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。 , c* n) t& ^9 M1 o ( O0 M% `4 o3 L) E: [8 l i 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。; m: X- Q+ t: t n+ {# X. u0 ?, @ # \3 ^, V5 Q E! { R 5 E5 Z& A9 [& Z+ g - H% x7 g+ D! n- X( J | k AI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。9 K. z2 M9 ]% j 3 |( T$ J9 w# p; H, U- E , I" s6 c6 j3 K7 e, h! \! _ AI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。8 n1 @* [" ]: R( T8 ]& ?# ~ 5 ~6 k5 S1 c. f3 a / B2 Z2 @" c r- \7 ~, V, k6 }; { 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。( J" r# s) I0 s8 L , h% n# A/ X" m$ n' l; O 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。; D' c. G) ] e6 E 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。' }6 x9 H0 z3 J7 y & f/ r* p3 }, j& ? 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。 $ f L2 q0 A# p 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。* {9 c. Z" n' A& q" T& k% ` & N4 p& K8 w. J9 a* a+ j0 u C+ y% P ?6 `$ W- I5 g% S# ^ 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。9 B3 A2 ?+ r" H/ r+ s# h |
感谢分享 |
破解边缘AI硬件与软件挑战,意法半导体解读三大创新要点
意法半导体助力企业产品智能化,加快边缘人工智能应用
哪些传感器嵌入式功能适用于我的应用?
线下实训 | ST端侧人工智能之视觉检测
意法半导体嵌入式 AI 解决方案增加简化机器学习开发的高级功能
【Wio Lite AI视觉开发套件】+摄像头图像采集
全站首个NanoEdge_AI试用(dogs)
线下实训 | ST端侧人工智能之计算机视觉实践课程
Cube.AI【4】cifar10 在魔改Nucleo STMF767平台上的测试
基于STM32的机器学习工具 - NanoEdge AI Studio