ZHDA204A June   2026  – October 2026 MSPM0G5187

 

  1.   1
  2.   摘要
  3.   商标
  4. 1 简介
  5. 2 带 TinyEngine NPU 的 MSPM0G5187
  6. 3 边缘 AI 工具链
    1. 3.1 TI Edge AI Studio
    2. 3.2 TI Tiny ML Tensorlab
    3. 3.3 TI 神经网络编译器
  7. 4 通过 TI Edge AI Studio 进行快速原型设计
    1. 4.1 工程设置
    2. 4.2 数据采集
      1. 4.2.1 硬件设置
      2. 4.2.2 特征概述
    3. 4.3 数据导入
      1. 4.3.1 分类任务
      2. 4.3.2 回归任务
      3. 4.3.3 预测任务
      4. 4.3.4 注释列表
    4. 4.4 数据注释
    5. 4.5 模型训练
      1. 4.5.1 训练参数
      2. 4.5.2 工具链依赖项
    6. 4.6 性能报告
    7. 4.7 模型导出
  8. 5 通过 TI Tiny ML Tensorlab 进行高级开发
    1. 5.1 环境设置
    2. 5.2 数据采集
      1. 5.2.1 数据检索
      2. 5.2.2 数据验证
    3. 5.3 模型架构迭代重构
      1. 5.3.1 基线实现
      2. 5.3.2 使用 PyTorch 内置模块进行重构
      3. 5.3.3 数据管道优化
      4. 5.3.4 过渡到 CNN 架构
    4. 5.4 模型导出
    5. 5.5 量化感知训练
    6. 5.6 模型编译
  9. 6 边缘 AI 应用：数字识别
    1. 6.1 LeNet-5 变体 CNN 模型
    2. 6.2 NPU/CPU 性能比较
  10. 7 边缘 AI 应用：波形分类器
    1. 7.1 特征提取
    2. 7.2 时序分类模型
    3. 7.3 模型内存注意事项
    4. 7.4 NPU/CPU 性能比较
  11. 8 总结
  12. 9 参考资料
  13. 10修订历史记录

3.2 TI Tiny ML Tensorlab

Tiny ML Tensorlab 是德州仪器 (TI) 的综合 AI 工具链，用于在资源受限的微控制器 (MCU) 上开发、训练、优化和部署机器学习模型，使用户能够：
  • 训练用于时间序列分类和图像分类任务的机器学习模型
  • 使用量化（2 位、4 位、8 位）优化模型，用于嵌入式部署
  • 将模型编译为在 TI MCU 上高效运行，可选 NPU 加速
  • 使用 Code Composer Studio (CCS) 部署模型

该工具链提供端到端工作流程，引导用户通过原始数据生成在 TI MCU 上运行的编译模型。工具链处理：

  • 数据准备和特征提取：自动格式化、预处理原始信号并将其转换为高维特征。
  • 模型训练：专为嵌入式资源限制而构建的神经网络训练。
  • 模型优化：实现量化感知训练 (QAT) 或训练后量化 (PTQ)，以支持 2 位、4 位和 8 位权重精度。
  • 编译：通过 TI 神经网络编译器生成高度优化的器件特定代码。
  • 性能分析：在硬件部署之前对模型精度和推理指标进行全面评估。

TI Tiny ML Tensorlab 支持以下机器学习 (ML) 任务类型：

表 3-1 Tensorlab 支持的任务类型
任务类型说明
时序分类将时间序列数据分类为离散类别（例如，故障检测、活动识别）
时间序列回归根据时间序列输入预测连续值（例如，扭矩估算）
时间序列预测根据历史模式预测未来数值（例如，温度预测）
异常检测使用基于自编码器的模型识别异常模式（例如，设备监控）
图像分类将图像分类到不同的类别（例如，视觉检测、数字识别）
Tensorlab 支持多个专业系列中的多种 TI 微控制器，包括 C2000 DSP、MSPM0、MSPM33、AM13x/AM26x 和 Connectivity。对于延迟关键型和低功耗应用，部分器件（例如 F28P55、AM13E2 和 MSPM0G5187）采用 TI 的集成神经处理单元 (NPU)，用于硬件加速推理。
备注： 集成新硬件后，支持的器件列表可能会发生变化。有关支持的器件型号的最新完整列表，请参阅 Tiny ML Tensorlab 用户指南：支持的器件。