您应该注意人工智能（AI）的两个关键方面。首先，它正被设计为网络深处越来越多的嵌入式系统，从工业控制到汽车应用再到消费/大众市场设备。因此，您很有可能需要入门指南，了解如何使用这些与AI相关的组件。

- A! [6 m1 V. v8 S6 N
2 y% U# P; ]: c7 |  C  T0 J9 V第二个方面是，围绕AI进行设计可能是一项复杂的工作。这就是我们的用武之地。我们的目的是提高您的生产率，并为在AI领域取得成功提供秘诀。我们会为您指明正确的方向，因此您成功的可能性很高。
6 u7 d, ^* u' D! |  Y

6 y3 Q) C  t0 a

3 A6 y+ A' K& |
* C+ j0 P+ J7 p% n" TAI设计的秘诀可以像任何其他嵌入式系统一样开始—尽管选择合适的微处理器/微控制器可能应该考虑“ AI友好”生态系统的可用性。在这种情况下，我们将从STM32开始。生态系统包括STM32Cube.AI，它是ST工具包中的一个软件包，可以与深度学习库进行互操作，以自动转换经过预训练的人工神经网络，并将这种转换映射到几乎任何STM32微控制器（MCU）上。
# ~$ h. m# ?- z! P3 J9 `9 i2 }9 A1 C, ^

5 T. F8 u$ \! n" b, k. MAI配方中的下一个要素是AI深度学习开放软件。TensorFlow，Keras，Pytorch和Caffe是最常见和最受欢迎的各种框架。在您的框架内，您可以生成您的神经网络库，这要归功于AI应用程序包中提供的ST的预训练模型，从而简化了该过程。
* W$ {) A1 F  k

例如，使用Keras或TensorFlow，您基本上可以创建一个拓扑模型来表示您的神经网络或节点网络。从简单的数学函数（例如加法）到复杂的多变量非线性方程，每个节点都可以是具有不同复杂程度的张量上的运算。
. N% g: j6 B6 L( J) [) O; X2 |
; X/ T. Z& W% h( t" i% B
  d  N  e" f. s- i- A" X这些操作返回在网络图上绘制的数据。棘手的地方在于，一个操作可以使用和产生二维以上的数据（称为张量）。这次对话有些深入，不在本文讨论范围之内，但是有一些不错的参考资料。
) y( t* |, {( n0 Y
* w: x+ _0 ?0 R1 H  f$ M2 `
然后，通过一个工具执行这样的转换，该工具可以生成一个库，该库生成可以集成到项目中的代码。STM32Cube.AI及其输出库可以在任何STM32 MCU上运行。为了进一步简化与客户的集成，意法半导体在单个功能包中生成了一些端到端应用示例，用于运动，音频和图像分析。


现在您已经拥有了上层的硬件和软件，下一步将是使用新生的嵌入式系统或从其他来源获取一些测试数据。测试数据使用Keras或TensorFlow Lite等工具训练神经网络。正如您所期望的那样，这是一个持续不断的迭代过程，因此将不断完善，更新和改进模型，直到达到所需的精度水平为止。该训练过程生成了一个模型，该模型可以由STM32Cube.AI工具自动转换为STM32 MCU的优化运行时库。




5 T- o3 L$ ]0 f( H  L
准备开始您的AI设计了吗？如果是这样，则可以根据您的应用程序使用各种MCU。意法半导体已经发布了许多视频，展示了其微控制器在多种应用中的应用。尽管您的性能要求可能会有所不同并导致选择不同的MCU，但是您可以在高性能STM32H7上进行对象分类，或者在80MHz STM32L476JGY或类似的微控制器上进行可穿戴/健康应用。

$ ~  [% H; B+ S% N& x4 }
( `' k; F$ y& ?  P$ q最重要的是，如果您现在还没有AI，那么很有可能在您的未来。因此，如果您还不熟悉如何将其整合到设计中，那么该学习一下了。重要提示：人工智能生态系统正在迅速发展，因此明智的选择是那些供应商，其路线图可以表明他们对变革的步伐的理解，其投资也可以表明他们愿意跟上发展的步伐。

4 k* k& w1 p. e, r7 f6 s/ f9 j

感谢分享