Posiblemente nos quedemos defraudados luego de instalar la librería de tensorFlow lite en el entorno de arduino , pues no podemos modificar el código fácilmente. Pero lo podemos solucionarlo de dos modos: el fácil y el más fácil.
La solución fácil la podemos encontrar tácitamente en la información del repositorio.
“If you need to build the library from source (for example, if you're making modifications to the code), run this command to generate a zip file containing the required source files:”
make -f tensorflow/lite/experimental/micro/tools/make/Makefile TARGET=arduino TAGS="" generate_hello_world_arduino_library_zipLuego nos indica dónde podemos encontrar el archivo comprimido generado:
tensorflow/lite/experimental/micro/tools/make/gen/arduino_x86_64/prj/hello_world/hello_world.zipLamentablemente omite que es realmente necesario para poder generar NUESTRO propio código en el Ide de arduino. Afortunadamente no debemos modificar el código actual de la librería almacenada en GitHub (y espero que se mantenga así) , solo debemos generar el archivo zip.
Para poder generar la librería debemos bajar en repositorio con la indicación --depth 1 , como se indica:
git clone --depth 1 https://github.com/tensorflow/tensorflow.gitPara desarrollar este proceso, aquí tenemos varias posibilidades:
- Hacer todo el procedimiento en un Linux.
- Hacerlo en una maquina virtual(Win)
- Hacerlo en Docker (Win, Linux, Mac).
- En una instancia de AWS .
- Hacerlo en Colab.
No es posible hacerlo en Windows por que requiere Make 3.82, y la última versión disponible para Window es la 3.81.
O el modo más fácil es bajar la versión compilada que tengo almacenada en este repositorio.
Una vez que tengamos la librería podemos abrir el ejemplo, et voilà, ya podemos ver el código dentro del IDE de arduino. Aquí una breve descripción de los archivos:
Tiene todo el código necesario para correr la red neuronal desarrollada con Tensorflow , pero almacenada en un formato ligero denominado LITE. Es lo único que requerimos para correr nuestro entrenamiento más los archivos del modelo.
En ambos archivos se almacena la información del modelo. El arreglo hexadecimal de datos del modelo. Este archivo guarda las bias y weights de las capas de neuronas. Además de la estructura de modelo construido en Keras.
En estos archivos tenemos algunas constantes para poder generar los datos de entrada. Debemos recordar que los datos fueron generados con una pequeña función con python en jupyter notebook . En este caso debemos generar el valor “X” para que nuestro modelo nos devuelva un valor “Y” que generará la curva seno, que es el objetivo del ejemplo.
Estos archivos definen la función de salida de ejemplo: los valores generados por la red neuronal se vinculan al LED13 e imprimen este valor en el monitor serie. Que fue lo que modificamos en la experiencia del tutorial de youtube, que fue básicamente incluir la salida serial e imprimir el valor de brightness:
#include "Arduino.h"
#include "constants.h"
// The pin of the Arduino's built-in LED
int led = LED_BUILTIN;
// Track whether the function has run at least once
bool initialized = false;
// Animates a dot across the screen to represent the current x and y values
void HandleOutput(tflite::ErrorReporter* error_reporter, float x_value,
float y_value) {
// Do this only once
if (!initialized) {
// Set the LED pin to output
Serial.begin(9600); // <---- primer cambio
pinMode(led, OUTPUT);
initialized = true;
}
// Calculate the brightness of the LED such that y=-1 is fully off
// and y=1 is fully on. The LED's brightness can range from 0-255.
int brightness = (int)(127.5f * (y_value + 1));
// Set the brightness of the LED. If the specified pin does not support PWM,
// this will result in the LED being on when y > 127, off otherwise.
analogWrite(led, brightness);
// Log the current brightness value for display in the Arduino plotter
error_reporter->Report("%d\n", brightness);
Serial.println(brightness); // <---- segundo cambio
}