From 8fb1ea82c1f63643d109cbd45fa4253720c75d29 Mon Sep 17 00:00:00 2001
From: chengyuanwang <wangchengyuan1@huawei.com>
Date: Mon, 19 Apr 2021 15:49:20 +0800
Subject: [PATCH] reconstruct docs for codegen

---
 tutorials/lite/source_zh_cn/index.rst         |  19 +-
 .../quick_start/quick_start_codegen.md        | 281 -----------------
 .../lite/source_zh_cn/use/code_generator.md   |  99 ------
 tutorials/lite/source_zh_cn/use/micro.md      | 296 ++++++++++++++++++
 4 files changed, 299 insertions(+), 396 deletions(-)
 delete mode 100644 tutorials/lite/source_zh_cn/quick_start/quick_start_codegen.md
 delete mode 100644 tutorials/lite/source_zh_cn/use/code_generator.md
 create mode 100644 tutorials/lite/source_zh_cn/use/micro.md

diff --git a/tutorials/lite/source_zh_cn/index.rst b/tutorials/lite/source_zh_cn/index.rst
index 4a0b0aed94..a0e0f96025 100644
--- a/tutorials/lite/source_zh_cn/index.rst
+++ b/tutorials/lite/source_zh_cn/index.rst
@@ -16,7 +16,7 @@
    quick_start/quick_start_java
    quick_start/quick_start
    quick_start/image_segmentation
-   quick_start/quick_start_codegen
+   quick_start/micro
    quick_start/train_lenet
    
 .. toctree::
@@ -214,19 +214,6 @@
 									</div>
 								</a>
 							</div>
-							<div class="doc-article-item all os-Linux os-iot language-cpp stage-Whole-Process stage-Model-Compiling stage-Model-Code-Generation stage-Inference user-Beginner user-Intermediate user-Expert hidden">
-								<a href="https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/quick_start/quick_start_codegen.html" class="article-link">
-									<div>
-										<div class="doc-article-head">
-											<span class="doc-head-content">使用CodeGen编译一个MNIST分类模型</span>
-										</div>
-							
-										<div class="doc-article-desc">
-										本教程介绍如何使用MindSpore Lite代码生成工具Codegen，快速生成以及部署轻量化推理代码。
-										</div>
-									</div>
-								</a>
-							</div>
 							<div class="doc-article-item all os-Linux os-Android stage-Whole-Process stage-Model-Export stage-Model-Converting stage-Model-Training user-Beginner user-Intermediate user-Expert hidden">
 								<a href="https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/quick_start/train_lenet.html" class="article-link">
 									<div>
@@ -279,10 +266,10 @@
 								</a>
 							</div>
 							<div class="doc-article-item all os-Linux os-iot language-cpp stage-Model-Code-Generation stage-Inference user-Beginner user-Intermediate hidden">
-								<a href="https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/code_generator.html" class="article-link">
+								<a href="https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/micro.html" class="article-link">
 									<div>
 										<div class="doc-article-head">
-											<span class="doc-head-content">代码生成工具</span>
+											<span class="doc-head-content">在微控制器上执行推理</span>
 										</div>
 										<div class="doc-article-desc">
 										MindSpore Lite提供代码生成工具codegen，将运行时编译、解释计算图，移至离线编译阶段。仅保留推理所必须的信息，生成极简的推理代码。
diff --git a/tutorials/lite/source_zh_cn/quick_start/quick_start_codegen.md b/tutorials/lite/source_zh_cn/quick_start/quick_start_codegen.md
deleted file mode 100644
index a3881f87f2..0000000000
--- a/tutorials/lite/source_zh_cn/quick_start/quick_start_codegen.md
+++ /dev/null
@@ -1,281 +0,0 @@
-# 使用CodeGen编译一个MNIST分类模型
-
- `Linux` `IoT` `C++` `全流程` `模型编译` `模型代码生成` `模型部署` `推理应用` `初级` `中级` `高级`
-
-<!-- TOC -->
-
-- [编译一个MNIST分类模型](#编译一个MNIST分类模型)
-    - [概述](#概述)
-    - [模型编译体验](#模型编译体验)
-    - [详细步骤](#详细步骤)
-        - [生成代码](#生成代码)
