开发板官网www.edevkit.come-AI插件转换模型实验以上是采用e2 Studio 和 Reality AI Tools结合训练模型“Reality AI Tools”是瑞萨官方的AI训练平台如果用户使用“TensorFlow”训练的模型想转换成瑞萨开发板能运行的模型代码可以在e2 Studio安装瑞萨官方出的e-AI 转换插件。安装使用效果图安装完在菜单栏有一个“Translator”转换器打开界面如上图选择训练好的模型文件然后转换成C代码文件可以在开发板上运行。e-AI官网地址e-AI Development Environment for Microcontrollers | Renesas 瑞萨电子可以从“PyTorch”“Keras”“Tensorflow”训练模型或“Tensorflow Lite”的8位量化模型转换并轻松导入e²studio瑞萨电子的集成开发环境。e2 Studio安装e-AI插件进入上面官网地址找到①下载e-AI V3.4版本插件解压之后点击“setup.exe”安装到e2 Studio的“plugins”安装路径比如“D:\RA\e2studio_v2025-12_fsp_v6.3.0\eclipse\plugins”一定要是“plugins”插件文件夹路径。②下载用户手册可以查看需要安装的环境。③下载license.txt文件解压之后吧txt文件放到安装的eAI插件目录下。“D:\RA\e2studio_v2025-12_fsp_v6.3.0\eclipse\plugins\com.renesas.eaitranslator_3.4.0”点击替换更新许可文件才能在e2 stuido里使用。以上步骤执行完打开e2 Studio在插件里新增了“Translator”插件。点击“Configure and Translate”打开界面。正常安装了环境是如下界面但是现在只是安装了插件吗没有安装所需环境打不开界面。等后面安装完环境。这里可以选择在TensorFlow保存的.h5等模型文件然后转化成.c文件可以移植到e2 Studio使用。安装Python TensorFlow环境根据手册说明安装的e-AI Translator v3.4版本需要Python 3.10.5版本这里下载一样的版本。下载pythonhttps://www.python.org/downloads/windows/打开exe安装程序。注意一定要勾选下面的 Add Python to PATH若不选这一项则后面需要手动配置环境变量很麻烦。然后点击 “Customize installation”自定义安装。下一步。选择“Install Python 3.10 for all users”然后可以选择安装路径。点击“Install”等待安装完。安装完在CMD界面输入Python 查看是否有版本显示。安装python所需包进入Python安装路径下“Scripts”文件夹shift右键打开CMD, 使用“pip3”指令安装所需库。安装时注意各个库需要的版本限制。##1.Installing Protobuf pip3 install protobuf3.19.6 ##2.Installing TensorFlow pip3 install tensorflow2.9.1 ##3.Installing Torch, TorchVision pip3 install torch1.12.1cpu torchvision0.13.1cpu -f https://download.pytorch.org/whl/torch_stable.html ##4. Installing TorchSummary pip3 install torchsummary1.5.1 ##5. Installing Onnx pip3 install onnx1.12.0 ##6. Installing ProgressBar pip3 install progressbar332.4 ##7. Installing Prettytable pip3 install prettytable3.4.0 ##8. Installing h5py pip3 install h5py3.6.0 ##9. Installing pycryptodome pip3 install pycryptodome3.15.0 ##10. Installing configparser pip3 install configparser5.3.0 ##11. Installing psutil pip3 install psutil5.9.1 ##12.Installing Keras (only when using standalone Keras) pip3 install keras2.9.0 ##13. Installing TensorFlow Lite pip3 install tflite2.4.0 ##14.Installing Numpy pip3 install numpy1.23.5安装“Microsoft Visual C 2015 Redistributable”下载https://www.microsoft.com/en-US/download/details.aspx?id52685从以上网站下载64位版本的Microsoft Visual c 2015的安装程序“vc_redist.x64.exe”双击安装程序开始安装。提示已经安装就不需安装。e-AI转换模型代码界面说明以上完成环境搭建就可以使用e-Ai Translator转换模型。①点击图标可以打开界面。②点击“Translator”-“Configure and Translte”也可以打开界面。