
简介 AI 是所有研究的机器模仿人类等认知能力的超集。例如: • 与环境的交互 • 知识表示 • 感知 • 学习 • 计算机视觉 • 语音识别 • 解决问题等等。 7 t& ` C( O4 G3 A: B9 B![]() 机器学习是AI的分支,在计算机科学领域的应用使计算机无需显式编程就能学习。机器学习由能够基于数据进行学习和预测的算法组成: • 这类算法在前面样本基础上进行训练,以构建和估计模型; • 在传统编程不可行的情况下,通常采用机器学习; • 如果经过适当的训练,可以适应新的案例应用。 机器学习有不同的实现方法,其中包括常见的: • 决策树 • 聚类 • 基于规则的学习 • 归纳逻辑编程 • 深度学习 $ c1 r5 B% L; s/ ^7 X深度学习是利用神经网络进行的学习。 • 灵感来自生物神经网络 • 深度是指有很多中间的学习步骤. • 需要大量数据 ![]() ![]() 数据量大小与算法表现的关系 ; b5 R |5 J, J7 h1 q; V随着近年来数据量的增加,深度学习的性能开始体现出优势,也引起更多的关注。 ![]() STM32在AI市场定位及案例 ! ]! P' y6 j$ L$ c' G R1 v2 j![]() 最新机器学习合作伙伴请参考下面链接。 " ]9 [) r. t, n0 c& L1 g8 p目前STM32用作AI应用的优势在于: • 低功耗 • 通用性 (用1颗芯片既满足AI又满足通用需求) • 丰富的产品系列 • 工业级品质及10年供货保障 ![]() ![]() ![]() ![]() STM32相关的深度学习资源 ![]() 1. 获取数据 ST提供硬件开发板和软件采集数据。 A. 运动、声音类数据 硬件开发板: SensorTile、SensorTile.Box、IOT Node (B-L475E-IOT01A) 购买渠道: 软件: ![]() ![]() ![]() 2. 数据清洗、打标 ST同时提供手机端APP直连硬件开发板,作为数据初筛和收集的平台。 STBLE Sensor APP (支持Android、IOS,源码开放) , K! ~! f: X+ g3. 训练神经网络模型 神经网络训练在服务器或者PC端完成,ST不提供方案。 4. 将模型转换为MCU上执行的优化代码 Cube.AI工具是CubeMX的AI扩展包,可以在CubeMX内下载或者在点击下载 支持的神经网络模型框架有Lasagne、Keras、Caffe、ConvNetJs、Tensorflow Lite、可以导出为ONNX标准的框架(PyTorch™, Microsoft® Cognitive Toolkit, MATLAB® 以及更多),最新支持请参考Cube.AI的release note。 9 a; E. T- w/ m5 m5 q/ B! ~7 NCube.AI 工具具有的功能有: • 转换模型文件到运行在STM32上的C代码 • 对模型文件做CPU、RAM、Flash资源分析,显示适配MCU型号 • 对模型做整型量化或者深度压缩 • 更多功能更新中… 使用教程请参考, 基于STM32开发人工智能应用 5. 使用训练好的模型分析数据 A. 运动、声音类数据 硬件开发板: SensorTile、SensorTile.Box、IOT Node (B-L475E-IOT01A) 软件: B. 图像类数据 硬件开发板: STM32H747I-DISCO + STM32F4DIS-CAM或者OpenMV 购买渠道: 软件: 如何在OpenMV生态系统中集成STM32Cube.AI生成的代码 (文档待上传) AI方向的大学计划 UCLA: Internet of Things and EmbeddedMachine Learning 苏州大学王宜怀教授:物体认知系统 |
【STM32N6570-DK评测】1.开箱测评
【STM32N6570-DK评测】1.你好N6
实战经验 | STM32 AI Model Zoo 的安装及实例介绍
【STM32H7S78-DK评测】移植AI框架TensorFlow【DSP指令加速篇】
【STM32H7S78-DK评测】移植AI框架TensorFlow【下篇】
【STM32H7S78-DK评测】移植AI框架TensorFlow Lite【上篇】
【STM32H7S78-DK评测】移植边缘AI推理框架——TFLM(TensorFlow Lite for Microcontrollers)上篇
破解边缘AI硬件与软件挑战,意法半导体解读三大创新要点
意法半导体助力企业产品智能化,加快边缘人工智能应用
STM32不至于芯,2023济南站研讨会