-        - [部署应用](#部署应用)
-            - [编译依赖](#编译依赖)
-            - [构建与运行](#构建与运行)
-            - [编写推理代码示例](#编写推理代码示例)
-    - [更多详情](#更多详情)
-        - [Android平台编译部署](#android平台编译部署)
-        - [Arm&nbsp;Cortex-M平台编译部署](#armcortex-m平台编译部署)
-
-<!-- /TOC -->
-
-<a href="https://gitee.com/mindspore/docs/blob/r1.2/tutorials/lite/source_zh_cn/quick_start/quick_start_codegen.md" target="_blank"><img src="../_static/logo_source.png"></a>
-
-## 概述
-
-本教程介绍如何使用MindSpore Lite代码生成工具codegen，快速生成以及部署轻量化推理代码。
-
-其主要流程如下图流程图所示：
-
-![img](../images/lite_codegen.png)
-
-1. 使用训练框架，如MindSpore等，得到训练好的模型；
-2. 使用MindSpore Lite转换工具converter，将预训练模型转换为`*.ms`格式文件；
-3. 使用codegen代码生成工具，输入`*.ms`文件自动生成推理代码；
-4. 通过交叉编译，生成支持不同平台的推理库文件。
-
-我们推荐从MNIST分类模型推理代码入手，了解codegen生成代码、编译构建、部署等流程，从而达到快速入门的效果。
-
-## 模型编译体验
-
-用户可以使用脚本一键式编译生成MNIST分类模型的推理代码并执行推理，得到单次推理输出。下载[MindSpore源码](https://gitee.com/mindspore/mindspore)，进入[`mindspore/mindspore/lite/micro/examples/mnist_x86`](https://gitee.com/mindspore/mindspore/tree/r1.2/mindspore/lite/micro/example/mnist_x86)目录，执行脚本`mnist.sh`自动生成模型推理代码并编译工程目录，即可得到单次推理输出。
-
-```bash
-bash mnist.sh
-```
-
-推理结果如下：
-
-```text
-======run benchmark======
-input 0: mnist_input.bin
-
-outputs:
-name: Softmax-7, DataType: 43, Size: 40, Shape: [1 10], Data:
-0.000000, 0.000000, 0.000000, 1.000000, 0.000000, 0.000000, 0.000000, 0.000000, 0.000000, 0.000000,
-======run success=======
-```
-
-也可以按照**详细步骤**从生成代码开始逐步完成使用codegen编译一个MNIST分类模型的全流程。
-
-## 详细步骤
-
-在编译此工程之前需要预先获取Ubuntu-x64 CPU平台的[Release包](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/downloads.html)，解压后得到`mindspore-lite-{version}-linux-x64`，将其拷贝到当前目录下。
-
-> `{version}`为版本号字符串，如`1.2.0`。
-
-以本教程为例，预置x86平台的Release包目录如下：
-
-```text
-  mindspore-lite-{version}-linux-x64
- └── tools
-     └── codegen # 代码生成工具
-         ├── codegen                # 可执行程序
-         ├── include                # 推理框架头文件
-         │   ├── nnacl              # nnacl 算子头文件
-         │   └── wrapper
-         ├── lib
-         │   └── libwrapper.a       # MindSpore Lite CodeGen生成代码依赖的部分算子静态库
-         └── third_party
-             ├── include
-             │   └── CMSIS          # ARM CMSIS NN 算子头文件
-             └── lib
-                 └── libcmsis_nn.a  # ARM CMSIS NN 算子静态库
-```
-
-### 生成代码
-
-下载[MNIST分类网络](https://download.mindspore.cn/model_zoo/official/lite/mnist_lite/mnist.ms)。使用Release包中的codegen编译MNIST分类模型，生成对应的x86平台推理代码。生成代码的具体命令如下：
-
-```bash
-./codegen --codePath=. --modelPath=mnist.ms --target=x86
-```
-
-codegen在当前目录下将生成mnist目录，其中包含了可编译构建的mnist分类模型的代码。
-> 关于codegen的更多使用命令说明，可参见[codegen工具的详细介绍](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/code_generator.html)。
-
-### 部署应用
-
-接下来介绍如何构建MindSpore Lite CodeGen生成的模型推理代码工程，并在x86平台完成部署。上文中codegen生成的代码与`mindspore/mindspore/lite/micro/example/mnist_x86`相同，本章节编译、构建步骤将对该目录展开，用户也可参照相同操作，编译上文codegen生成mnist目录代码。
-
-#### 编译依赖
-
-- [CMake](https://cmake.org/download/) >= 3.18.3
-- [GCC](https://gcc.gnu.org/releases.html) >= 7.3.0
-
-#### 构建与运行
-
-1. **生成代码工程说明**
-
-   进入`mindspore/mindspore/lite/micro/example/mnist_x86`目录中。
-
-   生成代码工程目录说明：
-
-   当前目录下预置了MNIST分类网络生成的代码。
-
-   ```text
-   mnist_x86/                         # 生成代码的根目录
-   ├── benchmark                      # 生成代码的benchmark目录
-   └── src                            # 模型推理代码目录
-   ```
-
-2. **代码编译**
-
-   组织模型生成的推理代码以及算子静态库，编译生成模型推理静态库并编译生成benchmark可执行文件,
-
-   进入代码工程目录下，新建并进入build目录：
-
-   ```bash
-   mkdir build && cd build
-   ```
-
-   开始编译：
-
-   ```bash
-   cmake -DPKG_PATH={path to}/mindspore-lite-{version}-linux-x64 ..
