首页
/ ML-KWS-for-MCU 项目使用教程

ML-KWS-for-MCU 项目使用教程

2024-09-27 04:19:15作者:昌雅子Ethen

1. 项目的目录结构及介绍

ML-KWS-for-MCU 项目的目录结构如下:

ML-KWS-for-MCU/
├── Deployment/
│   ├── README.md
│   └── ...
├── Pretrained_models/
│   └── ...
├── .gitignore
├── LICENSE
├── README.md
├── fold_batchnorm.py
├── freeze.py
├── input_data.py
├── label_wav.py
├── models.py
├── quant_models.py
├── quant_test.py
├── silence.wav
├── test.py
├── test_pb.py
├── train.py
└── train_commands.txt

目录结构介绍

  • Deployment/: 包含在 Cortex-M 开发板上运行量化 DNN 模型的示例代码和步骤。
  • Pretrained_models/: 包含不同神经网络架构(如 DNN、CNN、LSTM 等)的预训练模型。
  • .gitignore: Git 忽略文件配置。
  • LICENSE: 项目许可证文件。
  • README.md: 项目介绍和使用说明。
  • fold_batchnorm.py: 批量归一化折叠脚本。
  • freeze.py: 将训练好的模型冻结为 .pb 文件的脚本。
  • input_data.py: 数据输入处理脚本。
  • label_wav.py: 对音频文件进行标签预测的脚本。
  • models.py: 定义不同神经网络模型的脚本。
  • quant_models.py: 量化模型的脚本。
  • quant_test.py: 量化模型测试脚本。
  • silence.wav: 示例音频文件。
  • test.py: 模型测试脚本。
  • test_pb.py: 测试 .pb 文件的脚本。
  • train.py: 模型训练脚本。
  • train_commands.txt: 训练命令配置文件。

2. 项目的启动文件介绍

项目的启动文件主要是 train.pytest.py

train.py

train.py 是用于训练神经网络模型的脚本。可以通过以下命令启动训练:

python train.py --model_architecture dnn --model_size_info 128 128 128
  • --model_architecture: 指定模型架构,如 dnncnn 等。
  • --model_size_info: 指定神经网络层维度,如 128 128 128 表示三层全连接层,每层128个神经元。

test.py

test.py 是用于在训练好的模型上进行推理的脚本。可以通过以下命令启动测试:

python test.py --model_architecture dnn --model_size_info 128 128 128 --checkpoint <checkpoint path>
  • --checkpoint: 指定模型检查点的路径。

3. 项目的配置文件介绍

项目的配置文件主要是 train_commands.txtmodels.py

train_commands.txt

train_commands.txt 文件包含了用于重现论文中模型的所有超参数配置。可以通过该文件中的命令来训练特定的模型。

models.py

models.py 文件定义了不同神经网络模型的架构。通过 --model_size_info 参数传递的列表,models.py 会根据提供的模型架构和层维度构建 TensorFlow 图。

例如,定义一个三层全连接层的 DNN 模型:

python train.py --model_architecture dnn --model_size_info 128 128 128

在这个例子中,models.py 会根据 dnn 架构和 128 128 128 的层维度构建模型。


以上是 ML-KWS-for-MCU 项目的基本使用教程,涵盖了项目的目录结构、启动文件和配置文件的介绍。希望这些信息能帮助你更好地理解和使用该项目。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起