ESP-DL部署魔改MobilenetV1—3. 模型部署

最新推荐文章于 2024-09-04 14:24:09 发布
最新推荐文章于 2024-09-04 14:24:09 发布
阅读量999 收藏 17
点赞数 14
分类专栏： esp32+ai 文章标签： 人工智能 算法 机器学习 嵌入式
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_30479517/article/details/141885641
版权

在完成模型训练和模型量化后，就可以开始我们的模型部署了。这部分的关键在于Model类中层的初始化以及build和call的实现。

环境依赖

  • esp-idf > 5.0
  • esp-dl

模型定义

在模型定义时，我们需要用到量化时输出的层信息、cat_vs_dog_coefficient.hpp，必要时还可以使用netron查看神经网络的结构。

项目结构如下所示：

├── CMakeLists.txt
├── components
│   └── esp-dl
├── main
│   ├── app_main.cpp
│   ├── input_data.h
│   └── CMakeLists.txt
├── model
│   ├── cat_vs_dog_coefficient.cpp
│   ├── cat_vs_dog_coefficient.hpp
│   └── model_define.hpp
├── partitions.csv
├── sdkconfig
├── sdkconfig.defaults
├── sdkconfig.defaults.esp32
├── sdkconfig.defaults.esp32s2
└── sdkconfig.defaults.esp32s3

量化时输出的层信息如下：

Generating the quantization table:
Converting coefficient to int16 per-tensor quantization for esp32s3
Exporting finish, the output files are: ./cat_vs_dog_coefficient.cpp, ./cat_vs_dog_coefficient.hpp

Quantized model info:
model input name: input_1, exponent: -15
Transpose layer name: StatefulPartitionedCall/model/conv1/Conv2D__6, output_exponent: -15
Conv layer name: StatefulPartitionedCall/model/conv1/Conv2D, output_exponent: -11
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_1/depthwise, output_exponent: -10
Conv layer name: StatefulPartitionedCall/model/conv_pw_1/Conv2D, output_exponent: -9
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_2/depthwise, output_exponent: -10
Conv layer name: StatefulPartitionedCall/model/conv_pw_2/Conv2D, output_exponent: -10
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_4/depthwise, output_exponent: -10
Conv layer name: StatefulPartitionedCall/model/conv_pw_4/Conv2D, output_exponent: -10
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_5/depthwise, output_exponent: -10
Conv layer name: StatefulPartitionedCall/model/conv_pw_5/Conv2D, output_exponent: -11
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_6/depthwise, output_exponent: -11
Conv layer name: StatefulPartitionedCall/model/conv_pw_6/Conv2D, output_exponent: -12
GlobalAveragePool layer name: StatefulPartitionedCall/model/global_average_pooling2d/Mean, output_exponent: -12
Squeeze layer name: StatefulPartitionedCall/model/global_average_pooling2d/Mean_Squeeze__118, output_exponent: -12
Gemm layer name: fused_gemm_0, output_exponent: -10
Softmax layer name: StatefulPartitionedCall/model/softmax/Softmax, output_exponent: -14

我们以下关于模型的操作均在model_define.hpp文件中完成。

层初始化

导入必要头文件

首先，参考量化时输出的层信息，我们要将所有用到的层的头文件以及一些其它必要的头文件包含进来

#include "cat_vs_dog_coefficient.hpp"
#include "dl_layer_model.hpp"
#include "dl_layer_base.hpp"

#include "dl_layer_conv2d.hpp"
#include "dl_layer_depthwise_conv2d.hpp"
#include "dl_layer_global_avg_pool2d.hpp"
#include "dl_layer_softmax.hpp"
#include <stdint.h>

定义层

接下来是定义每个层。

  • 由于onnx中张量的顺序为CHW，而我们训练时使用的是HWC顺序，因此在模型输入端会有一个reshape或transpose，这里这层和输入不需要定义。
  • 最后的全连接层为矩阵乘法，在优化模型时会将 其和其后的add层 转换为Gemm层，如果缺少add层则不会进行转换。Gemm层依然使用conv2d来实现。
  • 在最后的全连接层，Squeeze会将为1的维度删除，但是会导致紧随其后的conv2d报错，因此这里的Squeeze我们也不定义。
  • 除了输出层，所有层都定义为私有变量。
  • 在建立模型时，请按照量化时输出的层信息中的顺序放置各层。

