本文介绍了如何通过移植CMSIS-NN库并调整TensorFlow Lite for Microcontrollers (TFLM) 的构建配置，实现在STM32微控制器上利用DSP指令集加速TensorFlow Lite模型的推理过程。通过这一方法，我们能够有效地提升基于ARM Cortex-M系列MCU上运行深度学习模型的性能。文章首先介绍了CMSIS-NN库的基本概念及其在神经网络加速中的作用，随后详细阐述了移植库到STM32平台的步骤。接着，文章深入讲解了如何修改TFLM的构建规则，实现调用CMSIS-NN库实现TensorFlow算子。最后，通过实验验证了该方法在提高模型推理速度方面的显著效果，使用CMSIS-NN实现DSP加速后的人脸检测模型推理速度接近原来的3.5倍。

一、前文回顾

此系列前面已经发布了两篇：

1. 【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【上篇】

2. 【STM32开发笔记】移植AI框架TensorFlow到STM32单片机【下篇】_

【上篇】介绍了TensorFlow、TensorFlow Lite、TensorFlow Lite for Microcontrollers（TFLM）是什么，如何下载TFLM源码，如何在个人电脑（PC）上体验运行TFLM基准测试。同时，分析了TFLM的部分Makefile源码分析。最后，介绍了如何移植TFLM的主体代码。

【下篇】介绍了如何准备STM32 CubeMX项目（以便于后续的TFLM可以顺利移植），如何将TFLM源码集成到STM32 CubeMX生成的项目中去，以及如何在STM32项目中运行TFLM基准测试。同时，介绍了过程中遇到的问题，以及解决方法。最后，给出了整个项目的完整可运行源代码。

二、CMSIS-NN简介

2.1 为什么介绍CMSIS-NN？

因为TFLM源码中有针对CMSIS-NN的算子适配层，通过该适配层可以实现将TensorFlow Lite模型的推理计算转化为对CMSIS-NN库的调用。

同时，CMSIS-NN底层支持DSP指令和MVE指令，在Cortex-M4、Cortex-M7、Cortex-M33上可以实现DSP指令加速计算，在Cortex-M55、Cortex-M85上可以实现MVE加速计算。

简言之，TFLM默认的算子实现为纯CPU计算，而CMSIS-NN可以作为TFLM的后端，实现部分处理器上的DSP和MVE加速计算。

2.2 CMSIS-NN是什么？

CMSIS-NN是什么？官方的解释是：

CMSIS NN 软件库是一组高效的神经网络核（函数），旨在最大限度地提高 Arm Cortex-M 处理器上神经网络的性能并最大限度地减少内存占用。

CMSIS-NN是一个计算库，它向上提供了神经网络（NN）计算接口，实现了神经网络计算的硬件加速。它内部实现了纯CPU计算、DSP计算、MVE计算，屏蔽了底层硬件的具体细节，降低了编程难度。

2.3 CMSIS-NN核心特性

总结一下官方的介绍，可以知道CMSIS-NN库的核心特性：

• 专为Cortex-M处理器开发；

• 神经网络计算函数；

• 最大化性能；

• 最小化内存占用；

• CMSIS-NN的硬件和软件支持

2.4 CMSIS-NN算子支持

在CMSIS-NN源码仓首页，可以看到CMSIS-NN库提供了三种算子实现，分别为：

• 纯C，CMSIS-NN提供了所有算子的纯C实现，用于像Cortex-M0和Cortex-M3这样的处理器；
• DSP扩展，在支持DSP扩展的处理器上，可以使用DSP指令加速计算，例如Cortex-M4或Cortex-M7；
• MVE扩展，在支持ARM Helium技术的处理器上，可以使用MVE指令加速计算，例如 Cortex-M55 或 Cortex-M85；

三、TFLM+CMSIS-NN集成

接下来，我将介绍如何将TFLM和CMSIS-NN集成到STM32项目中。

3.1 包含TFLM的STM32项目

前面的文章中，我们已经知道了如何将TFLM集成到STM32项目中，本文将以上一篇文章的代码为基础，继续进行CMSIS-NN的集成和测试。

基础项目代码仓链接：

https://gitcode.com/xusiwei1236/STM32H7S78-DK-TFLM

这个代码仓就是——已经包含了TFLM的STM32项目。

3.2 理解TFLM中CMSIS-NN相关构建规则

TFLM的构建规则Makefile文件中，和CMSIS-NN相关的主要代码片段为：

这段代码中，比较重要的有两处，分别为：

• 649行，CMSIS-NN对应的OPTIMIZED_KERNEL_DIR变量值为cmsis_nn，此时会包含cmsis_nn.inc构建规则文件；
• 651到653行，调用specialize_files.py脚本，用于将算子实现源文件列表MICROLITE_CC_KERNEL_SRCS中的部分文件替换为CMSIS-NN适配源文件列表；

cmsis_nn.inc文件内容如下：

这段代码中，可以看到TFLM支持两种方式和CMSIS-NN集成：

• CMSIS-NN作为独立的三方库，链接到一起；
• CMSIS-NN作为TFLM的一部分，编译到一起；

specialize_files.py文件源码如下：

该文件实现了：

• 遍历base_files列表中的条目，检查在specialized_directory目录下是否存在和它的基础文件名（basename）相同的文件；
• 如果存在，则使用specialized_directory目录下的替换掉base_files中的这一条；
• 否则，保持原来位于base_files中的这一条不变！

