實驗環境搭建
模塊?：軟件包下載及環境搭建
步驟一：搭建docker、mappper環境：

①Linux下通過Docker直接下載，獲取指令：

docker pull witin/toolchain:v001.000.034

②Window環境，可以通過docker desktop來使用docker:

下載安裝Docker desktop(win10或以上)：
通常需要更新WSL，下載鏈接如下，更新后需要重啟生效
舊版 WSL 的手動安裝步驟 | Microsoft Learn

3.Docker desktop 基本使用教程：

Docker-desktop(Docker桌面版)——入門篇_dockerdesktop干嘛用的-CSDN博客

4.Docker desktop通常默認安裝在c:Program Filedocker，可以通過軟連接的形式修改Docker安裝路徑：

如何將Docker（Windows桌面版)自定義安裝目錄_自定義docker安裝路徑-CSDN博客

5.在Docker desktop里，可以通過搜索獲得witin_toolchain，我們需要的是034版本（ps:Hub反應慢可以開VPN獲取，或者使用鏡像路徑，具體操作方式見3鏈接）

6.測試：

①：管理員模式下打開命令行窗口

docker run -it --name XXXX witin/toolchain:v001.000.034

②：默認進入workspace目錄下，可以進入witin_mapper下執行測試腳本：

cd witin_mapper

python3

tests/python/frontend/onnx/witin/wtm2101/precision/XXXX.py

③：使用exit退出，再次進入可按如下操作：

④：通過docker ps -a獲取容器id，然后打開進入容器

步驟二：搭建IDE環境

①預先下載安裝包，下載安裝

②默認安裝路徑，直接點擊安裝

③從主菜單的File->Open…菜單，或者點擊工具欄的按鈕，打開選擇文件對話框，選擇要打開的項目文件，即***.wmproject文件即可，點擊【打開】按鈕即可打開工程。如下圖所示。

步驟三：其他需要安裝的軟件

① 請確保安裝以下環境：python, git, pytorch

步驟四：下載訓練數據

① 最新數據集在軟件安裝包中

工程軟件安裝包：https://download.csdn.net/download/m0_58966968/88602575

實驗環境安裝包：https://download.csdn.net/download/m0_58966968/88602555

動?實驗： 簡單語音識別系統開發
模塊?：簡介
WTMDK2101-X3介紹
WTMDK2101-X3是針對WTM2101 AI SOC設計的評估板，包含：

（1）WTM2101核心板，即我們的存算芯片。

（2）和I/O 板：WTM2101運行需要的電源、以及應用I/O接口等.

核心板示意圖

WTMDK2101-X3 I/O 板示意圖

2, AISHELL-WakeUp-1數據集介紹

AISHELL-WakeUp-1數據集是中英文喚醒詞語音數據庫，命令詞為“你好，米雅” “hi, mia”，語音數據庫中喚醒詞語音3936003條，1561.12小時，邀請254名發言人參與錄制。錄制過程在真實家居環境中，設置7個錄音位，使用6個圓形16路PDM麥克風陣列錄音板做遠講拾音(16kHz，16bit)、1個高保真麥克風做近講拾音(44.1kHz，16bit)。此數據庫可用于聲紋識別、語音喚醒識別等研究使用。

本demo以該數據集為例，用不同網絡結構展示模型訓練及移植過程。

模塊?：搭建算法訓練工程，完成算法訓練與量化
模型訓練工程搭建:
本demo提供DNN和DNN_DEEP兩種網絡結構的示例，網絡結構如下，本教程以DNN為例。

DNN

步驟一：配置python/config.py，參數釋義見代碼注釋。

步驟二：運行python/train.py，模型訓練完畢后，在models/net_type文件夾下生成bestModel.pth，此即我們的模型權重。

步驟三：運行python/onnx_converter.py，在models/net_type文件夾下生成bestModel.onnx。此步驟即完成原始模型到知存onnx格式模型的轉換。

模塊三：算法模型轉換
1，Dcoker下Mapper轉換流程

步驟一：拷貝至指定文件夾

我們將mapper/input 拷貝至witin/toolchain:v001.000.034的指定文件夾下（通常為/home，需與gen_mapper.py文件里描述一致）

步驟二：在workplacewitin_mapper下執行gen_mapper.py

docker start id

docker attach id

cd witin_mapper

python3 /home/mapper/input/gen_mapper.py

步驟三：在對應的output文件下獲得輸出

模塊四：算法模型燒寫
步驟一：系統連接：

進行模型燒錄和開發時，我們需要將JTAG，核心板，NPU燒寫板連接好，并打開開關，如系統連接示意圖所示。

步驟二：

系統連接示意圖

步驟三：跳線帽連接：

如跳線帽連接示意圖所示，按照紅框標注進行跳線連接。含義解釋：

跳線帽連接示意圖

步驟四：

使用project/ WitinProgramTool_WTM2101下的WitinProgramTool.exe進行模型權重燒寫。燒寫時的開發板接線請參考其他文檔。

步驟五：燒寫指令:

.WitinProgramTool.exe -m init

.WitinProgramTool.exe -m program -i XXXXmap.csv -k 2

其中XXXX為步驟2.（3）中生成的mapper/output/map

示例:

模塊五：算法模型在芯片運行推理
步驟一：

從官網下載知存IDE Witmem Studio。

步驟二：

生成的mapper/output/register.c放在project/Model，使用Witmem Studio打開project/Project/SES-RISCV/Demo.wmproject。

步驟三：Target->Download下載工程：

注：本demo所用為x3開發板，所用串口GPIO為16,17。若是其他開發板，請根據情況修改串口。

步驟四：

打開tools中的串口工具，設置波特率115200，查看準確率輸出

至此，我們完成了基于存內計算X3開發板的語音識別從訓練到部署全流程，本教程結束。

審核編輯 黃宇