剔除掉不需要构建的层之后，我们的层结构如下：

Conv layer name: StatefulPartitionedCall/model/conv1/Conv2D, output_exponent: -11
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_1/depthwise, output_exponent: -10
Conv layer name: StatefulPartitionedCall/model/conv_pw_1/Conv2D, output_exponent: -9
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_2/depthwise, output_exponent: -10
Conv layer name: StatefulPartitionedCall/model/conv_pw_2/Conv2D, output_exponent: -10
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_4/depthwise, output_exponent: -10
Conv layer name: StatefulPartitionedCall/model/conv_pw_4/Conv2D, output_exponent: -10
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_5/depthwise, output_exponent: -10
Conv layer name: StatefulPartitionedCall/model/conv_pw_5/Conv2D, output_exponent: -11
DepthwiseConv layer name: StatefulPartitionedCall/model/conv_dw_6/depthwise, output_exponent: -11
Conv layer name: StatefulPartitionedCall/model/conv_pw_6/Conv2D, output_exponent: -12
GlobalAveragePool layer name: StatefulPartitionedCall/model/global_average_pooling2d/Mean, output_exponent: -12
Gemm layer name: fused_gemm_0, output_exponent: -10
Softmax layer name: StatefulPartitionedCall/model/softmax/Softmax, output_exponent: -14

因此我们定义的层如下：

class CAT_VS_DOG : public Model<int16_t> // Derive the Model class in "dl_layer_model.hpp"
{
private:
    // Declare layers as member variables
    Conv2D<int16_t> l1;
    DepthwiseConv2D<int16_t> l2;
    Conv2D<int16_t> l3;
    DepthwiseConv2D<int16_t> l4;
    Conv2D<int16_t> l5;
    DepthwiseConv2D<int16_t> l6;
    Conv2D<int16_t> l7;
    DepthwiseConv2D<int16_t> l8;
    Conv2D<int16_t> l9;
    DepthwiseConv2D<int16_t> l10;
    Conv2D<int16_t> l11;
    GlobalAveragePool2D<int16_t> l12;
    Conv2D<int16_t> l13;

public:
    Softmax<int16_t> l14; //Output layer
}

构建层

有关如何初始化不同运算层，请查看 esp-dl/include/layer/ 文件夹中相应的 .hpp 文件。

以Conv2D<int16_t> l1为例，它的定义可以参考如下

l1(Conv2D<int16_t>(-11, get_statefulpartitionedcall_model_conv1_conv2d_filter(), get_statefulpartitionedcall_model_conv1_conv2d_bias(), get_statefulpartitionedcall_model_conv1_conv2d_activation(), PADDING_SAME_END, {}, 2,2, "l1")),
  • -11：量化时输出的该层指数位
  • get_statefulpartitionedcall_model_conv1_conv2d_filter(), get_statefulpartitionedcall_model_conv1_conv2d_bias(), get_statefulpartitionedcall_model_conv1_conv2d_activation()：分别为model_define.hpp中定义的获取该层权重、偏差、激活层参数的函数
  • PADDING_SAME_END：padding的方式，与模型构建时定义有关
  • 2,2：步长，也与模型构建时定义有关