3.3 理解TFLM中CMSIS-NN相关算子实现

对于CMSIS-NN，实际运行时的specialized_directory指定的参数值是tensorflow/lite/micro/kernels/cmsis_nn子目录。

该目录下包含的文件如下：

实际执行specialize_files.py脚本时，实际的替换文件的对应关系如下：

默认算子文件	CMSIS-NN算子文件
tensorflow/lite/micro/kernels/add.cc	tensorflow/lite/micro/kernels/cmsis_nn/add.cc
tensorflow/lite/micro/kernels/batch_matmul.cc	tensorflow/lite/micro/kernels/cmsis_nn/batch_matmul.cc
tensorflow/lite/micro/kernels/conv.cc	tensorflow/lite/micro/kernels/cmsis_nn/conv.cc
tensorflow/lite/micro/kernels/depthwise_conv.cc	tensorflow/lite/micro/kernels/cmsis_nn/depthwise_conv.cc
tensorflow/lite/micro/kernels/fully_connected.cc	tensorflow/lite/micro/kernels/cmsis_nn/fully_connected.cc
tensorflow/lite/micro/kernels/mul.cc	tensorflow/lite/micro/kernels/cmsis_nn/mul.cc
tensorflow/lite/micro/kernels/pooling.cc	tensorflow/lite/micro/kernels/cmsis_nn/pooling.cc
tensorflow/lite/micro/kernels/softmax.cc	tensorflow/lite/micro/kernels/cmsis_nn/softmax.cc
tensorflow/lite/micro/kernels/svdf.cc	tensorflow/lite/micro/kernels/cmsis_nn/svdf.cc
tensorflow/lite/micro/kernels/transpose_conv.cc	tensorflow/lite/micro/kernels/cmsis_nn/transpose_conv.cc
tensorflow/lite/micro/kernels/unidirectional_sequence_lstm.cc	tensorflow/lite/micro/kernels/cmsis_nn/unidirectional_sequence_lstm.cc

这里以第一行add.cc为例，默认的算子实现主体代码为：

CMSIS-NN版本的add.cc代码主体代码为：

都提供了Register_ADD()函数，用于注册ADD算子。

3.4 集成CMSIS-NN方式1——作为TFLM的一部分

理解了前面的Makefile代码，就可以编写CMake构建规则，从而实现在STM32项目中集成TFLM和CMSIS-NN。

前文提到，STM32项目集成CMSIS-NN有两种方式，分别为：

• CMSIS-NN作为TFLM的一部分，编译到TFLM的静态库（libtflite-micro.a）文件中；
• CMSIS-NN作为独立的三方库，链接到STM32的可执行程序（.elf）文件中；

首先，介绍第一种方式，也就是CMSIS-NN作为TFLM的一部分；这种方式Appli子项目不直接依赖CMSIS-NN库，无需修改，更易于理解。

基于对Makefile源码的理解，修改tflite-micro目录的CMakeLists.txt文件内容：

这段修改中包含了cmsis-nn.cmake，cmsis-nn.cmake文件的内容为：

整个修改实现了：

• 调用specialize_files.py脚本，将MICROLITE_KERNEL_CC_SRCS中的部分算子文件路径替换为cmsis_nn目录内的，实现了CMSIS-NN适配层的编译；
• 将cmsis-nn.cmake中匹配到的CMSIS-NN源文件，添加到TFLM库的源文件列表中，实现了CMSIS-NN代码的编译，并作为TFLM库的一部分；

这样修改之后，重新编译生成的libtflite-micro.a中就包含了CMSIS-NN的代码，以及基于CMSIS-NN的TensorFlow算子实现。

3.5 集成CMSIS-NN方式2——作为独立的三方库

另外一种集成CMSIS-NN的方式是，CMSIS-NN作为独立的三方库，最终连接到整个项目的可执行文件（.elf）中。

要实现这种继承方式，需要在刚修改的TFLM的CMakeLists.txt的基础上进行修改：

一共修改两处：

• add_library代码片段，删除CMSIS-NN相关的代码文件；
• 文件末尾添加add_subdirectory(tensorflow/lite/micro/tools/make/downloads/cmsis_nn)，让CMSIS-NN的CMakeLists.txt被包含到整个项目中；

除此之外，还需要修改Appli目录的CMakeLists.txt文件，具体修改内容如下图：

一共修改了三处：

• 新增了TF_CMSIS_NN_DIR变量定义，用于记录cmsis_nn源码所在子目录；
• target_link_directories下，增加一行，指定CMSIS-NN库文件生成的目录；
• target_link_libraries下，增加一行，指定链接cmsis-nn库；

