本篇測評由與非網(wǎng)的優(yōu)秀測評者“短笛君”提供。

本文將介紹基于米爾電子MYD-YD9360商顯板（米爾基于芯馳D9360國產開發(fā)板）的TinyMaxi輕量級的神經網(wǎng)絡推理庫方案測試。

算力測試

TinyMaix 是面向單片機的超輕量級的神經網(wǎng)絡推理庫，即 TinyML 推理庫，可以讓你在任意單片機上運行輕量級深度學習模型~ 開源地址：

https://github.com/sipeed/TinyMaix

搭建的環(huán)境為編譯的Ubuntu18.04 已經預裝好cmake make工具

由于魔法網(wǎng)絡原因，這里提前下載好tar包到宿主機上，然后傳輸?shù)桨蹇ㄖ薪鈮?/p>

• 查看cmake版本

cmake -version

• 查看make版本

make -version

確認文件路徑，盡量不要拷貝到有權限的路徑下

自帶示例

文件結構

MNIST示例

MNIST是手寫數(shù)字識別任務

cd到examples/mnist目錄下 使用mkdir build && cd build 命令切換到build文件夾下

cmake ..
make
./ mnist

cmake生成構建系統(tǒng)

使用make構建可執(zhí)行文件然后運行

可以看到輸出信息

MNIST 示例默認未使用任何指令加速，運行了一張 28×28 的手寫數(shù)字模擬圖像，共消耗了 0.114 毫秒

MBNET示例

mbnet 是適用于移動設備的簡單圖像分類模型。

• 切換到 /examples/mbnet 目錄：
• 修改 main.c 文件
• 創(chuàng)建 build 文件夾并切換
• 使用 cmake 命令生成構建系統(tǒng)
• 使用 make 命令構建系統(tǒng)，生成可執(zhí)行文件
• 運行可執(zhí)行文件，執(zhí)行效果如下

MBNET 示例運行輸入了一張 96×96×3 的 RGB 圖像，輸出 1000 分類，共消耗了 16.615 毫秒

運行cifar10 demo

米爾電子MYD-YD9360商顯板