在tensorfow lite中对各op进行单元测试

本文详细介绍如何在ARM嵌入式平台上对TensorFlow Lite的OP进行单元测试,包括修改Makefile编译test_util.cc,使用Googletest库,以及编译conv_test.cc的具体步骤。

Tensorflow lite源码中提供了对个op的单元测试源码,但是在官方的tflite Makefile中默认并没有编译该部分代码。本文主要是记录在tflite中对op进行单独测试的方法,平台为ARM嵌入式。

概要

在tflite的源码中单元测试的源码一般在op名后面添加有test,在目录 tensorflow/contrib/lite/kernels下可以看到很多op的单元测试源码,如convolution的实现源码为conv.cc,则对应的单元测试源码为conv_test.cc,查看源码后可以知道单元测试采用googletest来实现。另外,基本上所有op的单元测试都会继承tensorflow/contrib/lite/kernels/test_util.h里面的SingleOpModel类,而官方源码中的Makefile默认是没有编译test_util.cc的。
下面,本文以编译conv_test.cc为例说明怎么使用单元测试。

基本思想为:先修改Makefile把test_util.cc编译进libtensorflow-lite.a,然后对要测试的conv_test.cc源码单独写一个cmake去调用新的libtensorflow-lite.a

由于unit test需要用到Googletest库,所以需要提前编译准备好Googletest,另外还需要用到absl库。

安装Googletest库

git clone https://github.com/google/googletest 
cd googletest
mkdir build
cd build
cmake -DCMAKE_INSTALL_PREFIX=/path/to/yourdir ..
make install 

absl地址:https://github.com/abseil/abseil-cpp 先下载放到制定位置,可以暂时不用编译。

修改Makefile,编译新的tflite库

准备工作做好以后就可以修改lite源码中的Makefile了,修改的地方主要是添加googletest到INCLUDES,以及添加对其他源码的编译。

添加新的INCLUDES

INCLUDES += -I/path/to/googletest/include

修改CORE_CC_EXCLUDE_SRCS变量

CORE_CC_EXCLUDE_SRCS := \
$(wildcard tensorflow/contrib/lite/*test.cc) \
$(wildcard tensorflow/contrib/lite/*/*test.cc) \
$(wildcard tensorflow/contrib/lite/*/*/*test.cc) \
$(wildcard tensorflow/contrib/lite/*/*/*/*test.cc) 
##$(wildcard tensorflow/contrib/lite/kernels/test_util.cc) \   把这行注释掉

另外还需要添加

CORE_CC_ALL_SRCS += \
$(wildcard tensorflow/core/platform/default/logging.cc) \
$(wildcard tensorflow/core/platform/env_time.cc)

到此,对Makefile的修改就完成了,运行./tensorflow/contrib/lite/tools/make/build_rpi_lib.sh编译可生成新的libtensorflow-lite.a库。

Tips: 注意上述编译的库在被conv_test.cc调用时会出错,原因是env_time.cc中的 EnvTime类部分函数还没有实现,这个可以自己把相关函数实现下,可以参考 tensorflow/core/platform/posix/env_time.cc的实现方式。

编译conv_test.cc

接下来编译conv_test.cc,编译CMAKE的时候遇到一些坑,下面是填坑后的完整CMakeLists.txt

cmake_minimum_required(VERSION 3.0)
add_definitions(-std=c++11)  #must use c++11
set(CMAKE_SYSTEM_PROCESSOR aarch64)
set(GCC_COMPILER_VERSION "" STRING "GCC Compiler version")

SET(CMAKE_C_COMPILER   aarch64-linux-gnu-gcc) 
SET(CMAKE_CXX_COMPILER aarch64-linux-gnu-g++) 
find_package(Threads)
SET(CMAKE_BUILD_TYPE "Release")
#set(CMAKE_EXE_LINKER_FLAGS "-lpthread -lrt -ldl") #special for tflite compile
INCLUDE_DIRECTORIES("/path/to/tflite_lib/include")
INCLUDE_DIRECTORIES("/path/to/googletest/include")
INCLUDE_DIRECTORIES("/path/to/absl")

LINK_DIRECTORIES("/path/to/tflite/lib")
LINK_DIRECTORIES("/path/to/googletest/lib")

add_executable(ConvUnitTest conv_test.cc)
target_link_libraries(ConvUnitTest libtensorflow-lite.a libgtest.a libgmock.a ${CMAKE_THREAD_LIBS_INIT} ${CMAKE_DL_LIBS})

