使用 NNOM ，我們可以先用 Python 訓練好模型，然後移植到C環境進行預測！

準備

1. 把這個 repository clone 下來： https://github.com/majianjia/nnom

2. 若使用 VSCode 開發，安裝這個套件：

   https://marketplace.visualstudio.com/items?itemName=danielpinto8zz6.c-cpp-project-generator

建立專案

因為要進行動態連結，所以必須將所有檔案包裝於一個專案中，並用 makefile 編譯和執行。

1. 進入 vscode ，用剛剛的套件產生專案 template 。
2. Makefile 中，把 SRC 後面的 src 刪掉，這樣程式進入點才會在作業目錄。

1. 移植 nnom 標頭檔和 source 檔：

   cp -r path/to/nnom/inc/ path/to/workpath/include/
   cp -r path/to/nnom/port/ path/to/workpath/include/
   cp -r path/to/nnom/src/* path/to/workpath/src/
   

2. 作業目錄建立 main.c 開始寫程式！

   實作

3. 執行時可呼叫 ./output/main ，繞過 vscode 的除錯。

實作

使用 nnom/examples/mnist-simple 來練習

1. 用 mnist_simple.py 訓練模型 (直接執行即可，確認腳本路徑 ../../scripts)

   在程式碼裡面可以看到連接 NNOM 的 API，把模型轉換成 .h 檔

   # select a few image and write them to image.h
   image_to_cfile(x_test*127, y_test_num, 10, file='image.h')
   
   # save weight
   generate_model(model, np.vstack((x_train, x_test)), name="weights.h")
   

2. 把生成的 weights.h, images.h 還有 mcu/main.c 丟到 C project 的作業目錄當中

   此時，你的目錄應該會長這樣

   

3. 或是，使用調整過的 main.c

   hello_nnom.zip

   /*
    * Copyright (c) 2018-2020, Jianjia Ma
    *
    * SPDX-License-Identifier: Apache-2.0
    *
    * Change Logs:
    * Date           Author       Notes
    * 2019-03-29     Jianjia Ma   first implementation
    */
    
   #include <stdio.h>
   
   #include "nnom.h"
   #include "image.h"
   #include "weights.h"
   
   nnom_model_t *model;
   
   int main(void){
   
   	model = nnom_model_create();
   	model_run(model);
   	mnist(2, (char*[]){"mnist", "0"});
   }
   
   const char codeLib[] = "@B%8&WM#*oahkbdpqwmZO0QLCJUYXzcvunxrjft/\\\\|()1{}[]?-_+~<>i!lI;:,\\"^`'.   ";
   void print_img(int8_t * buf)
   {
       for(int y = 0; y < 28; y++) 
   	{
           for (int x = 0; x < 28; x++) 
   		{
               int index =  69 / 127.0 * (127 - buf[y*28+x]); 
   			if(index > 69) index =69;
   			if(index < 0) index = 0;
               printf("%c",codeLib[index]);
   			printf("%c",codeLib[index]);
           }
           printf("\\n");
       }
   }
   
   // Do simple test using image in "image.h" with model created previously. 
   void mnist(int argc, char** argv){
   
   	uint32_t tick, time;
   	uint32_t predic_label;
   	float prob;
   	int32_t index = atoi(argv[1]);
   	
   	if(index >= TOTAL_IMAGE || argc != 2)
   	{
   		printf("Please input image number within %d\\n", TOTAL_IMAGE-1);
   		return;
   	}
   	
   	printf("\\nprediction start.. \\n");
   	
   	// copy data and do prediction
   	memcpy(nnom_input_data, (int8_t*)&img[index][0], 784);
   	nnom_predict(model, &predic_label, &prob);
   	
   	//print original image to console
   	print_img((int8_t*)&img[index][0]);
   	
   	printf("Time: %d tick\\n", time);
   	printf("Truth label: %d\\n", label[index]);
   	printf("Predicted label: %d\\n", predic_label);
   	printf("Probability: %d%%\\n", (int)(prob*100));
   }
   
   void nn_stat(){
   	model_stat(model);
   	printf("Total Memory cost (Network and NNoM): %d\\n", nnom_mem_stat());
   }