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。
% L! ?2 G5 q2 Z( P

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。


3 B8 F* i. y" `: d2 ]5 P9 F
3 O  s: q% F: I$ w8 n

7 k5 E+ B4 e  R/ {6 x4 iAI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。


8 M3 |/ t0 y6 r* j$ F" Y  gAI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。
6 D2 E3 B0 r/ N/ \$ l4 }+ N* n3 @* d% s

: O( f, T7 V! K- e' ?4 a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。

* h2 G7 X2 p2 v2 b
/ ]  G+ h* V+ M( @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。


- ^+ `2 R1 m: [# B! X, J. `) V8 W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。

; B/ l( ]9 q! ]! Y
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。

/ K3 p  I2 ]$ r& ?# p4 s; |
" J- u) i1 s- H' ?

( c5 B; E. ?  u$ I8 v% J
9 F6 w! z8 ^7 P$ Z# ?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。
& b0 T9 m, h6 c( m8 ?9 B
  u  {8 Y4 E- C  Y
% r0 p# d. g6 n- U1 I" ^# K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 n1 [. u5 r0 e7 N! X

感谢分享