构建完成的结果如下：

CAT_VS_DOG () : 
    l1(Conv2D<int16_t>(-11, get_statefulpartitionedcall_model_conv1_conv2d_filter(), get_statefulpartitionedcall_model_conv1_conv2d_bias(), get_statefulpartitionedcall_model_conv1_conv2d_activation(), PADDING_SAME_END, {}, 2,2, "l1")),
    l2(DepthwiseConv2D<int16_t>(-10, get_statefulpartitionedcall_model_conv_dw_1_depthwise_filter(), get_statefulpartitionedcall_model_conv_dw_1_depthwise_bias(), get_statefulpartitionedcall_model_conv_dw_1_depthwise_activation(), PADDING_SAME_END, {}, 1,1, "l2")),
    l3(Conv2D<int16_t>(-9, get_statefulpartitionedcall_model_conv_pw_1_conv2d_filter(), get_statefulpartitionedcall_model_conv_pw_1_conv2d_bias(), get_statefulpartitionedcall_model_conv_pw_1_conv2d_activation(), PADDING_SAME_END, {}, 1,1, "l3")),
    l4(DepthwiseConv2D<int16_t>(-10, get_statefulpartitionedcall_model_conv_dw_2_depthwise_filter(), get_statefulpartitionedcall_model_conv_dw_2_depthwise_bias(), get_statefulpartitionedcall_model_conv_dw_2_depthwise_activation(), PADDING_VALID, {}, 2,2, "l4")),
    l5(Conv2D<int16_t>(-10, get_statefulpartitionedcall_model_conv_pw_2_conv2d_filter(), get_statefulpartitionedcall_model_conv_pw_2_conv2d_bias(), get_statefulpartitionedcall_model_conv_pw_2_conv2d_activation(), PADDING_SAME_END, {}, 1,1, "l5")),
    l6(DepthwiseConv2D<int16_t>(-10, get_statefulpartitionedcall_model_conv_dw_4_depthwise_filter(), get_statefulpartitionedcall_model_conv_dw_4_depthwise_bias(), get_statefulpartitionedcall_model_conv_dw_4_depthwise_activation(), PADDING_VALID, {}, 2,2, "l6")),
    l7(Conv2D<int16_t>(-10, get_statefulpartitionedcall_model_conv_pw_4_conv2d_filter(), get_statefulpartitionedcall_model_conv_pw_4_conv2d_bias(), get_statefulpartitionedcall_model_conv_pw_4_conv2d_activation(), PADDING_SAME_END, {}, 1,1, "l7")),
    l8(DepthwiseConv2D<int16_t>(-10, get_statefulpartitionedcall_model_conv_dw_5_depthwise_filter(), get_statefulpartitionedcall_model_conv_dw_5_depthwise_bias(), get_statefulpartitionedcall_model_conv_dw_5_depthwise_activation(), PADDING_SAME_END, {}, 1,1, "l8")),
    l9(Conv2D<int16_t>(-11, get_statefulpartitionedcall_model_conv_pw_5_conv2d_filter(), get_statefulpartitionedcall_model_conv_pw_5_conv2d_bias(), get_statefulpartitionedcall_model_conv_pw_5_conv2d_activation(), PADDING_SAME_END, {}, 1,1, "l9")),
    l10(DepthwiseConv2D<int16_t>(-11, get_statefulpartitionedcall_model_conv_dw_6_depthwise_filter(), get_statefulpartitionedcall_model_conv_dw_6_depthwise_bias(), get_statefulpartitionedcall_model_conv_dw_6_depthwise_activation(), PADDING_VALID, {}, 2,2, "l10")),
    l11(Conv2D<int16_t>(-12, get_statefulpartitionedcall_model_conv_pw_6_conv2d_filter(), get_statefulpartitionedcall_model_conv_pw_6_conv2d_bias(), get_statefulpartitionedcall_model_conv_pw_6_conv2d_activation(), PADDING_SAME_END, {}, 1,1, "l11")),
    l12(GlobalAveragePool2D<int16_t>(-11, "l12")),
    l13(Conv2D<int16_t>(-10, get_fused_gemm_0_filter(), get_fused_gemm_0_bias(), NULL, PADDING_VALID, {}, 1,1, "l13")),
    l14(Softmax<int16_t>(-14,"l14")){}

实现build

只需要将每一层串起来即可，结果如下：

void build(Tensor<int16_t> &input)
{
    this->l1.build(input);
    this->l2.build(this->l1.get_output());
    this->l3.build(this->l2.get_output());
    this->l4.build(this->l3.get_output());
    this->l5.build(this->l4.get_output());
    this->l6.build(this->l5.get_output());
    this->l7.build(this->l6.get_output());
    this->l8.build(this->l7.get_output());
    this->l9.build(this->l8.get_output());
    this->l10.build(this->l9.get_output());
    this->l11.build(this->l10.get_output());
    this->l12.build(this->l11.get_output());
    this->l13.build(this->l12.get_output());
    this->l14.build(this->l13.get_output());
}

