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。
4 i; d) a! q+ D5 ]2 t5 L* }
1 }6 V1 q- s. T* ?
) z* c7 B! K& M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。
0 G. I% Z- i3 E7 N2 x


' f' l9 k3 G$ B- F' R& [  K2 @: u7 |

" P5 s; Q( }7 B0 p3 c3 s4 vAI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。
6 [) o$ R) C3 U0 ^# X0 X- l
# ?" C0 {/ {0 |' o$ D7 P
; k3 H& y$ R$ s4 h) iAI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。
5 o) J8 [& N  P+ n5 A
* E! k1 G( ~% |* v3 ~; Y8 b
6 j/ w, `# x, F: C+ A; j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。

) g% X4 }" L! G
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。

7 p1 f& H& `' `9 H" I- 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。


2 H7 o& r8 r" h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。

2 D. ^! ~9 P- ~

. P. N# U7 t; H, G( ~
! F0 A9 X1 x2 H  W/ L6 i- p8 W. L1 z5 s
& n# H, L. I( g1 d9 m" X4 ~7 q# f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。


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。
' Z$ i4 t& k7 B" D; S' C' J/ b
2 l* ?5 D9 n+ O3 r& h

感谢分享