【賽昉科技昉·星光RISC-V單板計(jì)算機(jī)試用體驗(yàn)】運(yùn)行邊緣AI框架——TFLM
本文來(lái)源電子發(fā)燒友社區(qū)，作者：xusiwei1236， 帖子地址：https://bbs.elecfans.com/jishu_2289346_1_1.html
一、TFLM簡(jiǎn)介
TFLM是TensorFlow Lite for Microcontrollers項(xiàng)目的簡(jiǎn)稱(chēng)，全稱(chēng)翻譯過(guò)來(lái)就是“適用于微控制器的TensorFlow Lite”。它是一個(gè)來(lái)自谷歌的邊緣AI框架，能夠運(yùn)行在單片機(jī)上。
來(lái)自官方的介紹：
TFLM代碼倉(cāng)鏈接：https://github.com/tensorflow/tflite-micro
二、準(zhǔn)備工作2.1 燒錄系統(tǒng)
開(kāi)始本篇之前，需要先下載、燒錄支持NVDLA驅(qū)動(dòng)的系統(tǒng)鏡像。
這里使用了社區(qū)**Houge_Langley**大佬制作的帶有NVDLA驅(qū)動(dòng)的Debian鏡像，下載連接：
http://ubuntu-riscv.litterhougelangley.club/ubuntu-impish/img/
Debian系統(tǒng)鏡像下載完成后，將Debian系統(tǒng)鏡像燒錄到SD卡上的操作和Fedora操作類(lèi)似，這里不再贅述。
啟動(dòng)后，neofetch輸出：
2.2 下載依賴(lài)
在PC的Linux系統(tǒng)上，運(yùn)行TFLM基準(zhǔn)測(cè)試之前，需要先安裝依賴(lài)的一些工具：
sudo apt install git unzip wget python3 python3-pip
2.3 設(shè)置pip源
將pip源設(shè)置為國(guó)內(nèi)源，可以加速pip包安裝，執(zhí)行如下命令：
pip config set global.index-urlhttp://mirrors.aliyun.com/pypi/simple/
pip config set global.trusted-host mirrors.aliyun.com
pip config set global.timeout 120
2.4 安裝Pillow庫(kù)
tflite-micro的benchmark編譯過(guò)程中會(huì)依賴(lài)python環(huán)境的pillow庫(kù)，對(duì)數(shù)據(jù)集的圖片進(jìn)行預(yù)處理。
執(zhí)行如下命令，安裝pillow庫(kù)： pip install pillow
安裝過(guò)程會(huì)編譯pillow包中的C/C++源代碼文件，速度較慢，耐心等待。
如果Pillow安裝過(guò)程報(bào)錯(cuò)：The headers or library files could not be found for jpeg
需要先安裝libjpeg庫(kù)：apt-get install libjpeg-dev zlib1g-dev
三、在VisionFive上運(yùn)行TFLM3.1 下載TFLM源碼
下載tflite-micro源碼使用如下命令：
git clone <https://github.com/tensorflow/tflite-micro.git>
3.2 TFLM基準(zhǔn)測(cè)試說(shuō)明
TFLM代碼倉(cāng)的頂層的README.md中給出了benchmarks鏈接：
https://github.com/tensorflow/tflite-micro/blob/main/tensorflow/lite/micro/benchmarks/README.md
該文檔篇幅不長(zhǎng)：
通過(guò)這個(gè)目錄我們可以知道，TFLM實(shí)際上提供了兩個(gè)基準(zhǔn)測(cè)試（實(shí)際有三個(gè)），分別是：
3.3 TFLM基準(zhǔn)測(cè)試命令
參考”Run on x86”，在x86 PC上運(yùn)行關(guān)鍵詞基準(zhǔn)測(cè)試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark
在PC上運(yùn)行人體檢測(cè)基準(zhǔn)測(cè)試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_person_detection_benchmark
執(zhí)行這兩個(gè)命令，會(huì)依次執(zhí)行如下步驟：
flatbuffers_download.sh和kissfft_download.sh腳本第一次執(zhí)行時(shí)，會(huì)將相應(yīng)的壓縮包下載到本地，并解壓，具體細(xì)節(jié)參見(jiàn)代碼內(nèi)容；
pigweed_download.sh腳本會(huì)克隆一個(gè)代碼倉(cāng)，再檢出一個(gè)特定版本：
這里需要注意的是，代碼倉(cāng)https://pigweed.googlesource.com/pigweed/pigweed國(guó)內(nèi)一般無(wú)法訪問(wèn)（因?yàn)橛蛎鹓ooglesource.com被禁了）。將此連接修改為我克隆好的代碼倉(cāng)：https://github.com/xusiwei/pigweed.git可以解決因?yàn)閲?guó)內(nèi)無(wú)法訪問(wèn)googlesource.com而無(wú)法下載pigweed測(cè)試數(shù)據(jù)的問(wèn)題。
3. 4 Keyword基準(zhǔn)測(cè)試
關(guān)鍵詞基準(zhǔn)測(cè)試使用的模型較小，比較適合在STM32F3/F4這類(lèi)主頻低于100MHz的MCU。
這個(gè)基準(zhǔn)測(cè)試的模型比較小，計(jì)算量也不大，所以在PC上運(yùn)行這個(gè)基準(zhǔn)測(cè)試的耗時(shí)非常短：
可以看到，在PC上運(yùn)行關(guān)鍵詞喚醒的速度非?？欤?0次時(shí)間才2毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/keyword_scrambled.tflite
可以使用Netron軟件查看模型結(jié)構(gòu)：
3. 5 Person detection基準(zhǔn)測(cè)試
人體檢測(cè)基準(zhǔn)測(cè)試的計(jì)算量相對(duì)要大一些，運(yùn)行的時(shí)間也要長(zhǎng)一些：
可以看到，人像檢測(cè)模型運(yùn)行10次的時(shí)間是四千多毫秒，一次平均四十幾毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/person_detect.tflite
同樣，可以使用Netron查看模型結(jié)構(gòu)，模型結(jié)構(gòu)過(guò)于復(fù)雜，這里不再展示。
四、和樹(shù)莓派3B+結(jié)果對(duì)比
我手頭還有一塊吃灰很久的樹(shù)莓派3B+，拿出來(lái)做個(gè)對(duì)比。
4.1 在樹(shù)莓派3B+上運(yùn)行TFLM基準(zhǔn)測(cè)試
在樹(shù)莓派3B+上運(yùn)行TFLM基準(zhǔn)測(cè)試，所需的操作和VisionFive的完全一致。由于關(guān)鍵詞識(shí)別的模型計(jì)算量太小了，這里直接跑一下人像檢測(cè)的模型，最終結(jié)果為：
可以看到，在樹(shù)莓派3B+上的，對(duì)于有人臉的圖片，連續(xù)運(yùn)行10次人臉檢測(cè)模型，總體耗時(shí)4186毫秒，每次平均耗時(shí)418.6毫秒；對(duì)于無(wú)人臉的圖片，連續(xù)運(yùn)行10次人臉檢測(cè)模型，耗時(shí)4190毫秒，每次平均耗時(shí)419毫秒。
4.2 VisionFive和樹(shù)莓派3B+上TFLM基準(zhǔn)測(cè)試結(jié)果對(duì)比
結(jié)果匯總?cè)缦拢?br />
從上表可以看到，在TFLM人像檢測(cè)模型計(jì)算場(chǎng)景下，VisionFive和樹(shù)莓派3B+單次計(jì)算耗時(shí)基本相當(dāng)。樹(shù)莓派3B+的CPU頻率比VisionFive要高出40%，VisionFive能跑出這樣的成績(jī)說(shuō)明U74 RISC-V CPU核和ARM Cortex A53的單核計(jì)算能力上差距不大（TFLM是單線程的）。但是，樹(shù)莓派3B+有4個(gè)Cortex A53核心，而VisionFive V1只有兩個(gè)U74 CPU核心，因此在多線程計(jì)算性能上必然存在較大差距。