实现call

同build，只需要将每一层串起来即可：

void call(Tensor<int16_t> &input)
{
    this->l1.call(input);
    input.free_element();
    
    this->l2.call(this->l1.get_output());
    this->l1.get_output().free_element();

    this->l3.call(this->l2.get_output());
    this->l2.get_output().free_element();

    this->l4.call(this->l3.get_output());
    this->l3.get_output().free_element();

    this->l5.call(this->l4.get_output());
    this->l4.get_output().free_element();

    this->l6.call(this->l5.get_output());
    this->l5.get_output().free_element();

    this->l7.call(this->l6.get_output());
    this->l6.get_output().free_element();

    this->l8.call(this->l7.get_output());
    this->l7.get_output().free_element();

    this->l9.call(this->l8.get_output());
    this->l8.get_output().free_element();

    this->l10.call(this->l9.get_output());
    this->l9.get_output().free_element();

    this->l11.call(this->l10.get_output());
    this->l10.get_output().free_element();

    this->l12.call(this->l11.get_output());
    this->l11.get_output().free_element();

    this->l13.call(this->l12.get_output());
    this->l12.get_output().free_element();

    this->l14.call(this->l13.get_output());
    this->l13.get_output().free_element();
}

模型运行

设置输入

输入的数据存储在input_data.h文件中，首先对其进行处理

int input_height = 96;
int input_width = 96;
int input_channel = 3;
int input_exponent = -15;
int classes = 2;

__attribute__((aligned(16))) int16_t *input_data = (int16_t *)dl::tool::malloc_aligned_prefer(input_height*input_width*input_channel, sizeof(int16_t *));
  
for(int i=0 ;i<input_height*input_width*input_channel; i++){
  float normalized_input = example_input[i];
  input_data[i] = (int16_t)DL_CLIP(normalized_input * (1 << -input_exponent), -32768, 32767);
}

之后定义输入张量并设置其尺寸

Tensor<int16_t> input;
input.set_element((int16_t *)input_data).set_exponent(input_exponent).set_shape({input_height, input_width, input_channel}).set_auto_free(false);

调用模型

定义模型

CAT_VS_DOG model;

调用模型

model.forward(input);

获取结果

float *score = model.l14.get_output().get_element_ptr();
float max_score = score[0];
int max_index = 0;
for (size_t i = 0; i < classes; i++)
{
    printf("%f, ", score[i]*100);
    if (score[i] > max_score)
    {
        max_score = score[i];
        max_index = i;
    }
}
printf("\n");

