fix(doc): add tutorial for tfLite plugin

Signed-off-by: Jianxiang Ran <rxan_embedded@163.com>

docs/zh_CN/guide/ai/tensorflow_lite.md

@@ -0,0 +1,94 @@
+# 使用 eKuiper 函数插件运行TensorFlow Lite 模型
+
+[LF Edge eKuiper](https://www.lfedge.org/projects/ekuiper/) 是一款边缘轻量级物联网数据分析/流软件，可在各种资源受限的物联网设备上运行。
+
+[TensorFlow Lite](https://www.tensorflow.org/lite/guide) 是一组帮助开发人员在移动端、嵌入式和物联网设备上运行 TensorFlow
+模型的工具，它使得设备上的机器学习预测具有低延迟和较小的二进制容量。
+
+通过集成 eKuiper 和 TensorFlow Lite，用户只需要上传预先构建的 TensorFlow 模型， 即可在规则中使用该模型来分析流中的数据。 在本教程中，我们将演示如何通过 ekuiper 快速调用已预先训练好的 TensorFlow 模型。
+
+
+## 先决条件
+
+### 模型下载
+
+如需运行 TensorFlow Lite 解释器，我们需要一个经过训练的模型。在本教程中，我们将不介绍如何训练和涵盖这个模型，您可以通过查看 [tflite converter](https://www.tensorflow.org/lite/convert) 了解如何做到这一点。我们既可以训练一个新的模型，也可以在线选择已训练好的模型。
+在本教程中，我们将使用 [mattn/go tflite](https://github.com/mattn/go-tflite) 的 [sin](https://github.com/mattn/go-tflite/tree/master/_example/sin) 模型和 [mobilenet_v1_1.0_224](https://tfhub.dev/tensorflow/lite-model/mobilenet_v1_1.0_224/1/default/1) 演示。
+
+### 运行 eKuiper
+
+本教程使用团队发布的 eKuiper Docker 镜像 `lfedge/ekuiper:1.8.0-slim` 和 eKuiper manager Docker 镜像 `emqx/ekuiper-manager:1.8.0` 演示，安装方法及简单使用方法请参考[这里](https://hub.docker.com/r/emqx/ekuiper-manager)。
+
+### TensorFlow Lite 插件下载
+
+TensorFlow Lite 以预编译插件的形式提供，用户需自行下载安装。
+![下载插件](../../resources/tflite_install.png)
+![注册函数](../../resources/tflite_register.png)
+
+## Sin 模型运行
+
+请自行下载 [sin 模型](https://github.com/mattn/go-tflite/blob/master/_example/sin/sin_model.tflite), 此模型根据输入值返回推理结果。例如用户输入 π/2, 取 1.57, 则计算结果 sin 1.57 约为 1。
+用户需准备 MQTT Broker 并自行创建 MQTT 源用于向 eKuiper rule 发送待处理的数据并将推理结果发送回 MQTT Broker。
+
+### MQTT 源
+
+注意模型输入数据格式必须为字节数组, 而 json 不支持字节类型，因此需要在数据源中指定数据类型，由源将其预处理为字节数组。
+![源设置](../../resources/stream_byte.png)
+
+### 模型上传
+
+用户可以通过 eKuiper manager 上传模型文件到 eKuiper。如下图所示。
+![模型上传](../../resources/sin_upload.png)
+
+
+### 调用模型
+
+用户安装完 TensorFlow Lite 插件后，可以在 SQL 中按正常内置函数那样调用模型。第一个参数为模型名称，第二个参数为待处理数据。
+![模型调用](../../resources/tflite_sin_rule.png)
+
+### 验证结果
+
+结果如下图所示，当输入为 1.57 时，推倒结果约为 1。
+![结果查询](../../resources/mqttx_sin.png)
+
+
+## MobileNet V1 模型运行
+
+请自行下载 [MobileNet V1 模型](https://tfhub.dev/tensorflow/lite-model/mobilenet_v1_1.0_224/1/default/1), 此模型输入 224 * 224 像素的图像信息，返回大小为 1001 的 float 数组。
+为了获取图片信息，我们利用另一个预编译 video 插件从直播源中定时提取图片作为规则的输入，并将推理结果发送到 MQTT Broker 中。
+
+### video 源安装与配置
+
+video 源定期从直播源中拉取数据并从中抽取图片数据。直播源可以采用[此链接](https://gcwbcdks.v.kcdnvip.com/gcwbcd/cdrmipanda_1/index.m3u8)。下图分别为 video 插件下载与配置。
+![video 源安装](../../resources/video_install.png)
+![video 配置](../../resources/video_config.png)
+
+*注意*： 源数据格式部分应选为 binary 类型。
+
+### image 函数插件安装
+
+由于预编译模型需要 224 * 224 像素的图片数据，因此需要安装另一个预编译插件 image 来对图片进行 resize。
+![image 安装](../../resources/image_install.png)
+![resize 注册](../../resources/image_register.png)
+
+
+### 模型上传
+
+用户可以通过 eKuiper manager 上传模型文件到 eKuiper。如下图所示。
+![模型上传](../../resources/mobilenet_upload.png)
+
+
+### 调用模型
+
+用户安装完 TensorFlow Lite 插件后，可以在 SQL 中按正常内置函数那样调用模型。第一个参数为模型名称，第二个参数为调用 resize 函数的返回结果。其中 `self` 为二进制数据对应的 key。
+![模型调用](../../resources/tflite_resize_rule.png)
+
+### 验证结果
+
+结果如下图所示，图片数据经过推理后，返回结果为字节数组(经过 base64 编码)。
+![结果查询](../../resources/mqttx_mobilenet.png)
+
+
+## 结论
+
+在本教程中，我们通过预编译的 TensorFlow Lite 插件，在 ekuiper 中直接调用预先训练好的 TensorFlow Lite 模型，避免了编写代码，简化了推理步骤。