一、TFLM簡(jiǎn)介
TFLM是TensorFlow Lite for Microcontrollers項(xiàng)目的簡(jiǎn)稱(chēng)，全稱(chēng)翻譯過(guò)來(lái)就是“適用于微控制器的TensorFlow Lite”。它是一個(gè)來(lái)自谷歌的邊緣AI框架，能夠運(yùn)行在單片機(jī)上。
來(lái)自官方的介紹：
TensorFlow Lite for Microcontrollers 是 TensorFlow Lite 的一個(gè)實(shí)驗(yàn)性移植版本，它適用于微控制器和其他一些僅有數(shù)千字節(jié)內(nèi)存的設(shè)備。它可以直接在“裸機(jī)”上運(yùn)行，不需要操作系統(tǒng)支持、任何標(biāo)準(zhǔn) C/C++ 庫(kù)和動(dòng)態(tài)內(nèi)存分配。核心運(yùn)行時(shí)(core runtime)在 Cortex M3 上運(yùn)行時(shí)僅需 16KB，加上足以用來(lái)運(yùn)行語(yǔ)音關(guān)鍵字檢測(cè)模型的操作，也只需 22KB 的空間。TFLM項(xiàng)目首頁(yè)：https://tensorflow.google.cn/lit ... s/overview?hl=zh-cn
TFLM代碼倉(cāng)鏈接：https://github.com/tensorflow/tflite-micro
二、準(zhǔn)備工作2.1 燒錄系統(tǒng)
開(kāi)始本篇之前，需要先下載、燒錄支持NVDLA驅(qū)動(dòng)的系統(tǒng)鏡像。
這里使用了社區(qū)**Houge_Langley**大佬制作的帶有NVDLA驅(qū)動(dòng)的Debian鏡像，下載連接：
http://ubuntu-riscv.litterhougelangley.club/ubuntu-impish/img/
Debian系統(tǒng)鏡像下載完成后，將Debian系統(tǒng)鏡像燒錄到SD卡上的操作和Fedora操作類(lèi)似，這里不再贅述。
啟動(dòng)后，neofetch輸出：
2.2 下載依賴(lài)
在PC的Linux系統(tǒng)上，運(yùn)行TFLM基準(zhǔn)測(cè)試之前，需要先安裝依賴(lài)的一些工具：
sudo apt install git unzip wget python3 python3-pip
2.3 設(shè)置pip源
將pip源設(shè)置為國(guó)內(nèi)源，可以加速pip包安裝，執(zhí)行如下命令：
pip config set global.index-urlhttp://mirrors.aliyun.com/pypi/simple/
pip config set global.trusted-host mirrors.aliyun.com
pip config set global.timeout 120
2.4 安裝Pillow庫(kù)
tflite-micro的benchmark編譯過(guò)程中會(huì)依賴(lài)python環(huán)境的pillow庫(kù)，對(duì)數(shù)據(jù)集的圖片進(jìn)行預(yù)處理。
執(zhí)行如下命令，安裝pillow庫(kù)： pip install pillow
安裝過(guò)程會(huì)編譯pillow包中的C/C++源代碼文件，速度較慢，耐心等待。
如果Pillow安裝過(guò)程報(bào)錯(cuò)：The headers or library files could not be found for jpeg
需要先安裝libjpeg庫(kù)：apt-get install libjpeg-dev zlib1g-dev
三、在VisionFive上運(yùn)行TFLM3.1 下載TFLM源碼
下載tflite-micro源碼使用如下命令：
git clone <https://github.com/tensorflow/tflite-micro.git>
3.2 TFLM基準(zhǔn)測(cè)試說(shuō)明