-   make
-   ```
-
-   > `{path to}`和`{version}`需要用户根据实际情况填写。
-
-   代码工程编译成功结果：
-
-   ```text
-   Scanning dependencies of target net
-   [ 12%] Building C object src/CMakeFiles/net.dir/net.c.o
-   [ 25%] Building CXX object src/CMakeFiles/net.dir/session.cc.o
-   [ 37%] Building CXX object src/CMakeFiles/net.dir/tensor.cc.o
-   [ 50%] Building C object src/CMakeFiles/net.dir/weight.c.o
-   [ 62%] Linking CXX static library libnet.a
-   unzip raw static library libnet.a
-   raw static library libnet.a size:
-   -rw-r--r-- 1 user user 58K Mar 22 10:09 libnet.a
-   generate specified static library libnet.a
-   new static library libnet.a size:
-   -rw-r--r-- 1 user user 162K Mar 22 10:09 libnet.a
-   [ 62%] Built target net
-   Scanning dependencies of target benchmark
-   [ 75%] Building CXX object CMakeFiles/benchmark.dir/benchmark/benchmark.cc.o
-   [ 87%] Building C object CMakeFiles/benchmark.dir/benchmark/load_input.c.o
-   [100%] Linking CXX executable benchmark
-   [100%] Built target benchmark
-   ```
-
-   此时在`mnist_x86/build/src/`目录下生成了`libnet.a`，推理执行库，在`mnist_x86/build`目录下生成了`benchmark`可执行文件。
-
-3. **代码部署**
-
-   本示例部署于x86平台。由代码工程编译成功以后的产物为`benchmark`可执行文件，将其拷贝到用户的目标Linux服务器中即可执行。
-
-   在目标Linux服务上执行编译成功的二进制文件：
-
-   ```bash
-   ./benchmark mnist_input.bin net.bin
-   ```
-
-   > mnist_input.bin在`example/mnist_x86`目录下，`net.bin`为模型参数文件，在`example/mnist_x86/src`目录下。
-
-   生成结果如下：
-
-   ```text
-   start run benchmark
-   input 0: mnist_input.bin
-   output size: 1
-   uint8:
-   Name: Softmax-7, DataType: 43, Size: 40, Shape: 1 10, Data:
-   0.000000, 0.000000, 0.000000, 1.000000, 0.000000, 0.000000, 0.000000, 0.000000, 0.000000, 0.000000,
-   run benchmark success
-   ```
-
-#### 编写推理代码示例
-
-本教程中的`benchmark`内部实现主要用于指导用户如何编写以及调用codegen编译的模型推理代码接口。以下为接口调用的详细介绍，详情代码可以参见[examples/mnist_x86](https://gitee.com/mindspore/mindspore/tree/r1.2/mindspore/lite/micro/example/mnist_x86)下的示例代码示例：
-
-1. **构建推理的上下文以及会话**
-
-   本教程生成的代码为非并行代码，无需上下文context，可直接设为空。
-
-   ```cpp
-     size_t model_size = 0;
-     Context *context = nullptr;
-     session::LiteSession *session = mindspore::session::LiteSession::CreateSession(model_buffer, model_size, context);
-     if (session == nullptr) {
-         std::cerr << "create lite session failed" << std::endl;
-         return RET_ERROR;
-     }
-   ```
-
-2. **输入数据准备**
-
-   用户所需要准备的输入数据内存空间，若输入是持久化文件，可通过读文件方式获取。若输入数据已经存在内存中，则此处无需读取，可直接传入数据指针。
-
-   ```cpp
-     std::vector<MSTensor *> inputs = session->GetInputs();
-     MSTensor *input = inputs.at(0);
-     if (input == nullptr) {
-         return RET_ERROR;
-     }
-     // Assume we have got input data in memory.
