|
锦鲤不能白拿啊,回馈社区写三篇cubeMX的AI教程 。最终实现前几天所发布的图片(https://www.stmcu.org.cn/module/forum/thread-620501-1-1.html),先介绍CNN和LeNet。 CNN并不复杂,主要是由卷积操作(对于电子出身的我们,这个不熟起码也听说过)+激活和池化(pooling),,几个层不断连接。最后输出到全连接和softmax,产生一个输出,这个输出是一个向量,向量长度和我们的分类个数一致。 先介绍卷积操作:1 ?( I* a- |: V
注意卷积操作改变了输入矩阵的大小(4x3 -> 3x2),少了一行一列。在这里会有另外一个操作 补零(padding),在缺少的一行一列上补零。+ {9 Z) h6 [. w$ f! w' M X. w8 Z: ~- U. R9 S) \8 E 激活函数,整流线性单元 (ReLU)。一个图就可以看清楚。
" z5 X A5 K$ \4 W 池化:池化很容易理解,
, w& K6 y0 e/ b6 k 全连接和softmax都比较容易理解,大家可以参考博客等。图片均来自网络和deep learning book(深度学习圣经级教科书)1 K; S3 x* C* L; f4 O1 U' {" h * w( C1 W0 i! y& Q1 t* t( E2 \ " ~% N/ J1 n; V+ e) m LeNet-5(没记错的话是lecun所创建的网络)是一个较简单的卷积神经网络。下图显示了其结构:输入的二维图像(28x28 8bits gray),先经过两次卷积层到池化层,再经过全连接层,最后使用softmax分类作为输出层。% C" B( A; `. W# R" o; o. I8 E' W( S
3 B, O1 e& }1 D: k, @ 6 [% b: `' A" Z) `6 m5 t 本次AI model移植采用了caffe 训练模型,cubemx ai组件来翻译,需要caffemodel和lenet网络结构描述文件(prototxt)。! W: _* Z' n9 r3 v) a. P 下篇跳过caffe(网上大量教程资源,不赘述),直接来到移植和代码详解。) p& y9 ?% O& F* Y) t4 d |
意法半导体助力STM32开发者简化AI模型开发流程
迈入融合时代:以统一的STM32 MCU平台释放物理AI潜能
【STM32C0116-DK】MNIST 数字识别
【NUCLEO-C562RE】MNIST 数字识别
【STM32H5 评测】MNIST 数字识别
STM32在边缘AI的布局及能力版图
从家电到机器人:STM32边缘AI应用案例拆解
STM32U3B5/U3C5:为超低功耗设计带来高性能 DSP 与边缘 AI
【NUCLEO-U3C5ZI 测评】+ 手写数字识别
【STM32U3 评测】MNIST 数字识别
微信公众号
手机版
Tensorflow上手有点难度。
( G& K/ Z6 f( {) G8 @" e; R. U
这个链接没内容了