运行结果

在这里插入图片描述

zxfeng~
关注
  • 14
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
ESP32-C3入门教程——导读
小康师兄
09-13 5万+
一、环境篇 ESP32-C3入门教程 环境篇①——简单介绍与软硬件准备 ESP32-C3入门教程 环境篇②——Windows开发环境准备 ESP32-C3入门教程 环境篇③——VS Code IDE快速入门 二、基础篇 ESP32-C3入门教程 基础篇①——GPIO口控制 ESP32-C3入门教程 基础篇②——PWM控制 ESP32-C3入门教程 基础篇③——ADC输入 ESP32-C3入门教程 基础篇④——串口通信 ESP32-C3入门教程 基础篇⑤——SPI通信 ESP32-C3入门教程 基础篇⑥——I
ESP32之ESP-IDF + Clion 环境搭建（四）—— 锦囊①Windows下ESP-IDFv4.4飞速安装
Augtons 的博客
02-03 8795
本文章 来自原创专栏《ESP32教学专栏 (基于ESP-IDF)》，讲解如何使用 ESP-IDF 构建 ESP32 程序，发布文章并会持续为已发布文章添加新内容！ 每篇文章都经过了精打细磨！ ↓↓↓通过下方对话框进入专栏目录页↓↓↓ CSDN 请求进入目录 　　　　　　_ O x是否进入ESP32教学导航(基于ESP-IDF)?　　　　　　　确定 注意：本文为 “锦囊文” ，只针对一个特定版本的ESP-IDF编译环境的安装。 想获取通用信息或安装其他版本，请点击上方对话框进入ESP32教学专栏导航 一、下
ESP32-IDF开发笔记 | 01 - ESP-IDF开发环境搭建（2023.04.08更新）
Mculover666的博客（嵌入式）
05-01 3万+
一、ESP32-C3模组 本想仗剑天涯走四方，奈何没有抢到票，五一假期只能宅咯，it is a sad story~ 刚刚到手一块ESP32-C3F模组开发板，上手体验一把！ ESP32-C3系列WIFI模组是一款高集成度的低功耗 2.4G Wi-Fi和蓝牙系统级芯片(SoC)，搭载 RISC-V 32 位单核处理器，工作频率高达160 MHz，内置安全硬件，支持二次开发。 二、ESP32 C3硬件开发环境准备 搭建过程官方参考文档：快速入门 ESP32-C3 使用Micro USB线连接ESP32
ESP32-S3 边缘人工智能｜使用加速度计数据和 ESP-DL 识别人体活动
乐鑫 Espressif
06-09 1922
按下列步骤和步骤说明在 ‘model_define.hpp’ 中定义模型。在。
esp32-s3部署yolox_nano进行目标检测
weixin_45977690的博客
11-30 2588
使用esp32-s3部署目标检测yolox_nano模型
使用 ESP-DL 深度学习库基于 ESP32-S3 实现手势识别
乐鑫 Espressif
12-09 6237
用户基于乐鑫深度学习库 ESP-DL，能够在 ESP32-S3 上部署高性能的深度学习模型。
【ESP32-S3的开发】| 1.初识 ESP32-S3
热门推荐
你看的代码还不够多
12-25 3万+
ESP32-S3 系列芯片介绍、硬件介绍/设计、开发环境搭建
Vscode ESP-IDF添加自己.C和.H文件方法
weixin_43410806的博客
03-27 7142
d我们在做自己工程的时候毕竟需要自己去创建.c和.h文件，但第一次用esp-idf，要写一点点cmake，其他和用keil之类的基本一样。下面直接开始。 准备工作 创建一个新工程 在esp-idf页面按ctrl + shift + p 输入： ESP-IDF：Welcome 点击 show example 点击 Use current 。。。。。 按下图点击 自己选择位置创建，就不截图了。 第一步 点击New File 创建两个新文件 命名test1.c和test1......
使用ESP-IDF出现A fatal error occurred: This chip is ESP32-S3 not ESP32. Wrong --chip argument?的解决方案
HawkJLi的博客
04-05 4487
使用ESP-IDF出现A fatal error occurred: This chip is ESP32-S3 not ESP32. Wrong --chip argument?的解决方案
解决ESP-IDF 编译失败 & ESP-IDF: Menuconfig: Loading initial values...
兜瑞米饭的博客
10-07 4729
问题描述： 点击vs Code中的ESP-IDF 插件中的设置，ESP-IDF SDK Configuration Editor (menuconfig)，但是一直停留在ESP-IDF: Menuconfig: Loading initial values…状态中… 尝试了下编译项目，发现不能编译成功，报错如下： 恍然大悟，原来是项目路径中包含了中文字符 解决思路： 将项目文件夹重命名为英文即可 启发 如果您也遇到了相似的问题，推荐您尝试以下几种思路： 检查是否包含中文字符或非法字符等 重启VS Co
使用Arduino+IDE进行ESP32-CAM视频流和人脸识别.docx
11-20
ESP32-CAM是一款基于ESP32-S芯片的微型摄像头模块，主要应用于物联网(IoT)项目中的视频流和图像处理。它集成了OV2640摄像头，可支持最高1600x1200像素的图像分辨率，同时具备Wi-Fi和蓝牙功能，便于无线数据传输。该...