-     memcpy(input->MutableData(), input_buffer, input->Size());
-   ```
-
-3. **执行推理**
-
-   ```cpp
-     session->RunGraph();
-   ```
-
-4. **推理结束获取输出**
-
-   ```cpp
-     Vector<String> outputs_name = session->GetOutputTensorNames();
-     for (const auto &name : outputs_name) {
-         auto output = session->GetOutputByTensorName(name);
-         // deal with output
-         ......
-     }
-   ```
-
-5. **释放内存session**
-
-   ```cpp
-     delete session;
-   ```
-
-6. **推理代码整体调用流程**
-
-   ```cpp
-     // Assume we have got model_buffer data in memory.
-     size_t model_size = 0;
-     Context *context = nullptr;
-     session::LiteSession *session = mindspore::session::LiteSession::CreateSession(model_buffer, model_size, context);
-     if (session == nullptr) {
-         std::cerr << "create lite session failed" << std::endl;
-         return RET_ERROR;
-     }
-
-     std::vector<MSTensor *> inputs = session->GetInputs();
-     MSTensor *input = inputs.at(0);
-     if (input == nullptr) {
-         return RET_ERROR;
-     }
-     // Assume we have got input data in memory.
-     memcpy(input->MutableData(), input_buffer, input->Size());
-
-     session->RunGraph();
-
-     Vector<String> outputs_name = session->GetOutputTensorNames();
-     for (const auto &name : outputs_name) {
-         auto output = session->GetOutputByTensorName(name);
-         // deal with output
-         ......
-     }
-
-     delete session;
-   ```
-
-## 更多详情
-
-### [Android平台编译部署](https://gitee.com/mindspore/mindspore/blob/r1.2/mindspore/lite/micro/example/mobilenetv2/README.md#)
-
-### [Arm&nbsp;Cortex-M平台编译部署](https://gitee.com/mindspore/mindspore/blob/r1.2/mindspore/lite/micro/example/mnist_stm32f746/README.md#)
diff --git a/tutorials/lite/source_zh_cn/use/code_generator.md b/tutorials/lite/source_zh_cn/use/code_generator.md
deleted file mode 100644
index 772c4b50f3..0000000000
--- a/tutorials/lite/source_zh_cn/use/code_generator.md
+++ /dev/null
@@ -1,99 +0,0 @@
-# 代码生成工具
-
-`Linux` `IoT` `C++` `模型代码生成` `推理应用` `初级` `中级`
-
-<!-- TOC -->
-
-- [代码生成工具](#代码生成工具)
-    - [概述](#概述)
-    - [获取codegen](#获取codegen)
-    - [参数说明](#参数说明)
-    - [使用步骤](#使用步骤)
-        - [生成代码](#生成代码)
-        - [执行推理](#执行推理)
-
-<!-- /TOC -->
-
-<a href="https://gitee.com/mindspore/docs/blob/r1.2/tutorials/lite/source_zh_cn/use/code_generator.md" target="_blank"><img src="../_static/logo_source.png"></a>
-
-## 概述
-
-相较于移动终端，IoT设备上系统资源有限，对ROM空间占用、运行时内存和功耗要求较高。MindSpore Lite提供代码生成工具codegen，将运行时编译、解释计算图，移至离线编译阶段。仅保留推理所必须的信息，生成极简的推理代码。Codegen可对接NNACL和CMSIS算子库，支持生成可在x86/ARM64/ARM32A/ARM32M平台部署的推理代码。
-
-代码生成工具Codegen的使用流程如下：
-
-1. 通过MindSpore Lite转换工具[Converter](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/converter_tool.html)，将训练好的模型文件转换为`*.ms`格式；
-
-2. 通过自动代码生成工具codegen，输入`*.ms`模型自动生成源代码。
-
-![img](../images/lite_codegen.png)"
-
-## 获取codegen
-
-自动代码生成工具，可以通过两种方式获取：
-
-1. MindSpore官网下载[Release版本](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/downloads.html)
-2. 从源码开始[编译构建](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/build.html)
-
-> 目前模型生成工具仅支持在Linux x86_64架构下运行。
-
-## 参数说明
-
-详细参数说明如下：
-