以上这种修改方式，也可以实现将TFLM和CMSIS-NN集成到STM32项目中。

四、TFLM+CMSIS-NN测试

4.1 编译源代码

第一种方式集成CMSIS-NN，由于上层代码不依赖CMSIS-NN库，即不新增库依赖；因此，其编译方式和此前的文章方式一样，这里不在介绍。

这里仅介绍第二种方式集成CMSIS-NN的编译方法，分为如下几步：

1. 清理输出目录，如下图操作：

   

2. 编译tflite-micro库，如下图操作：

   

3. 编译xxx_benchmark库，如下图操作：

   

4. 编译cmsis-nn库，如下图操作：

   

5. 编译Appli目标，如下图操作：

   

6. 编译Boot代码，如下图所示：

   

4.2 下载Boot代码

由于Appli代码需要使用Boot代码进行跳转，因此，下载Appli代码之前，需要先将Boot代码下载到开发板上。

下载之前，先将STM32H7S78-DK开发板和PC通过USB线连接好，板子由三个USB口，注意连接到标有STLK的。

下载Boot代码，按照如下图所示操作：

执行过程中终端子窗口会输出进度等信息：

4.3 下载Appli代码

下载Appli代码，按照如下图操作：

执行过程中终端子窗口会输出进度等信息：

4.4 运行TFLM基准测试

打开MobaXterm，添加会话，选择STLink的虚拟串口设备，参数如下：

连接设备之后，按下开发板上的NRST按钮，重启设备，可以看到串口输出如下：

可以看到，开发板上，运行有人图像的人体检测耗时为286毫秒，没有人的耗时为286毫秒；连续运行10次的耗时分别为2863毫秒和2863毫秒，速度有点慢。

和上一篇文章的数据对比如下：

测试项目	TFLM	TFLM+CMSIS-NN
WithPersonDataIterations(1)	993	286
NoPersonDataIterations(1)	994	286
NoPersonDataIterations(10)	9938	2863
NoPersonDataIterations(10)	9940	2863

五、问题解决

第三章、第四章实际过程中遇到了一些问题，为了保持前文逻辑连贯，没有在前面记录，本章将记录具体问题及解决方法。

5.1 specialize_files.py 输入不支持CMake列表参数问题

【问题现象】specialize_files.py脚本输出和输入参数base_files的值完全一样。

【问题原因】specialize_files.py脚本使用Python的string.split对参数base_files的值进行分隔，要求值是空白字符（空格、TAB、换行等）分隔的。而CMake的列表字符串是分号分隔的。

【解决方法】将MICROLITE_CC_KERNEL_SRCS中的分隔符替换为空格，再将其传给specialize_files.py脚本，具体代码为：

5.2 specialize_files.py 输出的路径分隔符不一致问题

【问题现象】specialize_files.py 输出的路径分隔符不一致，有正斜杠也有反斜杠，导致后续报错——文件找不到。

【问题原因】CMake代码使用的路径分隔符是正斜杠，specialize_files.py代码里面使用的是os.path.sep，在Windows上是反斜杠。

【解决方法】将反斜杠全部替换为正斜杠。

5.3 specialize_files.py 输出和CMake列表格式不一致问题

【问题现象】specialize_files.py 输出的文件列表是空格分隔的，和CMake列表格式不一致。

【问题原因】specialize_files.py 使用空格拼接文件列表为一个字符串之后输出，而CMake列表需要用使用分号分隔。

【解决方法】将字符串中的空格替换为分号。

5.4 specialize_files.py 输出的最后一个文件无法找到

【问题现象】specialize_files.py 输出的文件列表的最后一个文件，后续CMake代码提示该文件找不到。

【问题原因】乍看起来文件路径是对的，能够找到；实际将该文件路径字符串加上双引号输出之后，发现末尾多了一个换行符。

【解决方法】去除末尾的空白字符。

六、项目源码

如需本文修改后项目源码的，请在评论区留言。我将会在留言超过10条，或本文阅读量超过1200之后，将本文修改的最终源码全部开源。

当然，动手能力强的读者，也可以根据文章描述的步骤，一步步修改得到最终版本的源码。

七、参考链接

1. TensorFlow Lite for Microcontrollers介绍： TensorFlow Lite for Microcontrollers (google.cn)
2. TensorFlow Lite for Microcontrollers入门： 微控制器入门 | TensorFlow (google.cn)
3. tflite-micro 源码仓： https://github.com/tensorflow/tflite-micro
4. CMake最新文档： CMake Reference Documentation — CMake 3.30.3 Documentation
5. CMSIS-NN在线文档： CMSIS-NN: CMSIS NN Software Library (arm-software.github.io)
6. CMSIS-NN 源码仓： https://github.com/ARM-software/CMSIS-NN