【亲测免费】 NNoM 开源项目教程

1. 项目目录结构及介绍

NNoM（Neural Network on Microcontroller）的目录结构如下：

.
├── docs               # 文档相关文件
│   ├── Chinese (中文)  # 中文版文档
│   └── ...
├── examples           # 示例代码
│   ├── mnist-simple    # 简单MNIST示例
│   └── ...
├── inc                # 头文件目录
├── port               # 平台移植相关代码
├── scripts            # 脚本文件
├── src                # 主要源代码
│   ├── core           # 核心库
│   ├── layers         # 层操作实现
│   ├── ...            # 其他子目录
├── .gitignore         # Git 忽略文件列表
├──/LICENSE            # 许可证文件
├── README.md          # 项目主README
└── SConstruct         # 构建脚本

• docs: 存放项目文档，包括英文和中文版本。
• examples: 提供不同应用场景的示例代码，例如简单的MNIST手写数字识别。
• inc: 包含所有C头文件，用于暴露接口给用户。
• port: 这里存放平台移植相关的代码，使得NNoM能在不同的微控制器或硬件平台上运行。
• scripts: 各种辅助脚本，比如模型转换工具等。
• src: 主要源码目录，包含核心库以及各个层的实现。
• .gitignore: 规定Git不应跟踪的文件类型。
• LICENSE: 开源许可证，此项目使用Apache License 2.0。
• README.md: 项目概述和快速入门指南。
• SConstruct: 项目构建脚本，可能使用了SCons作为构建工具。

2. 项目启动文件介绍

NNoM不是一个独立运行的程序，而是一个库。通常，在你的应用中，你需要导入NNoM库并创建自己的模型。在examples中的mnist-simple是一个简单的启动点，它展示了如何加载Keras模型并进行推理。具体的启动过程涉及到模型的初始化、输入数据的准备以及调用推断函数。

#include "nnom.h"

int main()
{
    // 创建并编译模型
    nnom_model_t *model = create_mnist_model();
    nnom_status_t status = nnom_model_compile(model);
    
    if(status == STATUS_OK)
    {
        // 执行模型推理
        int result;
        nnom_input_t *input = create_input(); // 创建输入数据
        input->data[0] = ...; // 设置输入数据
        result = nnom_model_infer(model, input); // 推理
        
        // 处理结果
        process_result(result);
        
        // 释放资源
        nnom_model_free(model);
        nnom_input_free(input);
    }
}

上述代码中，create_mnist_model() 和 nnom_model_compile() 分别是自定义的模型构造和编译函数，它们将根据模型结构文件生成对应的NNoM模型。create_input() 函数用于创建输入数据结构，nnom_model_infer() 是执行模型预测的核心函数。

请注意，这只是一个简化的示例，实际应用中可能需要根据特定的模型和硬件环境进行调整。

3. 项目的配置文件介绍

NNoM项目本身没有单独的配置文件，它的配置主要是通过代码来完成的，例如模型结构、内存管理策略、量化参数等。这些配置是在构建模型时指定的，或者在使用库的不同功能时动态设置的。

例如，当你创建一个模型时，可以定义量化参数：

// 创建一个量化配置
nnom_quant_cfg_t quant_cfg = { .bits = 8, .range = 2047, .signedness = 1 };

// 将配置应用于卷积层
nnom_conv2d_layer_t *conv = nnom_conv2d_build(..., ..., &quant_cfg, ...);

在这个例子中，quant_cfg 结构体包含了关于量子化的详细设置，如位宽、量化范围和符号性。这些配置会影响到模型在微控制器上的性能和精度。

此外，当需要针对特定硬件平台进行优化时，可能会涉及对port目录下的代码进行修改，以适应内存布局、中断处理、定时器设置等相关配置。

总之，NNoM 的配置更多的是集成到代码之中，开发者可以根据需要灵活地调整和定制。