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。

理论基础：
首先设计一个3层的神经网络：
结构如下：
/ c& \) V; N7 \7 o

$ |! |$ c3 X7 W/ H0 F: r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

0 S9 i8 N* U. H. X( h4 r3 a8 m5 n神经网络计算公式如下：
; o4 i) ?1 [( Jinputx 为输入矩阵，w1， b1 为第一层的权重和偏移量
& z; ~3 l$ {- Q- X# w; [
第一层计算
5 a. X2 u1 l, M6 wz1= inputx *w1+b1
y2 =f(z1)   f() 为sigmoid激活函数

* y* }4 ^' k1 F% |( X' B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
/ X6 |" H7 T* f- I7 w2 [% Y2 X$ X& @9 Dy3 = f(z2)   f() 为sigmoid激活函数
: V- p' r; i* V1 `1 ky3 为输出结果矩阵
; _! _( P, ~8 T2 x3 z9 f
& U# H% ?' l1 i; I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。

经过20次训练得到准确率96%
, C- R* z* K6 F. k7 F% A" n  K

模型训练好了后把参数导出来。

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
2 Z& C) z: J! k6 M* D5 e
% o: |) U: s8 X  I, W# nSTM32实现
4 \, e+ k/ _5 E( U/ u在STM32上使用的是DSP库函数进行矩阵乘法运算
  r1 x: b& L, z. \! v# {
3 w( Y' T6 N3 i% v1 R  }% H核心函数是arm_mat_mult_f32()
; D/ h& K. g1 L! h6 I$ \
7 [; @' R0 T. A5 j# j, @arm_mat_mult_f32(&input,&w1,&z1)表示 矩阵乘法：z1 = input*w1
& F* I) T, F% n; S0 f
核心代码
7 |" E, X2 s) n; q, t0 i

: Q9 ?6 Y9 \: E& W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。
7 s# t2 P" H2 m1 G3 F/ L4 U
完整项目代码和硬件原理图参考：https://github.com/lvjlcn/NeuralNetwork_STM32_Handwriting.git
( U/ r* V  Q" a! \% S
文章出处：物联网电子世界
4 _; _9 }5 K* U5 H
& n- @& q9 `( o6 D# Y