-| 参数            | 是否必选 | 参数说明                         | 取值范围                   | 默认值    |
-| --------------- | -------- | -------------------------------| -------------------------- | --------- |
-| help            | 否       | 打印使用说明信息                 | -                          | -         |
-| codePath        | 是       | 生成代码的路径                   | -                          | ./(当前目录)|
-| target          | 是       | 生成代码针对的平台               | x86, ARM32M, ARM32A, ARM64 | x86       |
-| modelPath       | 是       | 输入模型文件路径                 | -                          | -         |
-| supportParallel | 否       | 是否生成支持多线程的代码          | true, false                | false     |
-| debugMode       | 否       | 是否以生成调试模式的代码          | true, false                | false     |
-
-> 输入模型文件，需要经过MindSpore Lite Converter工具转换成.ms格式。
-> os不支持文件系统时，debugMode不可用。
-
-## 使用步骤
-
-### 生成代码
-
-以LeNet网络为例:
-
-```bash
-./codegen --modelPath=./lenet.ms --codePath=./
-```
-
-执行成功后，会在codePath指定的目录下，生成名为lenet的文件夹，内容如下：
-
-```text
-lenet/
-├── benchmark                       # 集成调试相关的例程
-│   ├── benchmark.cc
-│   ├── load_input.c
-│   └── load_input.h
-├── CMakeLists.txt
-└── src                             # 源文件
-    ├── CMakeLists.txt
-    ├── model.h
-    ├── net.bin                     # 二进制形式的模型权重
-    ├── net.c
-    ├── net.cmake
-    ├── net.h
-    ├── session.cc
-    ├── session.h
-    ├── string.cc
-    ├── tensor.cc
-    ├── tensor.h
-    ├── weight.c
-    └── weight.h
-```
-
-> 详细接口使用说明，请参考[API文档](https://www.mindspore.cn/doc/api_cpp/zh-CN/r1.2/index.html)。
-> 以下三个接口暂不支持：
-> 1. `virtual std::unordered_map<String, mindspore::tensor::MSTensor *> GetOutputs() const = 0;`
-> 2. `virtual Vector<tensor::MSTensor *> GetOutputsByNodeName(const String &node_name) const = 0;`
-> 3. `virtual int Resize(const Vector<tensor::MSTensor *> &inputs, const Vector<Vector<int>> &dims) = 0;`
-
-### 执行推理
-
-生成代码之后，即可以编译执行推理，详细步骤请参考[编译一个MNIST分类模型](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/quick_start/quick_start_codegen.html)。
diff --git a/tutorials/lite/source_zh_cn/use/micro.md b/tutorials/lite/source_zh_cn/use/micro.md
new file mode 100644
index 0000000000..fb94afaa8c
--- /dev/null
+++ b/tutorials/lite/source_zh_cn/use/micro.md
@@ -0,0 +1,296 @@
+# 在微控制器上执行推理
+
+ `Linux` `IoT` `C++` `模型代码生成` `推理应用` `初级` `中级`
+
+<!-- TOC -->
+
+- [在微控制器上执行推理](#在微控制器上执行推理)
+    - [概述](#概述)
+    - [获取codegen](#获取codegen)
+    - [参数说明](#参数说明)
+    - [使用步骤](#使用步骤)
+        - [生成代码](#生成代码)
+        - [使用CodeGen在STM开发板上执行推理](#使用CodeGen在STM开发板上执行推理)
+    - [更多详情][#更多详情]
+
+<!-- /TOC -->
+
+<a href="https://gitee.com/mindspore/docs/blob/r1.2/tutorials/lite/source_zh_cn/use/micro_generator.md" target="_blank"><img src="../_static/logo_source.png"></a>
+
+## 概述
+
+相较于移动终端，IoT设备上系统资源有限，对ROM空间占用、运行时内存和功耗要求较高。MindSpore Lite提供代码生成工具codegen，将运行时编译、解释计算图，移至离线编译阶段。仅保留推理所必须的信息，生成极简的推理代码。codegen可对接NNACL和CMSIS算子库，支持生成可在x86/ARM64/ARM32A/ARM32M平台部署的推理代码。
+
+代码生成工具codegen的使用流程如下：
+
+1. 通过MindSpore Lite转换工具[Converter](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/converter_tool.html)，将训练好的模型文件转换为`*.ms`格式；
+
+2. 通过自动代码生成工具codegen，输入`*.ms`模型自动生成源代码。
+
+![img](../images/lite_codegen.png)"
