|
MCU上跑深度学习模型，很大程度上精度要求并不高，实时性要求较高，在一定要求下，牺牲精度保证速度的方法为数不多，量化是最优质的选择。 本次测试模型不大，所以精度没有损失，实测0-9只有两个识别错误，量化和未量化的预测结果一致，速度提高一倍。8 e1 Q0 o4 n% Q6 [ 附上源码，给各位大佬参考。* f& R, K6 ^; R" Y; q' s 
! x' l" {3 O+ j- t& R9 b8 k& a ( X& G9 |6 C/ @' N. s7 n2 T% K - E) p5 c1 i4 t; \" n |
Mnist.rar
下载914.81 KB, 下载次数: 16
æºç å模å
| 谢谢分享！！！ |
【STM32H5 评测】MNIST 数字识别
STM32在边缘AI的布局及能力版图
从家电到机器人：STM32边缘AI应用案例拆解
STM32U3B5/U3C5：为超低功耗设计带来高性能 DSP 与边缘 AI
【NUCLEO-U3C5ZI 测评】+ 手写数字识别
【STM32U3 评测】MNIST 数字识别
AI玩具爆发前夜：技术拐点、体验鸿沟与破局路径
STM32 AI Model Zoo，现支持PyTorch的最大规模MCU AI模型集合
经验分享 | STM32 AFCI 方案 TensorBoard 使用指南：AI 模型调优可视化终极方案
STM32F334运行超轻量级神经网络推理框架TinyMaxi进行端侧推理
微信公众号
手机版
