相信不少在MCU平臺使用TensorflowLite Micro(Tensorflow Lite Micro專為嵌入式平臺推出的專用版TFlite)，以下簡稱TFLm，推理引擎體驗過AI的小伙伴們，一定都遇到過這樣的情況：當我們歷經千辛萬苦訓練出來一個模型之后，要如何將它導入工程里呢？

各抒己見

這時候有同學會說了：我有文件系統啊，模型放到sd卡中，文件操作讀進來分分鐘?。∵€有的同學會說了：我有xxd，當然，xxd也是TFLM的御用工具，負責將一個文件以十六進制的形式顯示出來，使用過這個推理引擎的同學一定對下面這段注釋很是熟悉：

// xxd -i mobilenet_v1_0.25_128_quant.tflite > mobilenet_v1_0.25_128_quant_model.h

這之后，我們的模型就會被轉化成類似于下面這個樣子，不要懷疑，這就是我們的模型真正的樣子，并非眉清目秀，在程序中就可以通過mobilenet_model這個指針來訪問模型數據：

const char mobilenet_model[] __ALIGNED(16) = {
  0x18, 0x00, 0x00, 0x00, 0x54, 0x46, 0x4c, 0x33, 0x00, 0x00, 0x0e, 0x00,
  0x18, 0x00, 0x04, 0x00, 0x08, 0x00, 0x0c, 0x00, 0x10, 0x00, 0x14, 0x00,
  0x0e, 0x00, 0x00, 0x00, 0x03, 0x00, 0x00, 0x00, 0x78, 0x5b, 0x07, 0x00,
  0x0c, 0x00, 0x00, 0x00, 0x10, 0x00, 0x00, 0x00, 0x20, 0x00, 0x00, 0x00,
  。。。。
  0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x00, 0x01, 0x00, 0x00, 0x00,
  0x97, 0x26, 0x08, 0x39
};
unsigned int mobilenet_model_len = 496912;

這時候，又有同學說了，你們這些方法都太弱了：你們有SD卡，有文件系統，有xxd！這些我統統不需要，不用額外安裝工具，不用文件系統擴展，不用看著我這空蕩蕩的錢包，還要祭出小錢錢去買張SD卡。

嗯，我只需要編譯器+裸板即可！要的就是簡潔（也想高調，可是小錢錢不允許啊）。

不賣關子了，我們有.incbin。這個小東西是一個匯編指令，用來包含某一個文件到匯編文件中，文件的內容將會按字節逐一添加到當前elf（鏡像文件）節中。不會做任何方式的解釋，保證數據的完整和一致性。即原封不動的添加進來，不過要注意，以下代碼要保存在以.s尾綴的匯編文件中：

.global mobilenet_model   // 導出全局符號
.global mobilenet_model _end
.section .rodata   // 存儲位置

. mobilenet_model :
   .incbin “mobilenet_v1_0.25_128_quant.tflite”
. mobilenet_model_end :

這樣一來，同樣可以使用mobilenet_model這個模型指針來進行模型的訪問。

很難說，上面三位同學的方法哪一種更好一點，可能第三位同學提出的方法，是對于外部依賴最少的，只需要利用編譯器對于匯編指令的支持即可。既不需要費力的移植文件系統，也不用花費小錢錢購買SD卡，也不用求求xxd工具幫我們做事。

當然，小編在這里也站一下隊，明確一下立場！我投.incbin一票，當然了，這個也是小編一直在用的方式。更換模型，只需要修改一下導入路徑即可，可以說香的不行了！

新的挑戰

不好，，，好像有點跑題變成夸夸群了，回到主題。

小伙伴既然已經回答了小編提出的問題：導入模型的N種方法，小編就再追問大家一個問題：如果頻繁更新模型要怎么辦呢？

當然，使用文件系統的小伙伴可能這時候會心一笑了：哈哈，我就知道有這么一出，讓我猜到了吧，比靈活性，沒人能和我比！

的確，無論是使用.incbin還是xxd的方式，每更新一次模型都要對整個模型重新編譯下載。而使用文件系統的方式，只需要將模型拖到SD即可，不過根據程序設計，是否需要保證模型名字保持一致才能夠正確loading。。。這個就不是本篇要討論的了。

柳暗花明

相信看到這里的小伙伴們心里已經有數了，小編一定是已經找到了另一種替代方案，既能實現模型的更新，又不用重新對模型進行編譯。是的，小編也就不再賣關子了，這就揭開廬山真面目。

小編這里要提出的方法，有點類似于引入文件系統的概念，只不過，是一個手動管理的“丐版”文件系統。

一句話概括就是：在非易失性器件上，說普通話就是Nor Flash上開辟一塊固定的區域來存儲模型，之后我們只需要將最新的模型也同樣下載到這一區域即可，這樣一來，我們在主程序中，只需要維護這一區域，將其作為模型的數據起始地址，就可以達到實時更新模型的目的了。

是不是感覺小編的這個想法，思路是如此的清晰！而且，還免去了移植文件系統的繁瑣過程，最重要的是，保住了錢包里的小錢錢，不用買SD卡了。

這里特別強調是Nor Flash，作為可以隨機讀的器件，可以方便地進行隨機訪問，使用起來或者說在程序的編寫上會更加的便捷。當然，使用NAND flash也未曾不可，有興趣的伙伴可以自行整理。

留下懸念

當然，可能有小伙伴要質疑：那你這個可以實現存儲多個模型嗎？小編很負責任地告訴大家，只要膽子大，宇宙都能給你裝下！只不過，在存放數據的時候，需要額外存儲一些幀頭信息，告知程序一共有多少組模型存儲其中。

小編將在下期為大家介紹如何設計合適的存儲結果以存放我們的flash數據，并編寫一個PC端小程序，負責進行數據的轉換，敬請期待！

原文標題：一種基于MCU的神經網絡模型靈活更新方案之先行篇

文章出處：【微信公眾號：恩智浦MCU加油站】歡迎添加關注！文章轉載請注明出處。