5 A  w; M& C+ u% H7 b0 G( P2 m
! s, a. J/ V) ^5 h, {STM32是在国内非常流行的32位MCU芯片，它价格便宜，功能强大，已经占据国内MCU市场的半壁江山。大家知道，STM32 主打的是 arm-cortex M 芯片，也就我们常说的单片机芯片，它的处理能力不够强大，但它能不能运行对算力要求高的神经网络呢？答案是可以的，因为STM32的M4之上的芯片已经内置了DSP处理器，可以执行高精度浮点运算。正好可以拿来做神经网络计算。但是，神经网络计算除了要求能做浮点运算还要求可以存储大量的参数，这就需要大量的内存和flash空间，这也是单片机类芯片短板的地方。我们这次使用的单片机是M4系列的STM32F407，由于内存有限，我们仅仅实现了一个3层的神经网络，但也可以实现手写数字识别功能。
+ k1 [) S* D5 r/ y

$ n2 d& q) H; ~; }理论基础：
首先设计一个3层的神经网络：
. Q7 j$ ]6 e) U, {' z结构如下：

三层的神经网络，第一层是输入层，输入图片是28*28的分辨率，每个点作为输入的一个节点，所以总共有28*28=784个节点
4 h( @/ X5 B6 u" o0 z, ^
9 v2 d4 Q9 r3 }. V6 S$ @# b神经网络计算公式如下：
inputx 为输入矩阵，w1， b1 为第一层的权重和偏移量
$ W8 u  ?" }1 z: V! j+ \9 \, u
第一层计算
z1= inputx *w1+b1
y2 =f(z1)   f() 为sigmoid激活函数

第二层计算
z2 = y2*w2+b2  y2 为第一层输出，w2， b2 为第一层的权重和偏移量
y3 = f(z2)   f() 为sigmoid激活函数
y3 为输出结果矩阵

. H, r; D0 e. O$ D训练模型
0 c& N- o+ c; Q4 q( s% E& m9 d* g5 g神经网络的训练使用TensorFlow keras实现
. J5 X! P& _2 P) _6 x, L核心的代码如下

激活函数使用sigmoid函数，训练优化使用adam算法，损失函数使用交叉熵。
: q+ T" W4 ?( T* }8 {
" ?% j- A$ P4 G& R) M# `经过20次训练得到准确率96%
0 O  z6 k, _& s- i

# e& `/ X  [1 W模型训练好了后把参数导出来。
3 w, S& v/ Z1 g$ Q8 I0 \6 I# z

7 J5 x7 F  o$ U8 h7 m保存的文件分别是权重文件wight1.txt，weight2.txt,偏移量文件bias1.txt,bias2.txt

6 a) \, k, e8 N  q$ {" RSTM32实现
在STM32上使用的是DSP库函数进行矩阵乘法运算
, _4 ~3 @5 |6 T0 p$ T9 `* ]
核心函数是arm_mat_mult_f32()
4 p, b; O3 u( c3 W$ W
% M0 [8 d& u0 d. Warm_mat_mult_f32(&input,&w1,&z1)表示 矩阵乘法：z1 = input*w1
7 ?2 X: \; |* q& s; Q
& a; {3 n" H) j+ D2 F/ V  e核心代码

' C5 k8 Z% z4 R: }+ w2 A液晶屏和触摸屏代码移植的野火stm32 例程代码，实现把画的字转换为28*28矩阵输入给DSP函数。
$ a( r2 `& R& d3 i0 b- T! _
5 `; H5 v0 p& ~/ q. c- t3 G完整项目代码和硬件原理图参考：https://github.com/lvjlcn/NeuralNetwork_STM32_Handwriting.git

) |  y, L; N1 F/ [文章出处：物联网电子世界