如果您关注嵌入式AI领域的开发，一定听说过TensorFlow——谷歌开源的机器学习框架，它同时支持模型训练与推理。但今天我们要聊的是它的一个特殊分支：TensorFlow Lite for Microcontrollers，简称TFLM。

先理清几个关键概念。TensorFlow Lite（TFLite）是谷歌为将模型部署到手机、平板等移动设备而推出的轻量级方案，可以理解为“手机版TensorFlow”。而TFLM则是TFLite的微控制器版本，专门针对内存仅有几千字节的单片机设计。它不依赖操作系统，不需要标准C/C++库，甚至无需动态内存分配。官方数据显示，在Cortex M3上，核心运行时仅需16KB，再加上一个语音关键词检测模型也不过22KB。这三者的关系可以想象成一棵树：TensorFlow是主干，TFLite是分支，而TFLM则是分支上的细枝。如今它们并行发展，但很长一段时间内代码都存放在同一个仓库——TensorFlow包含后两者，TFLite又包含TFLM。

那么，TFLM在HPM6750上如何运行？HPM SDK已经为我们做了不少准备工作。

HPM SDK中的TFLM

TFLM中间件

HPM SDK集成了TFLM中间件，位于 hpm_sdk/middleware 子目录。该目录的代码是从TFLM开源项目裁剪而来，删除了大量无关文件，仅保留最核心的运行部分。

TFLM示例

SDK还提供了示例代码，位于 hpm_sdk/samples/tflm 子目录。该示例基于官方的person_detection示例改造，增加了摄像头采集和LCD显示功能。但由于手头缺少配套的摄像头和显示屏，这里就不以此示例进行演示了。

换一个思路，直接运行TFLM的基准测试（benchmark）——person detection benchmark，效果更加直观。

在HPM6750上运行TFLM基准测试

将person detection benchmark源代码添加到HPM SDK环境

按照以下步骤操作：

1. 在HPM SDK的 samples 子目录下创建 tflm_person_detect_benchmark 目录，并在其中创建 src 目录。
2. 从已经运行过person detection benchmark的tflite-micro目录中，拷贝以下文件到 src 目录：
   • tensorflow/lite/micro/benchmarks/person_detection_benchmark.cc
   • tensorflow/lite/micro/benchmarks/micro_benchmark.h
   • tensorflow/lite/micro/examples/person_detection/model_settings.h
   • tensorflow/lite/micro/examples/person_detection/model_settings.cc
3. 在 src 目录下创建 testdata 子目录，并将tflite-micro目录下 tensorflow/lite/micro/tools/make/gen/linux_x86_64_default/genfiles/tensorflow/lite/micro/examples/person_detection/testdata 中的文件全部拷贝到 testdata 中。
4. 修改 person_detection_benchmark.cc、model_settings.cc、no_person_image_data.cc、person_image_data.cc 文件中部分 #include 预处理指令的文件路径（根据拷贝后的相对路径修改）。
5. 在 person_detection_benchmark.cc 文件的main函数开头添加一行 board_init();，并在文件顶部添加 #include "board.h"。

添加CMakeLists.txt和app.yaml文件

在 src 同级目录下创建 CMakeLists.txt，内容如下：

cmake_minimum_required(VERSION 3.13)
set(CONFIG_TFLM 1)
find_package(hpm-sdk REQUIRED HINTS $ENV{HPM_SDK_BASE})
project(tflm_person_detect_benchmark)
set(CMAKE_CXX_STANDARD 11)

sdk_app_src(src/model_settings.cc)
sdk_app_src(src/person_detection_benchmark.cc)
sdk_app_src(src/testdata/no_person_image_data.cc)
sdk_app_src(src/testdata/person_image_data.cc)

sdk_app_inc(src)
sdk_ld_options("-lm")
sdk_ld_options("--std=c++11")
sdk_compile_definitions(__HPMICRO__)
sdk_compile_definitions(-DINIT_EXT_RAM_FOR_DATA=1)
# sdk_compile_options("-mabi=ilp32f")
# sdk_compile_options("-march=rv32imafc")
sdk_compile_options("-O2")
# sdk_compile_options("-O3")
set(SEGGER_LEVEL_O3 1)
generate_ses_project()

