMU] CPU: qemu32,+nx,+pae\n'
# remote: microTVM Zephyr runtime - running
# INFO:__main__:b'[100%] Built target run\n'
# [[ 3 2 1 0]
# [ 113 -120 -121 -128]]