+
+## 获取codegen
+
+自动代码生成工具，可以通过两种方式获取：
+
+1. MindSpore官网下载[Release版本](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/downloads.html)
+2. 从源码开始[编译构建](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/build.html)
+
+> 目前模型生成工具仅支持在Linux x86_64架构下运行。
+
+## 参数说明
+
+详细参数说明如下：
+
+| 参数            | 是否必选 | 参数说明                         | 取值范围                   | 默认值    |
+| --------------- | -------- | -------------------------------| -------------------------- | --------- |
+| help            | 否       | 打印使用说明信息                 | -                          | -         |
+| codePath        | 是       | 生成代码的路径                   | -                          | ./(当前目录)|
+| target          | 是       | 生成代码针对的平台               | x86, ARM32M, ARM32A, ARM64 | x86       |
+| modelPath       | 是       | 输入模型文件路径                 | -                          | -         |
+| supportParallel | 否       | 是否生成支持多线程的代码          | true, false                | false     |
+| debugMode       | 否       | 是否以生成调试模式的代码          | true, false                | false     |
+
+> 输入模型文件，需要经过MindSpore Lite Converter工具转换成.ms格式。
+> os不支持文件系统时，debugMode不可用。
+
+## 使用步骤
+
+### 生成代码
+
+以LeNet网络为例:
+
+```bash
+./codegen --modelPath=./mnist.ms --codePath=./
+```
+
+执行成功后，会在codePath指定的目录下，生成名为mnist的文件夹，内容如下：
+
+```text
+mnist
+├── benchmark                  # 集成调试相关的例程
+│   ├── benchmark.cc
+│   ├── calib_output.cc
+│   ├── calib_output.h
+│   ├── load_input.c
+│   └── load_input.h
+├── CMakeLists.txt
+└── src                        # 源文件
+    ├── CMakeLists.txt
+    ├── model.h
+    ├── net.bin                # 二进制形式的模型权重
+    ├── net.c
+    ├── net.cmake
+    ├── net.h
+    ├── session.cc
+    ├── session.h
+    ├── string.cc
+    ├── tensor.cc
+    ├── tensor.h
+    ├── weight.c
+    └── weight.h
+```
+
+> 详细接口使用说明，请参考[API文档](https://www.mindspore.cn/doc/api_cpp/zh-CN/r1.2/index.html)。
+> 以下三个接口暂不支持：
+> 1. `virtual std::unordered_map<String, mindspore::tensor::MSTensor *> GetOutputs() const = 0;`
+> 2. `virtual Vector<tensor::MSTensor *> GetOutputsByNodeName(const String &node_name) const = 0;`
+> 3. `virtual int Resize(const Vector<tensor::MSTensor *> &inputs, const Vector<Vector<int>> &dims) = 0;`
+
+## 使用CodeGen在STM开发板上执行推理
+
+本教程以在STM32F746单板上编译部署生成模型代码为例，演示了codegen编译模型在Cortex-M平台的使用。更多关于Arm Cortex-M的详情可参见其[官网](https://developer.arm.com/ip-products/processors/cortex-m)。
+
+### STM32F746编译依赖
+
+模型推理代码的编译部署需要在windows上安装[Jlink]((https://www.segger.com/))、[STM32CubeMX](https://www.st.com/content/st_com/en.html)、[gcc-arm-none-ebai](https://developer.arm.com/tools-and-software/open-source-software/developer-tools/gnu-toolchain/gnu-rm)等工具来进行交叉编译。
+
+- [STM32CubeMX-Win](https://www.st.com/content/ccc/resource/technical/software/sw_development_suite/group0/0b/05/f0/25/c7/2b/42/9d/stm32cubemx_v6-1-1/files/stm32cubemx_v6-1-1.zip/jcr:content/translations/en.stm32cubemx_v6-1-1.zip) >= 6.0.1
+
+- [gcc-arm-none-eabi](https://developer.arm.com/tools-and-software/open-source-software/developer-tools/gnu-toolchain/gnu-rm/downloads)  >= 9-2019-q4-major-win32
+
+- [JLink-windows](https://www.segger.com/downloads/jlink/) >= 6.56
