在上一篇文章中，我們已經帶大家了解了多輸入多輸出（MIMO）能力的架構設計思路。

今天，小編將繼續深入解析如何將架構設計真正落地到可運行代碼，并帶來一套可復用的核心實現。會介紹多輸入多輸出支持框架的關鍵組成部分。通過清晰的結構化設計、類型安全的接口抽象，為復雜的嵌入式 AI 模型建立一個高擴展性、高可維護性的基礎底座。

下面，我們就將通過頭文件設計、基礎數據結構構建、生命周期管理等內容一步步展示一個完整的MIMO支持框架是如何搭建起來的。

話不多說，上代碼！（代碼超載預警）

頭文件設計：構建類型安全的基礎

首先，我們需要一個類型和接口定義完備、可擴展性強的頭文件model.h。
這一部分為后續的MIMO管理、張量訪問、預處理、模型統計等功能奠定了堅實基礎。

#ifndefMODEL_H
#defineMODEL_H

#include"tensorflow/lite/c/common.h"
//  =============================================================================
// 配置常量
//  =============================================================================
#defineMAX_INPUT_TENSORS 8  // 最大輸入張量數量
#defineMAX_OUTPUT_TENSORS 8  // 最大輸出張量數量 
#defineMAX_TENSOR_DIMS 6   // 最大張量維度數
#defineMODEL_NAME_MAX_LEN 64 // 模型名稱最大長度
//  =============================================================================
// 狀態碼定義
//  =============================================================================
typedefenum{
  kStatus_Success  =0,
  kStatus_Fail = 1,
  kStatus_InvalidParam =2,
  kStatus_OutOfRange =3,
  kStatus_NotInitialized =4,
  kStatus_InsufficientMemory =5
}status_t;
//  =============================================================================
// 張量相關類型定義
//  =============================================================================
typedefenum{
  kTensorType_FLOAT32 =0,
  kTensorType_UINT8 =1,
  kTensorType_INT8  =2,
  kTensorType_INT32 =3,
  kTensorType_BOOL  =4,
  kTensorType_UNKNOWN =255
}tensor_type_t;
typedefstruct{
 intsize;             // 維度數量
 int data[MAX_TENSOR_DIMS];    // 各維度的大小
}tensor_dims_t;
// 單個張量的完整信息
typedefstruct{
 intindex;            // 張量索引
 tensor_dims_t dims;       // 維度信息
 tensor_type_t type;       // 數據類型
 uint8_t*  data;          // 數據指針
 size_t size_bytes;        // 數據大小（字節）
 constchar*  name;        // 張量名稱（可選）
}tensor_info_t;
// 多張量信息結構
typedefstruct{
 intcount;                  // 張量數量
 tensor_info_t tensors[MAX_INPUT_TENSORS];  // 張量信息數組
}multi_tensor_info_t;
//  =============================================================================
// 模型統計信息
//  =============================================================================
typedefstruct{
 size_t arena_used_bytes;     // 已使用的內存
 size_t arena_total_bytes;    // 總內存大小
 int input_count;         // 輸入張量數量
 int output_count;        // 輸出張量數量
 constchar*  model_name;     // 模型名稱
}model_stats_t;
//  =============================================================================
// 核心接口聲明
//  =============================================================================
// 模型生命周期管理
status_tMODEL_Init(void);
status_tMODEL_Deinit(void);
status_tMODEL_RunInference(void);
// 模型信息查詢
intMODEL_GetInputTensorCount(void);
intMODEL_GetOutputTensorCount(void);
status_tMODEL_GetModelStats(model_stats_t* stats);
constchar*MODEL_GetModelName(void);
// 單張量操作接口
uint8_t*MODEL_GetInputTensorData(intindex, tensor_dims_t* dims,tensor_type_t* type);
uint8_t*MODEL_GetOutputTensorData(intindex, tensor_dims_t* dims,tensor_type_t* type);
// 增強的單張量接口
status_tMODEL_GetInputTensorInfo(intindex, tensor_info_t* info);
status_tMODEL_GetOutputTensorInfo(intindex, tensor_info_t* info);
// 批量操作接口
status_t MODEL_GetAllInputTensors(multi_tensor_info_t* input_info);
status_t MODEL_GetAllOutputTensors(multi_tensor_info_t* output_info);
// 數據預處理接口
status_t MODEL_ConvertInput(inttensor_index,uint8_t* data,
             const tensor_dims_t* dims,tensor_type_ttype);
// 工具函數
size_t MODEL_GetTensorSizeBytes(consttensor_dims_t* dims,tensor_type_ttype);
constchar* MODEL_GetTensorTypeName(tensor_type_ttype);
status_t MODEL_ValidateTensorDims(consttensor_dims_t* dims);
#endif//  MODEL_H

