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。
% q2 h  D' x" g* J, K# g3 D  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：
) D# L* V9 N- R. V) b9 S   实例（二维卷积操作），图中卷积核（kernel）2x2的矩阵，与输入4x3的矩阵（input）做矩阵乘法。得到aw+bz+ey+fz，依次横移一步（也可两步，该变量叫做strade）到达边缘后则开始下移一步继续从左往右运算，得到一个3x2的矩阵。
   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。
   
" U- K+ h4 {* R0 p5 f2 N    激活函数，整流线性单元 （ReLU）。一个图就可以看清楚。 ，卷积经过激活函数连接到池化。

    池化：池化很容易理解， 最大池化，上下两个都是这样的操作，max（0.3，0.1）输入到下一个，就是这么简单。

   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）
) y  u9 {- A8 P$ W5 p# x  
. j9 ?  ]2 I; u* }/ p6 X" P  Q

  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。
  
9 Q7 U. u4 `+ I0 W4 G) \
" ~  u$ U% ~  V4 I  g% F" B+ U3 A
   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）。
4 Z9 N- x8 n; ~+ M   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。

学习了

收藏了
( g% v# L! P: H1 i! h0 K8 V

学习了

刚好在看这个哎，不过我是用TF了，

ZDPHPN 发表于 2019-5-29 09:39
刚好在看这个哎，不过我是用TF了，

Tensorflow上手有点难度。

只知道很高大上，但是还是没能看明白其中道理，缺乏基本概念知识，只能路过。

学习了

学习了！

https://www.stmcu.org.cn/module/forum/thread-620501-1-1.html
3 O  f0 u2 h7 f+ G# G. w
0 F3 O, T  F& N* ]& P这个链接没内容了
8 Q7 Q6 r( m0 p! c