+- [GCC](https://gcc.gnu.org/releases.html) >= 7.3.0
+- [CMake](https://cmake.org/download/) >= 3.18.3
+
+### STM32F746工程构建
+
+使用codegen编译MNIST手写数字识别模型，生成对应的STM32F46推理代码。具体命令如下：
+
+```bash
+./codegen --codePath=. --modelPath=mnist.ms --target=ARM32M
+```
+
+#### 代码工程说明
+
+```bash
+├── mnist              # codegen生成的模型推理代码
+└── include            # 模型推理对外API头文件目录(自建)
+└── operator_library   # 模型推理算子相关文件(自建)
+
+```
+
+##### 算子相关目录说明
+
+在编译此工程之前需要预先获取对应平台所需要的算子文件，由于Cortex-M平台工程编译一般涉及到较复杂的交叉编译，此处不提供直接预编译的算子库静态库，而是用户根据模型自行组织文件，自主编译Cortex-M7 、Coretex-M4、Cortex-M3等工程(对应工程目录结构已在示例代码中给出，用户可自主将对应arm官方的CMSIS源码放置其中即可)。
+
+预置算子静态库的目录如下:
+
+```bash
+├── operator_library    # 对应平台算子库目录
+    ├── include         # 对应平台算子库头文件目录
+    └── nnacl           # 对应mindspore团队提供的平台算子库源文件
+    └── wrapper         # 对应mindspore团队提供的平台算子库源文件
+    └── CMSIS           # 对应Arm官方提供的CMSIS平台算子库源文件
+
+```
+
+  > 在使用过程中，我们注意到引入CMSIS v5.7.0 Softmax相关的CMSIS算子文件时，头文件中需要加入`arm_nnfunctions.h`,使用者可以稍作注意。
+
+生成代码工程目录如下：
+
+模型推理对外API头文件可由mindspore团队发布的[Release包](https://www.mindspore.cn/tutorial/lite/zh-CN/r1.2/use/downloads.html)中获取。
+
+```bash
+├── mnist               # 生成代码的根目录
+    ├── benchmark       # 生成代码的benchmark目录
+    └── src             # 模型推理代码目录
+```
+
+#### 代码工程编译
+
+##### 环境测试
+
+安装好交叉编译所需环境后，需要在windows环境中依次将其加入到环境变量中
+
+```bash
+gcc -v               # 查看GCC版本
+arm-none-eabi-gdb -v # 查看交叉编译环境
+jlink -v             # 查看jlink版本
+make -v              # 查看make版本
+```
+
+以上的命令均有成功返回值时，表明环境准备ok，可以继续进入下一步，否则先安装上述环境！！！
+
+##### 生成STM32F746单板初始化代码([详情示例代码](https://gitee.com/mindspore/mindspore/tree/r1.2/mindspore/lite/micro/example/mnist_stm32f746))
+
+1. 启动 STM32CubeMX，新建project，选择单板STM32F746IG
+
+2. 成功以后，选择`Makefile` ，`generator code`
+
+3. 在生成的工程目录下打开`cmd`，执行`make`，测试初始代码是否成功编译。
+
+   ```bash
+   # make成功结果
+   arm-none-eabi-size build/test_stm32f746.elf
+      text    data     bss     dec     hex filename
+      3660      20    1572    5252    1484 build/test_stm32f746.elf
+   arm-none-eabi-objcopy -O ihex build/test_stm32f746.elf build/test_stm32f746.hex
+   arm-none-eabi-objcopy -O binary -S build/test_stm32f746.elf build/test_stm32f746.bin
+   ```
+
+##### 编译模型
+
+1. 拷贝mindspore团队提供算子文件以及对应头文件到STM32CubeMX生成的工程目录中。
+
+2. 拷贝codegen生成模型推理代码到 STM32CubeMX生成的代码工程目录中
+
+   ```bash
+   ├── .mxproject
+   └── build             # 工程编译输出目录
+   └── Core
+   └── Drivers
+   └── mnist             # codegen生成的cortex-m7 模型推理代码
+   └── Makefile          # 编写工程makefile文件组织mnist && operator_library源文件到工程目录中
+   └── startup_stm32f746xx.s
+   └── STM32F746IGKx_FLASH.ld
+   └── test_stm32f746.ioc
+   ```
+
+3. 修改makefile文件，组织算子静态库以及模型推理代码,具体makefile文件内容参见[示例](https://gitee.com/mindspore/mindspore/tree/r1.2/mindspore/lite/micro/example/mnist_stm32f746)。
+
+   ```bash
+   # C includes
+   C_INCLUDES =  \
+   -ICore/Inc \
+   -IDrivers/STM32F7xx_HAL_Driver/Inc \
+   -IDrivers/STM32F7xx_HAL_Driver/Inc/Legacy \
+   -IDrivers/CMSIS/Device/ST/STM32F7xx/Include \
+   -Imnist/operator_library/include \                # 新增，指定算子库头文件目录
+   -Imnist/include \                                 # 新增，指定模型推理代码头文件
+   -Imnist/src                                       # 新增，指定模型推理代码源文件
+   ......