接下來，進入到實際實現部分。為了提高代碼可讀性，整體實現拆分為以下模塊：

全局變量與初始化

內部工具函數

生命周期管理（Init / Deinit / Invoke）

全局變量和初始化：

#include "tensorflow/lite/micro/kernels/micro_ops.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "tensorflow/lite/micro/micro_op_resolver.h"
#include "tensorflow/lite/schema/schema_generated.h"

#include"fsl_debug_console.h"
#include"model.h"
#include"model_data.h"

//  =============================================================================
// 全局變量
//  =============================================================================
staticconsttflite::Model* s_model =nullptr;
statictflite::MicroInterpreter* s_interpreter =nullptr;
staticbools_model_initialized =false;

// 張量內存區域 - 根據具體模型調整大小
staticuint8_ts_tensorArena[kTensorArenaSize]  __ALIGNED(16);

// 外部函數聲明
externtflite::MicroOpResolver  &MODEL_GetOpsResolver();

//  =============================================================================
// 內部輔助函數
//  =============================================================================

// 獲取數據類型的字節大小
staticsize_tGetTypeSize(tensor_type_ttype)
{
 switch(type) {
   case kTensorType_FLOAT32:
   case kTensorType_INT32:
     return 4;
   case kTensorType_UINT8:
   case kTensorType_INT8:
   case kTensorType_BOOL:
     return 1;
   default:
     return 0;
  }
}

// TensorFlow Lite類型轉換為我們的類型
statictensor_type_tConvertTfLiteType(TfLiteType tf_type)
{
 switch(tf_type)  {
   case kTfLiteFloat32:
     return kTensorType_FLOAT32;
   case kTfLiteUInt8:
     return kTensorType_UINT8;
   case kTfLiteInt8:
     return kTensorType_INT8;
   case kTfLiteInt32:
     return kTensorType_INT32;
   case kTfLiteBool:
     return kTensorType_BOOL;
   default:
     return kTensorType_UNKNOWN;
  }
}

// 從TensorFlow Lite張量提取信息
staticstatus_tExtractTensorInfo(TfLiteTensor* tf_tensor, intindex,tensor_info_t* info)
{
 if(tf_tensor == nullptr|| info ==nullptr) {
   return kStatus_InvalidParam;
  }

 // 基本信息
  info->index =  index;
  info->type = ConvertTfLiteType(tf_tensor->type);
  info->data =  tf_tensor->data.uint8;
 
 if (info->type == kTensorType_UNKNOWN) {
    PRINTF("Unsupported tensor type: %d
",  tf_tensor->type);
   return kStatus_Fail;
  }

 // 維度信息
  info->dims.size = tf_tensor->dims->size;
 if (info->dims.size > MAX_TENSOR_DIMS) {
    PRINTF("Tensor dimensions exceed maximum: %d > %d
",
        info->dims.size, MAX_TENSOR_DIMS);
   return kStatus_OutOfRange;
  }

 size_t total_elements =1;
 for(inti =0;  i < info->dims.size; i++) {
    info->dims.data[i] = tf_tensor->dims->data[i];
    total_elements *= info->dims.data[i];
  }

 // 計算數據大小
  info->size_bytes = total_elements *GetTypeSize(info->type);
 
