关键特性

核心代码少于 400行

(tm_layers.c+tm_model.c+arch_cpu.h), 

代码段(.text)少于3KB
低内存消耗
支持 INT8/FP32/FP16 模型，实验性地支持 FP8 模型，支持 keras h5 或 tflite 模型转换
支持多种芯片架构的专用指令优化: arm SIMD/NEON/MVEI，RV32P, RV64V
友好的用户接口，只需要 load/run 模型
支持全静态的内存配置(无需 malloc )

同样地也可以部署到MPU平台上

RK3576平台相较于RK3588其主要缩减了四个A76大核改成了A72
GPU也由原来的G610 MC4减为了G52MC3
NPU功能保持变不变，均为6Tops
视频编解码也略有缩减
其余各接口也砍掉了一部分
主打极致性价比方案

说回正题，要运行TinaMaix 只需要简单几个步骤即可运行。
首先确保系统安装了cmake gcc make工具：

克隆存储库[GitHub - sipeed/TinyMaix: TinyMaix is a tiny inference library for microcontrollers (TinyML).]

运行mnist手写数字识别任务

cd examples/mnist
mkdir build
cd build
cmake ..
make
./mnist

整个流程跑完仅仅需要0.14ms

可以看到soc平台强大的算力

mbnet
是适用于移动手机设备的简单图像分类模型，不过对单片机来说也稍微困难了些。
例程里的模型是 mobilenet v1 0.25，输入 128x128x3 的RGB图像，输出1000 分类的预测。
它需要至少 128KB SRAM 和 512KB Flash。

mkdir build
cd build
cmake ..
make
./mbnet

运行1000分类，耗费资源如下：
param “481,9 KB,0PS13,58 M0PS, buffer 96 0 KB

vww测试，主要是将图片信息转化为数组格式提供给网络输入。

手写数字识别的例程也是十分简单，只需要：

库文件已经是高度封装且兼容，所以很轻松地就可以在linux以及其它平台上移植，在RK3576这种高性能soc的加持下，可以发挥出更大的优势。