再创建 app.yaml 文件，内容如下：

dependency:
  - tflm

编译和运行TFLM基准测试

接下来进入熟悉的编译运行流程。首先使用命令生成项目：

将HPM6750开发板连接至PC，在Embedded Studio中打开刚刚生成的项目：

由于引入了TFLM的源码，文件数量较多，右侧源码导航窗的Indexing需要等待一段时间才能完成。之后按F7编译，再按F5开始调试：

编译完成后，打开串口终端（波特率115200），启动调试并继续运行，即可看到基准测试的输出结果：

==============================
 hpm6750evkmini clock summary
==============================
cpu0:            816000000Hz
cpu1:            816000000Hz
axi0:            200000000Hz
axi1:            200000000Hz
axi2:            200000000Hz
ahb:             200000000Hz
mchtmr0:         24000000Hz
mchtmr1:         1000000Hz
xpi0:            133333333Hz
xpi1:            400000000Hz
dram:            166666666Hz
display:         74250000Hz
cam0:            59400000Hz
cam1:            59400000Hz
jpeg:            200000000Hz
pdma:            200000000Hz
==============================

----------------------------------------------------------------------
$$   $$ $$$$$$$  $$      $$ $$
$$ |  $$ |$$  __$$ $$$    $$$ |__|
$$ |  $$ |$$ |  $$ |$$$$  $$$$ |$$  $$$$$$$  $$$$$$   $$$$$$
$$$$$$$$ |$$$$$$$  |$$$$$$ $$ |$$ |$$  _____|$$  __$$ $$  __$$
$$  __$$ |$$  ____/ $$ $$$  $$ |$$ |$$ /      $$ |  __|$$ /  $$ |
$$ |  $$ |$$ |      $$ |$  /$$ |$$ |$$ |      $$ |      $$ |  $$ |
$$ |  $$ |$$ |      $$ | _/ $$ |$$ |$$$$$$$ $$ |      $$$$$$  |
__|  __|__|      __|     __|__| _______|__|       ______/
----------------------------------------------------------------------
InitializeBenchmarkRunner took 114969 ticks (4 ms).

WithPersonDataIterations(1) took 10694521 ticks (445 ms)
DEPTHWISE_CONV_2D took 275798 ticks (11 ms).
DEPTHWISE_CONV_2D took 280579 ticks (11 ms).
CONV_2D took 516051 ticks (21 ms).
DEPTHWISE_CONV_2D took 139000 ticks (5 ms).
CONV_2D took 459646 ticks (19 ms).
...
NoPersonDataIterations(1) took 10694160 ticks (445 ms)
...
WithPersonDataIterations(10) took 106960312 ticks (4456 ms)
NoPersonDataIterations(10) took 106964554 ticks (4456 ms)

从输出日志可以看出，在HPM6750EVKMINI开发板上，连续运行10次人像检测模型，总耗时4456毫秒，平均每次耗时445.6毫秒。

在树莓派3B+上运行TFLM基准测试

作为对比，我们在树莓派3B+上运行相同的基准测试。在树莓派上可以直接使用PC端的测试命令，得到如下结果：

可以看到，对于包含人脸的图片，连续运行10次平均耗时418.6毫秒；对于不包含人脸的图片，平均耗时419毫秒。

HPM6750与树莓派3B+、AMD R7 4800H的对比

将HPM6750EVKMINI、树莓派3B+和AMD R7 4800H上运行人脸检测模型的平均耗时汇总如下：

有趣的是，在TFLM人脸检测模型场景下，HPM6750EVKMINI和树莓派3B+表现相当。尽管HPM6750主频为816MHz，远低于树莓派3B+的BCM2837 Cortex-A53 1.4GHz，但单核计算能力并未拉开明显差距。

需要说明的是，树莓派上的测试运行在64位Debian Linux系统上，而HPM6750运行在裸机环境中。操作系统的任务调度器会带来一定的性能损耗，因此这一对比并非严格意义上的公平对比，仅作为参考之用。