在2018的峰会间隙，官方播放了一个视频关于CubeMX工具的，这是一个无疑是一个重要信息。未来的ST开发工具可以将人工智能的数据/结果作为数据源潜入到诸位的硬件开发平台上，官方的只找到一个关于CubeMX.AI的pdf文档，言简意赅的只由4页胶片，截图如下：

1、将您预先训练的神经网络依赖框架输入STM32 CUBMEX。
2、STM32优化库自动快速生成代码
8 H9 J, m/ M! a, }3、STM32 CUBMEXX.AI保证了与最先进的深度学习设计框架的互操作性。

2 T( Y7 A9 i9 I  e/ E
0 k' }1 a( h/ P  I4 a+ N/ u
现成的深度学习设计框架可用于训练和创建人工神经网络。
8 O) l2 M9 H) D' J. o1 U- {keras、Lasagne、TensorFlow 、 caffe/caffe2、N2D2、Theano、CNTK等深度学习框架
; {5 D- C& r. t$ M6 ~常见框架的简洁；

Keras是由纯python编写的基于theano/tensorflow的深度学习框架。

Lasagne是 Theano 中的一个轻量级库.

TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。

Caffe/Caffe2，全称Convolutional Architecture for Fast Feature Embedding。是一种常用的深度学习框架，在视频、图像处理方面应用较多。

Theano 基于 Python，是一个擅长处理多维数组的库（这方面它类似于 NumPy）。当与其他深度学习库结合起来，它十分适合数据探索。它为执行深度学习中大规模神经网络算法的运算所设计。其实，它可以被更好地理解为一个数学表达式的编译器：用符号式语言定义你想要的结果，该框架会对你的程序进行编译，来高效运行于 GPU 或 CPU。

Computational Network Toolkit (CNTK) 是微软出品的开源深度学习工具包。

4 _! \, ]7 c! ]! F
4 Q4 ?' T3 x1 m3 V- f
, Z8 n$ T3 W' ^3 z" w2 A& Q/ Z* f# ?

1 b- k/ f: V: v" o
6 f+ ]; @% Y4 b2 i# O越是简单的几幅图背后的信息量和学习两陡然庞大~~~
4 [2 u& e" h+ N, ^
5 S  y, U# w( O( Z* p; @$ c& w6 @这将还是不是我曾经认识的单片机呢？
! j& t) h" N+ @9 [1 I2 N: y

/ @/ Y* o) j% N' t
/ \9 u7 H+ x9 [, E+ A9 n9 v3 m2 K, R

lebment 发表于 2018-4-27 13:51
( Q' D3 e# {  p基于ARM 官方NN库改的？玩这个至少得会个Tensor Flow吧

ARM老大定的方向旗帜，ST没有理由拒绝吧。
; t# Q; [/ i! ?+ Q) F3 {至于tf 还是 Caffer 目前 ARM NN都支持
不过，关于ARM NN 相关源代码可以从这里下载来学习学习
http://github.com/ARM-software/armnn.git
; T" }0 g$ N7 ?' Q% y3 Z- ^ARM NN的整体框架如下：

4 L! e3 u( h3 g
5 k" j3 N+ S0 k+ ~# g1 C: m0 g对于Android 的 ARM NN API层次如下：


针对ST大量的Cortex-M 框架定位如下图：

1 `4 H  r+ l9 G$ q
至于CubeMX.AI的功能，应该满足下面这个框架，是下图的一个具体实现罢了
9 n+ ]' [) G( R0 ]
# S* Q0 k2 h' \3 T

与龙共舞 发表于 2018-4-27 09:18
. F( Z9 C! I7 b& b+ b4 O好可怕

为什么呢？
可以预见，从目前这些大数据工具来看，行为识别、图像识别、声音识别这些应用，将给MCU带来应用范围的扩展。不知道对电机控制、电源控制、通讯、工业自动化这些复杂场景，把AI引入小小的单片机能否达到效率呢？
- d0 V2 x" D/ Z; J" ^1 r! l% d3 B
路漫漫其修远兮~~~

自己一直有在用TF，苦於訓練好的框架怎樣才能給STM32用，現在看來不用自己造輪子了。太棒了。

哇，高大上了

不明觉厉

性能进步很快，应用跟不上

又是一个新方向

期待

厉害了，好资料，等待官方的详细资料

好可怕

路漫漫其修远兮

基于ARM 官方NN库改的？玩这个至少得会个Tensor Flow吧

真是很好的分享

不明觉厉