关于Win10用虚拟机安装ubuntu20.04完全从代码编译烧录esp-8266 IDF_AT 2.2.0.0固件
saberman40k的博客
04-07 2148
为了在window10系统内编写自定义的esp8266固件，我先后用了多种方案。 一：组合方案比较 VMware 16+官方ubuntu20.04镜像安装系统: a. 安装Cygwin64 b. 使用网上（多是CSDN和安信可网站）提供的AiThinkerIDE_V1.x附带的msys32环境 虚拟机+ubuntu20.04环境： c. WSL+ubuntu20.04(from windows app store) d. VirtualBox+官方ubuntu20.04镜像安装系统 e. V
Datawhale X 李宏毅苹果书AI夏令营 学习笔记
m0_61049596的博客
08-31 1302
今天，我继续学习了深度学习中的优化算法，并且着重理解了如何利用。等高级优化器来提高模型训练的效率和效果。2024年8月30日。
如何开发主播美颜工具？直播美颜SDK的实现方案
最新发布
q1031691172的博客
09-04 591
由于直播场景对实时性要求极高，因此性能优化是美颜SDK开发的关键。开发者可以通过减少计算复杂度、优化算法效率、利用硬件加速等手段来提升性能。同时，还需在不同设备和操作系统上进行兼容性测试，确保SDK的广泛适用性。
AI教师可以解决当今教育中的基本挑战
2401_86756787的博客
09-02 666
1967年，RK Narayan在小说《卖糖人》中描绘了“故事写作机器”的幻想，而今由于AI技术的发展，这一幻想正逐渐成为现实。以ChatGPT为代表的AI工具不仅能够写故事，还能执行如自动驾驶、工业制造等多种复杂任务。尽管AI替代人类完成所有任务仍在讨论中，教育领域的AI老师已然成为值得探索的方向。在现代教育模式中，资源分配不均成为普遍现象，AI老师有望打破这一壁垒，实现高质量教育的普及化，学生可随时随地获取知识。同时，AI老师还可通过互动教学方式提升学习效果。
【大模型理论篇】RoPE旋转位置编码底层数学原理分析
源泉的小广场
08-30 4261
大模型、位置编码、Transformer、旋转位置编码、RoPE、Rotary Positional Encoding、数学原理、数学推导、旋转矩阵、相对位置、绝对位置、词元相似性、位置相关性
YOLOV5入门教程-yolov5s.yaml文件
vimpirespider的博客
09-04 1049
这段backbone共有9个层次，每个层次逐步提取图像特征并下采样。最后输出的特征图尺寸为40x40，通道数为1024。这个特征图包含了从输入图像中提取到的高层次特征，准备在后续的网络层中用于目标检测。
智能化升级：AI在客服知识库中的应用
LookLook同学的博客
09-03 1416
探讨AI在客服知识库中的应用，提升效率与用户体验。
设备上的实时自定义手势识别
bit_mike的博客
08-31 1306
这篇论文的标题是《On-device Real-time Custom Hand Gesture Recognition》，主要研究了如何在移动设备上实时识别自定义手势。论文的重点在于提出了一种新的框架，使得用户可以自定义手势识别流程，并且通过预训练模型和少量的训练数据来实现高准确率的手势识别，这对于AR、VR等领域具有重要的应用价值。
xtensa-esp32-elf-gcc.exe 下载
08-14
xtensa-esp32-elf-gcc.exe 是一个用于在 ESP32 开发板上编译和调试代码的工具。它是针对 Xtensa 处理器架构的 GCC 编译器。ESP32 是一款广泛使用的低功耗 Wi-Fi 和蓝牙微控制器，可应用于各种物联网设备和嵌入式系统。 要下载 xtensa-esp32-elf-gcc.exe，您可以按照以下步骤进行操作： 1. 打开您想要下载工具的浏览器。 2. 在搜索引擎中搜索 "xtensa-esp32-elf-gcc.exe 下载"。 3. 从搜索结果中选择一个可信的下载源或官方网站。 4. 进入下载页面，并查找与您操作系统版本和位数兼容的下载链接。 5. 单击下载链接，开始下载 xtensa-esp32-elf-gcc.exe。 6. 等待下载完成，并确保下载文件存储在您的计算机或指定的下载目录中。 下载完成后，您可以按照以下步骤进行安装： 1. 找到 xtensa-esp32-elf-gcc.exe 的下载位置。 2. 双击运行安装程序。 3. 遵循安装向导指引完成安装过程。通常情况下，您只需要按照默认设置进行安装即可。 4. 安装完成后，您可以在系统的命令行界面中运行 xtensa-esp32-elf-gcc.exe，或者在集成开发环境（IDE）中配置 xtensa-esp32-elf-gcc.exe 的路径。 请注意，下载和安装 xtensa-esp32-elf-gcc.exe 需要在选择可靠的来源并确保文件的完整性。您可以通过使用官方网站或与 ESP32 社区相关的资源来获得更多关于 xtensa-esp32-elf-gcc.exe 的支持和说明。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zxfeng~

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值