+   ```
+
+4. 在工程目录的Core/Src的main.c编写模型调用代码，具体代码新增如下：
+
+   ```cpp
+   while (1) {
+       /* USER CODE END WHILE */
+       SEGGER_RTT_printf(0, "***********mnist test start***********\n");
+       const char *model_buffer = nullptr;
+       int model_size = 0;
+       session::LiteSession *session = mindspore::session::LiteSession::CreateSession(model_buffer, model_size, nullptr);
+       Vector<tensor::MSTensor *> inputs = session->GetInputs();
+       size_t inputs_num = inputs.size();
+       void *inputs_binbuf[inputs_num];
+       int inputs_size[inputs_num];
+       for (size_t i = 0; i < inputs_num; ++i) {
+         inputs_size[i] = inputs[i]->Size();
+       }
+       // here mnist only have one input data,just hard code to it's array;
+       inputs_binbuf[0] = mnist_inputs_data;
+       for (size_t i = 0; i < inputs_num; ++i) {
+         void *input_data = inputs[i]->MutableData();
+         memcpy(input_data, inputs_binbuf[i], inputs_size[i]);
+       }
+       int ret = session->RunGraph();
+       if (ret != lite::RET_OK) {
+         return lite::RET_ERROR;
+       }
+       Vector<String> outputs_name = session->GetOutputTensorNames();
+       for (int i = 0; i < outputs_name.size(); ++i) {
+         tensor::MSTensor *output_tensor = session->GetOutputByTensorName(outputs_name[i]);
+         if (output_tensor == nullptr) {
+           return -1;
+         }
+         float *casted_data = static_cast<float *>(output_tensor->MutableData());
+         if (casted_data == nullptr) {
+           return -1;
+         }
+         for (size_t j = 0; j < 10 && j < output_tensor->ElementsNum(); j++) {
+           SEGGER_RTT_printf(0, "output: [%d] is : [%d]/100\n", i, casted_data[i] * 100);
+         }
+       }
+       delete session;
+       SEGGER_RTT_printf(0, "***********mnist test end***********\n");
+   ```
+
+5. 在工程跟目中目录使用管理员权限打开`cmd` 执行 `make`进行编译
+
+   ```bash
+   make
+   ```
+
+### STM32F746工程部署
+
+使用jlink 将可执行文件拷贝到单板上并做推理
+
+```bash
+jlinkgdbserver           # 启动jlinkgdbserver 选定target device为STM32F746IG
+jlinkRTTViewer           # 启动jlinkRTTViewer 选定target devices为STM32F746IG
+arm-none-eabi-gdb        # 启动arm-gcc gdb服务
+file build/target.elf    # 打开调测文件
+target remote 127.0.0.1  # 连接jlink服务器
+monitor reset            # 重置单板
+monitor halt             # 挂起单板
+load                     # 加载可执行文件到单板
+c                        # 执行模型推理
+```
+
+## 更多详情
+
+### [Linux_x86_64平台编译部署](https://gitee.com/mindspore/mindspore/tree/r1.2/mindspore/lite/micro/example/mnist_x86)
+
+### [Android平台编译部署](https://gitee.com/mindspore/mindspore/tree/r1.2/mindspore/lite/micro/example/mobilenetv2)
+
-- 
Gitee