TFLM代碼倉(cāng)的頂層的README.md中給出了benchmarks鏈接：
https://github.com/tensorflow/tflite-micro/blob/main/tensorflow/lite/micro/benchmarks/README.md
該文檔篇幅不長(zhǎng)：
通過(guò)這個(gè)目錄我們可以知道，TFLM實(shí)際上提供了兩個(gè)基準(zhǔn)測(cè)試（實(shí)際有三個(gè)），分別是：
-
關(guān)鍵詞基準(zhǔn)測(cè)試
- 關(guān)鍵詞基準(zhǔn)測(cè)試使用的是程序運(yùn)行時(shí)生產(chǎn)的隨機(jī)數(shù)據(jù)作為輸入，所以它的輸出是沒(méi)有意義的
-
人體檢測(cè)基準(zhǔn)測(cè)試
- 人體檢測(cè)基準(zhǔn)測(cè)試使用了兩張bmp圖片作為輸入
- 具體位于tensorflowlitemicroexamplesperson_detectiontestdata子目錄
3.3 TFLM基準(zhǔn)測(cè)試命令
參考”Run on x86”，在x86 PC上運(yùn)行關(guān)鍵詞基準(zhǔn)測(cè)試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_keyword_benchmark
在PC上運(yùn)行人體檢測(cè)基準(zhǔn)測(cè)試的命令是：
make -f tensorflow/lite/micro/tools/make/Makefile run_person_detection_benchmark
執(zhí)行這兩個(gè)命令，會(huì)依次執(zhí)行如下步驟：
- 調(diào)用幾個(gè)下載腳本，下載依賴(lài)庫(kù)和數(shù)據(jù)集；
- 編譯測(cè)試程序；
- 運(yùn)行測(cè)試程序；
flatbuffers_download.sh和kissfft_download.sh腳本第一次執(zhí)行時(shí)，會(huì)將相應(yīng)的壓縮包下載到本地，并解壓，具體細(xì)節(jié)參見(jiàn)代碼內(nèi)容；
pigweed_download.sh腳本會(huì)克隆一個(gè)代碼倉(cāng)，再檢出一個(gè)特定版本：
這里需要注意的是，代碼倉(cāng)https://pigweed.googlesource.com/pigweed/pigweed國(guó)內(nèi)一般無(wú)法訪問(wèn)（因?yàn)橛蛎鹓ooglesource.com被禁了）。將此連接修改為我克隆好的代碼倉(cāng)：https://github.com/xusiwei/pigweed.git可以解決因?yàn)閲?guó)內(nèi)無(wú)法訪問(wèn)googlesource.com而無(wú)法下載pigweed測(cè)試數(shù)據(jù)的問(wèn)題。
3. 4 Keyword基準(zhǔn)測(cè)試
關(guān)鍵詞基準(zhǔn)測(cè)試使用的模型較小，比較適合在STM32F3/F4這類(lèi)主頻低于100MHz的MCU。
這個(gè)基準(zhǔn)測(cè)試的模型比較小，計(jì)算量也不大，所以在PC上運(yùn)行這個(gè)基準(zhǔn)測(cè)試的耗時(shí)非常短：
可以看到，在PC上運(yùn)行關(guān)鍵詞喚醒的速度非?？欤?0次時(shí)間才2毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/keyword_scrambled.tflite
可以使用Netron軟件查看模型結(jié)構(gòu)：
3. 5 Person detection基準(zhǔn)測(cè)試
人體檢測(cè)基準(zhǔn)測(cè)試的計(jì)算量相對(duì)要大一些，運(yùn)行的時(shí)間也要長(zhǎng)一些：
可以看到，人像檢測(cè)模型運(yùn)行10次的時(shí)間是四千多毫秒，一次平均四十幾毫秒。
模型文件路徑為：./tensorflow/lite/micro/models/person_detect.tflite
同樣，可以使用Netron查看模型結(jié)構(gòu)，模型結(jié)構(gòu)過(guò)于復(fù)雜，這里不再展示。