如果需要对其他的op进行单元测试,则把对应的op_test.cc替换掉上面的conv_test.cc即可。

代码下载地址: https://pan.quark.cn/s/a4b39357ea24 图书馆系统非常适合运用C++面向对象的特性进行建模。图书馆管理系统主要由四个关键模块构成:图书借阅、图书归还、图书维护以及读者服务。在系统设计中,可以定义一个读者类(Reader),用于存储每位读者的详细资料;读者数据库类(Rdatabase),用于管理所有读者的信息;图书类(Book),用于记录每本图书的基本属性;图书数据库类(Bdatabase),用于维护所有图书的记录。 【图书馆管理系统构建】 基于C++面向对象编程的图书馆管理系统,其核心功能划分为四个主要部分:图书借阅、图书归还、图书维护和读者服务。该系统通过设计多种类来模拟图书馆的实际运作,包括读者类(Reader)、读者数据库类(Rdatabase)、图书类(Book)以及图书数据库类(Bdatabase)。 1. **读者类(Reader)**: - 该类包含读者的基础资料,例如删除标记(tag)、读者编号(no)、姓名(name)以及所借图书列表(borbook)。 - 通过构造函数对读者信息进行初始化。 - 拷贝构造函数用于复制读者的姓名信息。 - 提供一系列成员函数,以支持信息的获取和设置操作。 2. **读者数据库类(Rdatabase)**: - 包含一个读者记录数组(read),并使用记录指针(top)来标识最新添加的读者信息。 - 构造函数从read.txt文件中加载所有读者数据,并在析构函数中将未删除的记录保存回文件。 - 提供管理读者信息的接口,例如添加、删除和查找功能。 3. **图书类(Book)**: - 该类存储图书的基本属性,包括删除标记、图书编号、书名(name)以及图书的在架状态...
内容概要:本文围绕综合能源系统与模型预测控制(MPC)的滚动优化展开深入研究,重点阐述了基于Matlab的MPC方法在综合能源系统优化调度中的建模、仿真与求解过程。内容涵盖MPC的核心原理、滚动优化机制及其在多能协同系统中的实际应用,结合多个典型案例展示其在微电网调度、风光储协调、电动汽车接入、氢能系统等前沿方向的具体实现路径。文档配套提供了丰富的Matlab/Simulink代码与仿真模型,涵盖从基础算法构建到高水平论文复现的全过程,助力科研人员快速掌握先进控制策略的技术细节与工程实现方法。同时,资源汇总了大量相关研究主题与可复现课题,形成完整的科研支持体系。; 适合人群:具备电力系统、自动化或控制理论背景,熟悉Matlab编程,从事能源系统优化、智能控制、微电网调度及相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①系统学习并掌握MPC在综合能源系统中的滚动优化建模与实现方法;②高效复现已发表高水平期刊论文中的算法与仿真模型;③支撑新能源接入、多能协同调度、需求响应等方向的科研项目申报、实验验证与学术论文撰写。; 阅读建议:此资源以科研复现为导向,强调理论与代码实践深度融合,建议读者结合所提供的Matlab代码与Simulink模型进行动手操作,重点关注MPC控制器设计、约束处理机制与多目标优化策略的实现细节,并通过对比不同场景拓展算法应用边界,提升科研创新能力。
内容概要:本文针对考虑需求响应的微电网优化调度问题,提出了一种基于改进多目标灰狼算法(GWO)的优化方法,并通过Matlab代码实现了完整的仿真验证。研究在传统灰狼算法基础上引入改进机制,有效提升了算法的收敛速度、全局搜索能力和Pareto前沿分布质量,用于求解包含经济运行成本、碳排放水平、可再生能源利用率等多重目标的微电网调度模型。模型充分融合用户侧需求响应机制,利用分时电价等激励手段引导负荷转移与削峰填谷,从而增强系统对光伏、风电等间歇性能源的消纳能力,降低综合运行成本与环境影响。文中系统阐述了多目标优化建模过程、算法改进策略、约束处理方法及仿真结果对比分析,验证了该方法在获取高质量非劣解集和辅助决策方面的优越性。; 适合人群:适用于电力系统、能源互联网、自动化控制、智能优化算法等相关领域的硕士/博士研究生、科研人员,以及从事微电网能量管理、综合能源系统优化、低碳调度等工作的工程技术人员。; 使用场景及目标:①应用于微电网能量管理系统(EMS)中实现多目标协同优化调度;②为基于电价激励的需求响应项目提供负荷调控策略与量化分析工具;③作为智能计算算法在能源系统优化中应用的教学案例与科研参考,支持进一步拓展至多能互补、多微网互联等复杂场景的研究。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点关注目标函数构造、约束条件处理、多目标适应度评估及决策者偏好选择机制;可尝试将该框架迁移至含氢能储能、电动汽车集群等新型设备的综合能源系统中进行性能测试与算法改进。
内容概要:本文系统研究了基于深度学习的大规模天线阵列混合波束成形设计,结合Matlab与Python代码实现,聚焦于5G/6G通信系统中大规模MIMO技术的关键挑战。针对传统混合波束成形方法在射频链路约束下计算复杂度高、实时性差的问题,提出利用深度神经网络对模拟波束成形矩阵与数字基带波束成形矩阵进行联合优化的设计方案。通过构建端到端的学习模型,实现了从信道状态信息到最优波束成形矩阵的高效映射,显著提升了系统的频谱效率与能量效率。研究详细阐述了网络结构设计、训练数据生成、损失函数定义及模型训练流程,并提供了完整的仿真验证平台,支持与传统优化算法的性能对比分析。; 适合人群:具备通信工程、信号处理或人工智能相关专业知识背景,熟悉Matlab/Python编程语言,从事无线通信、智能信号处理或深度学习应用研究的研究生、科研人员及工程技术开发者。; 使用场景及目标:①应用于5G/6G大规模MIMO系统中的高性能波束成形设计;②推动深度学习在物理层通信中的深度融合与技术创新;③支持学术研究、毕业设计、科研项目申报及工程原型开发中的算法仿真与性能评估。; 阅读建议:建议读者结合所提供的Matlab和Python代码进行动手实践,重点关注深度学习模型架构与波束成形优化问题之间的建模关系,通过复现仿真结果并与传统方法对比,深入理解深度学习在降低计算复杂度、提升系统性能方面的优势与潜力。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值