ML-KWS-for-MCU 项目使用教程

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.py 和 test.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 dnn、cnn 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.txt 和 models.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。