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

5 通过 TI Tiny ML Tensorlab 进行高级开发

本节介绍 Tensorlab，一个面向工作流程的工具集，其对基于 PyTorch 的模型训练进行优化。通过利用核心 PyTorch 模块和类，Tensorlab 有助于神经网络的端到端设计和训练。

与高级抽象工具不同，Tensorlab 专为需要对机器学习管道进行精细端到端控制的专业开发人员而设计。Tensorlab 为高度定制的开发提供了必要的灵活性，能够精确操作数据采集、模型架构、训练超参数和编译工作流程。

以下实现将 MNIST（数字识别）数据集用作基础基准，以演示如何从第一性原理构建神经网络。技术进步从基线实现开始，并以迭代方式整合 PyTorch 生态系统的高级功能。该工作流程包含整个部署生命周期：通过 ONNX 导出模型、使用 TVM (TI NNC) 进行编译和 PC 端推理。本节最后介绍了量化感知训练 (QAT) 的实现，该训练利用 TI 特定的 NPU 量化技术来优化边缘部署的模型性能。