ZHDA053 February 2026
3.2 模型架构设计
正弦函数逼近器采用多层感知器 (MLP)，专为 F28P55x NPU 进行资源约束设计：
SineApproximator(
(regressor): Sequential (
(0): Linear(in_features=1, out_features=64, bias=True)
(1): ReLU(inplace=True)
(2): Linear(in_features=64, out_features=64, bias=True)
(3): ReLU(inplace=True)
(4): Linear(in_features=64, out_features=1, bias=True)))代码 1：Sine_64_Model 的正弦逼近器核心架构
该架构包含几个专门用于 NPU 部署的关键设计决策：
- 输入层：单个神经元输入，接受角度值（映射到 0-2π 弧度）。
- 隐藏层：选用两层各 64 神经元的隐藏层，以兼顾精度与资源效率；而该 NPU 实际可支持每层最高 128 神经元的模型。
- 激活函数：选择 ReLU 激活函数，以兼顾计算效率与量化友好性。
- 输出层：单个神经元输出，用于生成预测的正弦值（范围为 -1 至 +1）。
图 3-1 Sine_64_Model 的正弦逼近器核心架构模型架构规模严格依据 F28P55x NPU 的内存与算力设计。关键约束为总参数量，而非单层神经元数量。我们的架构（层大小为 1×64、64×64 和 64×1）产生了总共 4,353 个参数，在精度与资源利用率之间实现了平衡。虽然该器件支持每层可容纳多达 128 个神经元的模型，但基于精度和延迟考虑因素，选择了 64 神经元配置。没有特征提取器的大型网络（例如每层使用 512 或 1024 个神经元的网络）会超出 NPU 的可用内存。工程师针对该平台设计模型时，需重点关注总参数预算。这种资源受限型模型设计方法广泛应用于各类边缘 AI 实现方案，受内存空间、处理能力及能效预算限制，需精细优化神经网络架构，以确保在既定硬件约束下实现最优性能。