四、和樹(shù)莓派3B+結(jié)果對(duì)比
我手頭還有一塊吃灰很久的樹(shù)莓派3B+，拿出來(lái)做個(gè)對(duì)比。
4.1 在樹(shù)莓派3B+上運(yùn)行TFLM基準(zhǔn)測(cè)試
在樹(shù)莓派3B+上運(yùn)行TFLM基準(zhǔn)測(cè)試，所需的操作和VisionFive的完全一致。由于關(guān)鍵詞識(shí)別的模型計(jì)算量太小了，這里直接跑一下人像檢測(cè)的模型，最終結(jié)果為：
可以看到，在樹(shù)莓派3B+上的，對(duì)于有人臉的圖片，連續(xù)運(yùn)行10次人臉檢測(cè)模型，總體耗時(shí)4186毫秒，每次平均耗時(shí)418.6毫秒；對(duì)于無(wú)人臉的圖片，連續(xù)運(yùn)行10次人臉檢測(cè)模型，耗時(shí)4190毫秒，每次平均耗時(shí)419毫秒。
4.2 VisionFive和樹(shù)莓派3B+上TFLM基準(zhǔn)測(cè)試結(jié)果對(duì)比
結(jié)果匯總?cè)缦拢?br />
| VisionFive V1 | 樹(shù)莓派3B+ | |
| 有人臉平均耗時(shí)（ms） | 477.6 | 418.6 |
| 無(wú)人臉平均耗時(shí)（ms） | 476.9 | 419 |
| CPU最高主頻（Hz） | 1.0GHz | 1.4G |
聲明：本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題，請(qǐng)聯(lián)系本站處理。
舉報(bào)投訴
-
RISC-V
+關(guān)注
關(guān)注
46文章
2562瀏覽量
48785 -
賽昉科技
+關(guān)注
關(guān)注
3文章
165瀏覽量
14898
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
熱點(diǎn)推薦
【VisionFive 2單板計(jì)算機(jī)試用體驗(yàn)】VisionFive 2一個(gè)霸氣的游戲機(jī)
單板計(jì)算機(jī)，搭載昉·驚鴻-7110（型號(hào)：JH-7110）RISC-V應(yīng)用處理器，擁有極強(qiáng)的計(jì)算能力和圖形處理能力。開(kāi)源的昉·
發(fā)表于 07-13 20:41
【VisionFive 2單板計(jì)算機(jī)試用體驗(yàn)】RISC-V架構(gòu)卡片計(jì)算機(jī)初體驗(yàn)
2h........無(wú)奈）
參考文獻(xiàn)：
全球首款集成3D GPU的高性能量產(chǎn)RISC-V 單板計(jì)算機(jī)，昉·星光 2 開(kāi)發(fā)實(shí)踐！[全球首款集成3D GPU的高性能量產(chǎn)
發(fā)表于 07-06 23:28
權(quán)威評(píng)測(cè)：Orange Pi RV2等5?款?RISC-V?單板計(jì)算機(jī)測(cè)試-性能、基準(zhǔn)測(cè)試、功能和見(jiàn)解
如果計(jì)算的未來(lái)不是被鎖定在專(zhuān)有架構(gòu)上，那會(huì)怎樣？想象一下，在這個(gè)世界上，開(kāi)發(fā)人員和業(yè)余愛(ài)好者都可以利用開(kāi)源硬件的強(qiáng)大功能自由構(gòu)建、創(chuàng)新和實(shí)驗(yàn)。進(jìn)入RISC-V單板計(jì)算機(jī)(SBC)領(lǐng)域——一個(gè)新興
【VisionFive 2單板計(jì)算機(jī)試用體驗(yàn)】 + 開(kāi)箱體驗(yàn)
在x86與ARM架構(gòu)主導(dǎo)的單板計(jì)算機(jī)市場(chǎng)，中國(guó)團(tuán)隊(duì)打造的VisionFive 2（防星光2）如同一顆新星，憑借開(kāi)源開(kāi)放的RISC-V架構(gòu)和成熟的桌面體驗(yàn)，為開(kāi)發(fā)者與極客提供了全新的選擇。經(jīng)過(guò)
發(fā)表于 06-27 09:06
共建生態(tài)，賦能應(yīng)用 | 賽昉科技精彩亮相中國(guó)RISC-V生態(tài)大會(huì)
