实验环境搭建
模块⼀：软件包下载及环境搭建
步骤一：搭建docker、mappper环境：
①Linux下通过Docker直接下载，获取指令：
docker pull witin/toolchain:v001.000.034
②Window环境，可以通过docker desktop来使用docker:
- 下载安装Docker desktop(win10或以上)：
- 通常需要更新WSL，下载链接如下，更新后需要重启生效
旧版 WSL 的手动安装步骤 | Microsoft Learn
3.Docker desktop 基本使用教程：
Docker-desktop(Docker桌面版)——入门篇_dockerdesktop干嘛用的-CSDN博客
4.Docker desktop通常默认安装在c:\Program File\docker，可以通过软连接的形式修改Docker安装路径：
如何将Docker（Windows桌面版)自定义安装目录_自定义docker安装路径-CSDN博客
5.在Docker desktop里，可以通过搜索获得witin_toolchain，我们需要的是034版本（ps:Hub反应慢可以开VPN获取，或者使用镜像路径，具体操作方式见3链接）
6.测试：
①：管理员模式下打开命令行窗口
docker run -it --name XXXX witin/toolchain:v001.000.034
②：默认进入workspace目录下，可以进入witin_mapper下执行测试脚本：
cd witin_mapper
python3
tests/python/frontend/onnx/witin/wtm2101/precision/XXXX.py
③：使用exit退出，再次进入可按如下操作：
④：通过docker ps -a获取容器id，然后打开进入容器
步骤二：搭建IDE环境
①预先下载安装包，下载安装
②默认安装路径，直接点击安装
③从主菜单的File->Open…菜单，或者点击工具栏的按钮，打开选择文件对话框，选择要打开的项目文件，即***.wmproject文件即可，点击【打开】按钮即可打开工程。如下图所示。
步骤三：其他需要安装的软件
① 请确保安装以下环境：python, git, pytorch
步骤四：下载训练数据
① 最新数据集在软件安装包中
工程软件安装包：https://download.csdn.net/download/m0_58966968/88602575
实验环境安装包：https://download.csdn.net/download/m0_58966968/88602555
动⼿实验： 简单语音识别系统开发
模块⼀：简介
- WTMDK2101-X3介绍
WTMDK2101-X3是针对WTM2101 AI SOC设计的评估板，包含：
（1）WTM2101核心板，即我们的存算芯片。
（2）和I/O 板：WTM2101运行需要的电源、以及应用I/O接口等.
核心板示意图
WTMDK2101-X3 I/O 板示意图
2, AISHELL-WakeUp-1数据集介绍
AISHELL-WakeUp-1数据集是中英文唤醒词语音数据库，命令词为“你好，米雅” “hi, mia”，语音数据库中唤醒词语音3936003条，1561.12小时，邀请254名发言人参与录制。录制过程在真实家居环境中，设置7个录音位，使用6个圆形16路PDM麦克风阵列录音板做远讲拾音(16kHz，16bit)、1个高保真麦克风做近讲拾音(44.1kHz，16bit)。此数据库可用于声纹识别、语音唤醒识别等研究使用。
本demo以该数据集为例，用不同网络结构展示模型训练及移植过程。
模块⼆：搭建算法训练工程，完成算法训练与量化
- 模型训练工程搭建:
本demo提供DNN和DNN_DEEP两种网络结构的示例，网络结构如下，本教程以DNN为例。
DNN
步骤一：配置python/config.py，参数释义见代码注释。
步骤二：运行python/train.py，模型训练完毕后，在models/net_type文件夹下生成bestModel.pth，此即我们的模型权重。
步骤三：运行python/onnx_converter.py，在models/net_type文件夹下生成bestModel.onnx。此步骤即完成原始模型到知存onnx格式模型的转换。
模块三：算法模型转换
1，Dcoker下Mapper转换流程
步骤一：拷贝至指定文件夹
我们将mapper/input 拷贝至witin/toolchain:v001.000.034的指定文件夹下（通常为/home，需与gen_mapper.py文件里描述一致）
步骤二：在workplace\witin_mapper下执行gen_mapper.py
docker start id
docker attach id
cd witin_mapper
python3 /home/mapper/input/gen_mapper.py
步骤三：在对应的output文件下获得输出
模块四：算法模型烧写
步骤一：系统连接：
进行模型烧录和开发时，我们需要将JTAG，核心板，NPU烧写板连接好，并打开开关，如系统连接示意图所示。
步骤二：
系统连接示意图
步骤三：跳线帽连接：
如跳线帽连接示意图所示，按照红框标注进行跳线连接。含义解释：
| 跳线 |
编号 |
跳帽连接 |
含义 |
| 1 |
VIN |
VSPK |
Audio DAC 芯片供电，5V |
| 2 |
3.3V |
AVDD |
WTM2101芯片模拟供电，3.3V |
| 3 |
3.3V |
IOVDD |
WTM2101芯片I/O供电，3.3V |
| 4 |
0.9/1.2V |
DVDD |
用 WTM2101BC 芯片时需接跳帽 |
| 5 |
GND |
BOOT0 |
启动模式，SRAM启动 |
| 6 |
32K |
XTAL |
晶振 |
| 7 |
RXD |
P17 |
串口 |
| 8 |
TXD |
P16 |
|
| 9 |
PERIV |
3.3V |
QSPI Flash、数字麦克风、晶振供电，与 IOVDD 选择一致，即3.3V |
| 10 |
P13 |
WS |
I2S 功放的WS |
| 11 |
P12 |
CK |
I2S 功放的CK |
| 12 |
P10 |
SDO |
I2S 功放的SDO |
| 13 |
P05 |
DMDIN |
数字麦克风的Din |
| 14 |
P06 |
DMCK |
数字麦克风的CK |
跳线帽连接示意图
步骤四：
使用project/ WitinProgramTool_WTM2101下的WitinProgramTool.exe进行模型权重烧写。烧写时的开发板接线请参考其他文档。
步骤五：烧写指令:
.\WitinProgramTool.exe -m init
.\WitinProgramTool.exe -m program -i XXXX\map.csv -k 2
其中XXXX为步骤2.（3）中生成的mapper/output/map
示例:
模块五：算法模型在芯片运行推理
步骤一：
从官网下载知存IDE Witmem Studio。
步骤二：
生成的mapper/output/register.c放在project/Model，使用Witmem Studio打开project/Project/SES-RISCV/Demo.wmproject。
步骤三：Target->Download下载工程：
注：本demo所用为x3开发板，所用串口GPIO为16,17。若是其他开发板，请根据情况修改串口。
步骤四：
打开tools中的串口工具，设置波特率115200，查看准确率输出
至此，我们完成了基于存内计算X3开发板的语音识别从训练到部署全流程，本教程结束。文章来源：https://www.toymoban.com/news/detail-765732.html
实践存内计算X3开发板咨询📫：cheng.chen@witintech.com文章来源地址https://www.toymoban.com/news/detail-765732.html
到了这里，关于【基于存内计算芯片开发板验证语音识别】训练手册的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