 // 張量名稱（如果可用）
  info->name = nullptr; // TensorFlow Lite Micro通常不保存名稱

 return kStatus_Success;
}

這部分主要包括：

模型初始化（加載模型 / 創建解釋器 / 分配張量內存）

模型反初始化

執行推理（Invoke）

//
模型生命周期管理
//

status_tMODEL_Init(void)
{
 if (s_model_initialized) {
    PRINTF("Model already initialized
");
   return kStatus_Success;
  }

 // 加載模型
  s_model= tflite::GetModel(model_data);
 if (s_model->version()!=TFLITE_SCHEMA_VERSION) {
    PRINTF("Model schema version %d not supported (expected  %d)
",
        s_model->version(),TFLITE_SCHEMA_VERSION);
   return kStatus_Fail;
  }

 // 獲取操作解析器
  tflite::MicroOpResolverµ_op_resolver= MODEL_GetOpsResolver();

 // 創建解釋器
 static tflite::MicroInterpreterstatic_interpreter(
    s_model,  micro_op_resolver, s_tensorArena, kTensorArenaSize);
  s_interpreter= &static_interpreter;

 // 分配張量內存
 TfLiteStatus allocate_status=s_interpreter->AllocateTensors();
 if (allocate_status!=kTfLiteOk) {
    PRINTF("AllocateTensors() failed with status: %d
",  allocate_status);
   return kStatus_InsufficientMemory;
  }

  s_model_initialized=true;

 // 打印模型信息
  PRINTF("Model '%s' initialized successfully:
", MODEL_GetModelName());
 PRINTF("-  Input tensors: %d
", s_interpreter->inputs_size());
 PRINTF("-  Output tensors: %d
", s_interpreter->outputs_size());
 PRINTF("-  Arena used: %zu bytes
", s_interpreter->arena_used_bytes());

 return kStatus_Success;
}

status_tMODEL_Deinit(void)
{
 if (!s_model_initialized) {
   return kStatus_NotInitialized;
  }

 // TensorFlow  Lite Micro使用靜態內存，無需顯式釋放
  s_model= nullptr;
  s_interpreter= nullptr;
  s_model_initialized=false;

  PRINTF("Model deinitialized
");
 return kStatus_Success;
}

status_tMODEL_RunInference(void)
{
 if (!s_model_initialized||s_interpreter==nullptr) {
    PRINTF("Model not initialized
");
   return kStatus_NotInitialized;
  }

 TfLiteStatus invoke_status=s_interpreter->Invoke();
 if (invoke_status!=kTfLiteOk) {
    PRINTF("Model inference failed with status: %d
",  invoke_status);
   return kStatus_Fail;
  }

 return kStatus_Success;
}

包含：

輸入/輸出張量數量查詢

模型統計信息讀取

模型名稱查詢

//
模型信息查詢
//

intMODEL_GetInputTensorCount(void)
{
 if (!s_model_initialized || s_interpreter ==nullptr) {
   return0;
  }
 return s_interpreter->inputs_size();
}

intMODEL_GetOutputTensorCount(void)
{
 if (!s_model_initialized || s_interpreter ==nullptr) {
   return0;
  }
 return s_interpreter->outputs_size();
}

status_t MODEL_GetModelStats(model_stats_t* stats)
{
 if(stats == nullptr) {
   return kStatus_InvalidParam;
  }

 if (!s_model_initialized || s_interpreter ==nullptr) {
   return kStatus_NotInitialized;
  }

  stats->arena_used_bytes = s_interpreter->arena_used_bytes();
  stats->arena_total_bytes = kTensorArenaSize;
  stats->input_count = s_interpreter->inputs_size();
  stats->output_count = s_interpreter->outputs_size();
  stats->model_name =MODEL_GetModelName();

 return kStatus_Success;
}

constchar*MODEL_GetModelName(void)
{
 return MODEL_NAME;
}

由于篇幅有限，本篇重點展示了：

頭文件設計：類型安全、結構清晰

核心實現框架：生命周期管理 + 內部工具函數

基本模型信息查詢接口

在下一篇（系列最終章）中，我們將重點講解：

張量數據訪問接口（Input/Output Data APIs）完整實現

批量張量操作的高效實現方案

更實際的代碼示例與最佳實踐