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。+ [! f3 V" I. X. C. X9 s+ e: j! c % n& H" I: I& K+ y 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。2 P$ Q$ y6 Q: ^8 @ " i/ \% c. x* B7 ^! A, Y 0 B1 T) y, U: p; E / X j0 I' A% _% t AI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。3 ~$ m2 F8 p2 b% P; c, y ; D9 N* `& G' z: N2 u X. y& h6 b Y# l$ E AI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。 ) n$ l/ R" N! m( ~) s# Y 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。 3 c* o: y- ^4 Y& @; x 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。 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。 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。 4 U5 _0 Y. E6 G- s% b4 i / W* N/ @: }! T; V6 h# O 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。4 H/ X; g& ^0 x( c9 f* g5 A # Z- s9 R+ a' Y) m # W3 ^+ K6 K8 R+ K8 b 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。 |
感谢分享 |