7 W2 a# y* S# h$ c" d. U  M8 w; {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。

# b$ @7 J) Q& I1 X! l2 X9 W- \& p理论基础：
: V8 {! ~0 }6 g2 |/ q; C3 ]: e! y首先设计一个3层的神经网络：
结构如下：

# `/ g  o9 R# F. i/ P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
1 k' P2 n5 ^& m' Z: B
" M1 i- C% D& T& e2 ~; d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
* x3 N' x- f- D+ L" o* y8 w
第一层计算
z1= inputx *w1+b1
! k8 A+ h/ a9 L. }/ W) iy2 =f(z1)   f() 为sigmoid激活函数
* d2 T; T/ V" X9 Q5 T$ G" L2 v
第二层计算
* h, I0 Q# {' w; B9 h" U% Bz2 = y2*w2+b2  y2 为第一层输出，w2， b2 为第一层的权重和偏移量
$ v, s) E0 C6 t& d0 P4 py3 = f(z2)   f() 为sigmoid激活函数
y3 为输出结果矩阵

( q9 c5 R  V7 S! e1 v/ @% d) Q( N训练模型
神经网络的训练使用TensorFlow keras实现
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。
% E* W3 ^! X2 J2 @% k, O
经过20次训练得到准确率96%
3 @8 ~( y2 H$ l5 ?

- V+ f* P; x& S& p! T" ^' z# @+ h模型训练好了后把参数导出来。
) b/ P" g" C, K/ H2 l# \

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

STM32实现
/ r! D( s0 |9 f在STM32上使用的是DSP库函数进行矩阵乘法运算

核心函数是arm_mat_mult_f32()
% j6 b7 ?* Z" z! q" R- m# j8 ]
+ E: Y( [' I' o/ warm_mat_mult_f32(&input,&w1,&z1)表示 矩阵乘法：z1 = input*w1
% e% U1 J( y! K5 `$ s
核心代码

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。

, w- \8 j+ |+ j& f* }完整项目代码和硬件原理图参考：https://github.com/lvjlcn/NeuralNetwork_STM32_Handwriting.git

文章出处：物联网电子世界
. J5 m% X$ i2 N4 a* L. {/ e( T
" I/ i9 q& @/ I5 c! z