关于#人工智能#的问题：拜读了您写的“社区分享 | 从零开始学习 TinyML”文章（相关搜索：神经网络）

Question

尊敬的作者：
您好！拜读了您写的“社区分享 | 从零开始学习 TinyML”文章，有个问题很想提问，冒昧打扰，请见谅。我自己训练了两层神经网络，并利用xdd生成16进制数组，并将代码替换alignas(8) const unsigned char g_model[]，将const int g_model_len改成我的参数，但是下载到板子里预测值是一个恒值，请问还需要改动其他地方的代码么？我只改了这两个参数，其他没发现需要改动的，烦请您指点一下，谢谢

Answer 1

让阿豪来帮你解答，本回答参考chatgpt3.5编写提供，如果还有疑问可以评论或留言

尊敬的读者： 感谢您对我的文章的关注和反馈。针对您提出的问题，可能有以下几种可能性：

1. 您的神经网络模型存在问题。请检查您训练的神经网络模型是否存在过拟合或欠拟合的情况，或者是否进行了正确的数据预处理、正则化等操作，以及是否使用了正确的损失函数、训练算法等。您可以尝试在PC端或其他平台上使用您的模型进行预测，看看是否有相同的问题出现。
2. 您将生成的16进制数组正确地替换到了代码中，但是预测代码的输入数据格式可能不符合您的预期。请确保您的输入数据符合模型的期望输入格式，并检查是否正确地传递了数据到模型中。
3. 您可能还需要修改其他与模型相关的代码。您可以检查一下模型初始化、推理等过程中是否存在其他代码需要修改的地方，例如您的模型结构是否和原始代码中的模型结构相同，是否需要修改其他与模型相关的参数、函数等。 如果您能提供更多的信息和代码，以及问题出现的具体环境和平台，我将更加容易给出具体的答案和代码示例。感谢您的理解和支持！ 具体案例和代码示例： 假设您使用的是TensorFlow Lite for Microcontrollers模块，并采用了以下代码来进行模型预测：

#include "tensorflow/lite/micro/micro_error_reporter.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/micro/micro_mutable_op_resolver.h"
#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "model_quantized.h" //原始模型定义
#include "input_data.h"     //输入数据
const int kNumCols = 28;
const int kNumRows = 28;
const int kNumChannels = 1;
const int kNumSamples = 1;
//定义TensorFlow Lite模型运行相关对象
tflite::ErrorReporter* error_reporter = nullptr;
const tflite::Model* model = nullptr;
tflite::MicroInterpreter* interpreter = nullptr;
TfLiteTensor* input = nullptr;
TfLiteTensor* output = nullptr;
//设置TensorFlow Lite模型运行环境及各种参数
void Setup() {
  static tflite::MicroErrorReporter micro_error_reporter;
  error_reporter = &micro_error_reporter;
  model = tflite::GetModel(model_quantized);
  if (model->version() != TFLITE_SCHEMA_VERSION) {
    error_reporter->Report(
        "Model provided is schema version %d not equal "
        "to supported version %d.",
        model->version(), TFLITE_SCHEMA_VERSION);
    return;
  }
  static tflite::MicroMutableOpResolver<6> micro_op_resolver;
  micro_op_resolver.AddConv2D();
  micro_op_resolver.AddMaxPool2D();
  micro_op_resolver.AddFullyConnected();
  micro_op_resolver.AddReshape();
  micro_op_resolver.AddRelu();
  micro_op_resolver.AddSoftmax();
  static tflite::MicroInterpreter static_interpreter(
      model, micro_op_resolver, tensor_arena, kTensorArenaSize, error_reporter);
  interpreter = &static_interpreter;
  TfLiteStatus allocate_status = interpreter->AllocateTensors();
  if (allocate_status != kTfLiteOk) {
    error_reporter->Report("AllocateTensors() failed");
    return;
  }
  input = interpreter->input(0); //获取输入Tensor
  output = interpreter->output(0); //获取输出Tensor
}
//将输入数据转换成TensorFlow Lite模型期望的格式
void FillInputTensor(float* input_data) {
  for (int i = 0; i < kNumSamples; ++i) {
    for (int row = 0; row < kNumRows; ++row) {
      for (int col = 0; col < kNumCols; ++col) {
        for (int channel = 0; channel < kNumChannels; ++channel) {
          const int input_index =
              (i * kNumRows * kNumCols * kNumChannels) +
              (row * kNumCols * kNumChannels) + (col * kNumChannels) + channel;
          input->data.f[input_index] = input_data[input_index];
        }
      }
    }
  }
}
//运行TensorFlow Lite模型
void RunInference() {
  TfLiteStatus invoke_status = interpreter->Invoke();
  if (invoke_status != kTfLiteOk) {
    error_reporter->Report("Invoke failed");
    return;
  }
}
//获取模型预测结果并返回
int GetPrediction() {
  float max_value = output->data.f[0];
  int max_index = 0;
  for (int i = 1; i < output->dims->data[1]; ++i) {
    if (output->data.f[i] > max_value) {
      max_value = output->data.f[i];
      max_index = i;
    }
  }
  return max_index;
}
int main() {
  Setup(); //初始化TensorFlow Lite模型运行环境
  FillInputTensor(input_data); //将输入数据转换成TensorFlow Lite模型期望的格式
  RunInference(); //运行TensorFlow Lite模型
  int prediction = GetPrediction(); //获取模型预测结果
  printf("prediction: %d\n", prediction); //输出预测结果
  return 0;
}

如果您的模型和输入数据符合以上代码的要求，那么您只需要将您生成的16进制数组替换到model_quantized.h中的相应位置，并将const int g_model_len改成您的数组大小即可。如果您使用的是其他平台或模块，可以参考相关的代码示例来进行修改。