MCU上跑深度学习模型,很大程度上精度要求并不高,实时性要求较高,在一定要求下,牺牲精度保证速度的方法为数不多,量化是最优质的选择。 本次测试模型不大,所以精度没有损失,实测0-9只有两个识别错误,量化和未量化的预测结果一致,速度提高一倍。* X1 I# W! I* c7 e1 b# t( q* T% t 附上源码,给各位大佬参考。 w8 N' K' }' H) m : h# N! Y% c9 [' T |
Mnist.rar
下载914.81 KB, 下载次数: 15
æºç å模å
谢谢分享!!! |
【STM32H7S78-DK评测】移植AI框架TensorFlow【DSP指令加速篇】
【STM32H7S78-DK评测】移植AI框架TensorFlow【下篇】
【STM32H7S78-DK评测】移植AI框架TensorFlow Lite【上篇】
【STM32H7S78-DK评测】移植边缘AI推理框架——TFLM(TensorFlow Lite for Microcontrollers)上篇
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
STM32不至于芯,2023济南站研讨会
ST机器学习汽车解决方案
Cube.AI和NanoEdge AI具备哪些优秀的功能
边缘AI领域,ST可以提供哪些软硬件支持