Input Model File Name选择训练的模型文件包括 PyTorch、 Keras、 TensorFlow(tf.keras) 、 TensorFlow Lite、 ONNX。Select Framework指定训练模型的类型。使用TensorFlowtf.keras时选择“Keras”。Convert option指定在何处分配权重数据ROM或RAM。当RAM大小被优先化时权重数据被分配到ROM。当速度是优先级时权重数据被分配给RAMRL78 Option选项仅适用于rl78mcu。通过设置“FAR Address”复选框转换后的c源代码如下所示- ON“__far”修饰符被添加到c源代码中- OFF“__far”修饰符不添加到c源代码中其他mcu请将此复选框设置为“OFF”。Translator Output Location选择转换结果输出的源文件和头文件指定输出目标文件夹。Input Node Name、Output Node Name当使用Keras或TensorFlowtf.keras的训练模型时自动指定输入/输出节点名称。Output Format从以下三种选择中指定输出源文件格式。C_FP32: 在转换PyTorch或TensorFlow(tf。keras)模型文件时“C_FP32”被自动选择。C_INT8: 在转换TensorFlow Lite模型文件时。此格式可用于所有MPU/MCU。CMSIS_INT8: 在将TensorFlow Lite模型转换为源文件时利用CMSIS库加快推理速度。此设置仅适用于RA、RX系列。Input Shape Dimensions指定神经网络输入层的大小。只有当框架是PyTorch时设置。Model Name定义模型名称。RAM Usage (MB)在转换时显示PC RAM使用情况作为参考信息。Translate button将AI的训练模型转换为源文件和头文件。选择转换模型首先在“Select Framework”选择要转换的模型类型然后再点击“Browse”选择要转换的模型文件。如果是“PyTorch”模型支持的扩展名“.pth”。如果是“Keras”模型,“TensorFlow(tf.keras)”,支持的模型扩展名“.h5”。如果是“ONNX”模型支持的模型扩展名“.onnx”。如果是“TensorFlow Lite”模型支持的模型扩展名“.tflite”。转换C文件选择模型后在“Convert option”指定在转换训练模型时要优先考虑的质量。速度优先级通过向RAM分配权重数据来确定执行速度的优先级。RAM大小优先级推荐通过将权重数据分配给ROM来确定RAM使用的优先级。建议使用“RAM大小优先级”因为权重数据的大小通常非常大。①选择保存的文件路径。②“Model Name”填写模型名称作为生成的文件后缀名。③点击“Translate”开始转换。如果模型选择错误会提示“模型框架选择错误”如果有其他错误比如模型使用了不支持的库会提示生成错误会在e2 Studio安装目录下生成log文件具体错误查看log内容。没有错误生成成功后会在①“output”路径下生成“Translator”文件夹包含了代码文件。使用模型代码上一步生成的“Translator”文件夹复制到e2 studio的工程“src”文件夹下。打开“dnn_compute.c”文件“TsOUTdnn_compute(TsINserving_default_dense_input_0, TsInterrorcode)”“dnn_compute()”函数就是模型训练执行函数。关于TsOUTTsINTsIN的定义查看“typedefine .h”。“serving_default_dense_input_0”第一个参数是需要训练的输入数据在“input_image_0.h”中有示例数据可以统一放在文件里。“errorcode”变量检测由malloc指令引起的内存分配错误。0没有发生内存分配错误。1内存分配错误。“TsOUT”返回值返回训练结果。如何使用函数在“dnn_compute.c”定义自己的函数实现自己的逻辑然后在“hal_entry.c”在extern函数调用就可以比较方便。文件说明“checker_log_output.txt”可以检查要使用的ROM和RAM大小。①训练操作的ROM使用情况②上每层的总RAM大小下训练操作的实际RAM使用情况。③乘法和累加运算的次数。数字越大推理速度越慢。“network_description.txt”可以检查转换后的神经网络结构的信息。利用神经网络对ROM大小和RAM大小进行估计。当指定“RAM大小优先级”为当前版本的“转换选项”时该文件显示ROM大小和RAM大小。即使“转换选项”改变了估计结果也不会改变。正玄波输出模型实验现在有一个学习正弦函数ysin(x)的简单回归模型用于预测给定数据的三角函数值。已经训练好并保存为tflite格式。这是个int8的量化模型输入是int8的一个整数输出就是int8类型±128的一个正玄波数据输入输出都是一维度。通过e-AI 把模型转换成代码在开发板中运行串口打印数据。1.转换模型打开“Translator”界面。①首先查看模型格式是什么需要在①处先选择再加载文件这里是tflite格式选择“TensorFlow lite”。②打开文件选择框选择“hello_world_int8.tflite”模型文件。③默认选中“RAM size Priority”内存优先转换的模型优先考虑内存使用优化。以便在单片机使用。④选择输出的文件夹目录转换后的文件放在这里。⑤模型名称转换后的函数会加此后缀。⑥点击“Translate”开始转换。等待转换完成在输出目录下看到转换的文件。2.模型使用把文件夹放到工程的“src/目录下”打开“dnn_compute_sin.c”文件添加测试代码。在“hal_entry.c”中调用。编译下载运行打开串口助手查看数据。在表格中查看曲线近似正弦波的波形。