2025中國(guó)RISC-V生態(tài)大會(huì)于近日在北京圓滿(mǎn)落幕。大會(huì)以“共建生態(tài)，共享未來(lái)”為主題，匯聚了中外產(chǎn)學(xué)研界各方代表，共同探討RISC-V的最新發(fā)展趨勢(shì)和產(chǎn)業(yè)機(jī)遇。作為中國(guó)RISC-V軟硬件生態(tài)
賽昉科技RISC-V家庭云解決方案：NAS存儲(chǔ)性能升級(jí)，隱私安全雙保障
（VisionFive2）單板計(jì)算機(jī)，推出全新RISC-V家庭云（NAS）解決方案，為用戶(hù)提供高性能、高安全性的私有云存儲(chǔ)服務(wù)，滿(mǎn)足家庭及輕量級(jí)企業(yè)場(chǎng)景需求。方案亮點(diǎn)01高性能硬件支持
首屆RISC-V產(chǎn)業(yè)發(fā)展大會(huì)成功舉辦，賽昉攜手產(chǎn)業(yè)伙伴共繪RISC-V新藍(lán)圖
12月28日，由中國(guó)電子工業(yè)標(biāo)準(zhǔn)化技術(shù)協(xié)會(huì)RISC-V工作委員會(huì)（以下簡(jiǎn)稱(chēng)“RISC-V工作委員會(huì)”）主辦的首屆“RISC-V產(chǎn)業(yè)發(fā)展大會(huì)”在北京成功舉辦。作為推動(dòng)RISC-V生態(tài)發(fā)展
賽昉科技亮相ICCAD-Expo 2024，共探RISC-V技術(shù)最新發(fā)展
與會(huì)觀眾共探RISC-V技術(shù)的最新發(fā)展和行業(yè)應(yīng)用。RISC-V架構(gòu)的開(kāi)放性和靈活性使其成為中國(guó)芯片行業(yè)的重要機(jī)遇。賽昉科技資深銷(xiāo)售總監(jiān)周杰在“IP與IC設(shè)計(jì)服務(wù)”專(zhuān)
賽昉科技發(fā)布全新RISC-V處理器內(nèi)核Dubhe-83
RISC-V軟硬件生態(tài)企業(yè)賽昉科技近日宣布，正式推出其全新RISC-V處理器內(nèi)核——Dubhe-83(昉?天樞-83)，該內(nèi)核專(zhuān)為
賽昉科技發(fā)布全新RISC-V CPU IP，符合RVA23規(guī)范，賦能AI應(yīng)用與高效計(jì)算
2024年12月10日，中國(guó)RISC-V軟硬件生態(tài)領(lǐng)導(dǎo)者賽昉科技正式推出全新RISC-V處理器內(nèi)核——昉·天樞-83（Dubhe-83），賦
賽昉科技亮相世界互聯(lián)網(wǎng)大會(huì)，精彩呈現(xiàn)RISC-V創(chuàng)新成果
豐富的RISC-V創(chuàng)新成果，包括昉·驚鴻-7110（JH-7110）RISC-V應(yīng)用處理器，昉·星光2（VisionFive2)
賽昉聯(lián)合國(guó)芯推出高性能AI MCU芯片，實(shí)現(xiàn)RISC-V+AI新應(yīng)用
近日，賽昉科技與蘇州國(guó)芯科技有限公司（以下簡(jiǎn)稱(chēng)“國(guó)芯科技”）合作研發(fā)的高性能AIMCU芯片產(chǎn)品CCR7002已成功通過(guò)了內(nèi)部性能和功能測(cè)試，實(shí)現(xiàn)了RISC-V+AI技術(shù)的新應(yīng)用。賽
預(yù)售啟動(dòng)！昉·星光 2 AI套件正式發(fā)布，基于RISC-V構(gòu)建AI算力
10月24日，昉·星光2（VisionFive2）AI套件正式開(kāi)啟預(yù)售。該套件由中國(guó)RISC-V軟硬件生態(tài)領(lǐng)導(dǎo)者賽
賽昉科技產(chǎn)品亮相RISC-V開(kāi)源創(chuàng)新中心，雙方達(dá)成戰(zhàn)略合作
RISC-V開(kāi)源創(chuàng)新中心：“我們非常高興能與賽昉科技公司建立戰(zhàn)略合作伙伴關(guān)系。賽昉科技的技術(shù)創(chuàng)新，結(jié)合中心的教育資源，將為雙方帶來(lái)巨大的協(xié)同效應(yīng)。”
如何讓RISC-V企業(yè)賺錢(qián)？賽昉科技展現(xiàn)全場(chǎng)景RISC-V解決方案
今年的RISC-V中國(guó)峰會(huì)，圓桌論壇的主題格外引人注目——如何讓RISC-V企業(yè)賺錢(qián)？賽昉科技給出的答案是“應(yīng)用”。如果把RISC-V浪潮比
工商網(wǎng)監(jiān)
評(píng)論