技术到了最后，都是要在实际生活中实践，才有活力；而不是曲高和寡，光是鼓吹技术多牛逼，没有切实改变生活，提高体验，产生经济价值，那样的技术都是耍流氓。
同样的，TInyML如果只在官方的几个平台玩，只跑hello word、magic wand多没有意思。笔者不是说一步到位，把Tensorflow lite micro玩出花，可以随便跨平台，搞出有趣应用；只是摸索出一套方法部分实践上解决跨平台的问题，可以移植到任意NRF52840的板子，有慧根的读者根据思路可以进一步扩展到其他平台。
来由
买了官方推荐的 ARDUINO NANO 33 BLE SENSE （￥330 海淘）的板子，同时手里有青风52840的板子（套件￥198，核心板￥20），想法很朴素：在TinyML官方例程跑熟练的基础上，把框架移植到同一芯片的平台的国内性价比模块上搞些好玩的应用。
过程
把同一核心芯片的应用从一个硬件平台（开发板）移植到另一个硬件平台；这样就能“旧瓶装新酒”，老平台的BLE通讯技术加上TyniML AI技术，岂不是母牛上天！想起来似乎很容易；但是问题没有那么简单。下图是我的探索路径，四处碰壁、断断续续。
image.png问题总结
问题总结起来有：
- RTOS方面：ArduinoBLE33的OS是Mbed Arduino中间件，而52840淘宝板移植Mbed Arduino是个问题；
- 硬件（引脚）切换：ArduinoBLE33没有开源原理图，代码所涉及Pin管脚，是经过Arduino转换暴露出来的；曾经费劲力气铜鼓PIO框架系统把Arduino系统导入到青风52840，由于引脚不一致始终得不到预想的相应；
- SDK和C 11不匹配：TFLite的库或者程序是用C 11编译的，NRF老的SDK不支持C 11，MDK也需要设置不同编译选项才能支持，新的NRF芯片的SDK改了个NCF的新名称，有很多高大上的特性，但是想用NUS（Nordic Uart Service）不支持了。
工作项目时间因素最终改变原来的平台，选择ST硬件平台。ST Cube AI对TFLite Micro做了一层自己的封装，好用到爆。你生成的模型无论是keras还是saved_model都支持，直接导入。
不过个人私下因为个人兴趣想办法解决了。
问题解决
简单的说，在Nordic 官方论坛看到一个官方实习生也在解决类似问题，不过他用的另外一个高大上的双核硬件，思路由此打开了。下面是示意图：
image.png1) 利用tflite-micro的make工具链生成工程（作为lib的include）
代码语言：txt复制#生成 TARGET nrf5340pdk_nrf5340_cpuapp TARGET cortex-m4 的工程
make -f tensorflow/lite/micro/tools/make/Makefile TARGET=nrf5340pdk_nrf5340_cpuapp TARGET_ARCH=cortex-m4 generate_hello_world_make_project2) 利用生成 zephyr 编译库（参考build log） libtensorflow-microlite.a
代码语言：txt复制west -vvv build -b nrf5340pdk_nrf5340_cpuapp -p3) 生成的工程路径
代码语言：txt复制tensorflow/lite/micro/tools/make/gen/
├── nrf5340pdk_nrf5340_cpuapp_cortex-m33
│ ├── lib
│ │ └── libtensorflow-microlite.a
│ └── obj
│ └── tensorflow
├── nrf5340pdk_nrf5340_cpuapp_cortex-m4
│ ├── lib
│ │ └── libtensorflow-microlite.a
│ ├── obj
│ │ └── tensorflow
│ └── prj
│ └── hello_worldshow me the code
https://github.com/flavorfan/nrf52840-fan
基于zypyr实现，关键技术其实就是zypyr的custom board支持，还有编译时支持external project 把tensorflow lite一起编译了，后面再把它搞成zypyr的库。以后开发就直接用这个库了。
Further Reading
- TinyML实践-1：What & Why TinyML？
- TinyML实践-2：How TinyML Works？
- TinyML实践-3：牛运动姿态识别的落地实现
- TinyML-4：（Quantization） 为什么int8足够用于ML
- TinyML-5:TFLite Quantization背后的运行机制
