ST多年来一直从事人工智能研究和开发。作为大批量，广泛市场，嵌入式处理解决方案的领先供应商，我们专注于开发可扩展，灵活的产品和技术，以允许AI方法使各种设备受益，支持几乎无限数量的用例。

AI在STM32微控制器上

将来，几乎所有带有32位微控制器的设备都能够使用AI技术。更具体地说，他们将能够运行经过训练以完成特定任务的DNN（深度神经网络）。

虽然目前大多数微控制器没有内存和处理能力来运行创建DNN所需的学习算法，但只要网络针对微控制器进行了优化，它们就可以自己运行DNN。

ST创建了一个工具，可以为微控制器优化DNN 。STM32CubeMx.AI计划于今年晚些时候发布，作为STM32软件生态系统的一部分。

1、将您预先训练的神经网络依赖框架输入STM32 CUBMEX。

2、STM32优化库自动快速生成代码

3、STM32 CUBMEXX.AI保证了与最先进的深度学习设计框架的互操作性。

工具采用来自各种最流行的AI框架（包括Caffe，CNTK，Keras，Lasagne，TensorFlow和theano）的预训练神经网络模型输出，并将其映射到适合记忆的优化DNN和目标STM32微控制器的处理能力。

该工具还可以检查适配的DCNN的功能 – 它可以比原始的小10倍，精度损失可以忽略不计。

专用AI处理硬件的高级研发

ST开发了一种先进的片上系统演示器，可实现超高能效的DCNN处理。它解决了图像，视频和自然语言处理在数据速率和实时处理性能方面的挑战性要求。该演示器在28nm FD-SOI片上系统中结合了8个卷积加速器，8个双DSP集群和一个优化的分布式存储器架构。它在2017年初实现了2.9 TOPS / W @ 200MHz，0.575 V的效率。

常见框架的简洁；

Keras是由纯python编写的基于theano/tensorflow的深度学习框架。

Lasagne是 Theano 中的一个轻量级库.

TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。

Caffe/Caffe2，全称Convolutional Architecture for Fast Feature Embedding。是一种常用的深度学习框架，在视频、图像处理方面应用较多。

Theano 基于 Python，是一个擅长处理多维数组的库（这方面它类似于 NumPy）。当与其他深度学习库结合起来，它十分适合数据探索。它为执行深度学习中大规模神经网络算法的运算所设计。其实，它可以被更好地理解为一个数学表达式的编译器：用符号式语言定义你想要的结果，该框架会对你的程序进行编译，来高效运行于 GPU 或 CPU。

Computational Network Toolkit (CNTK) 是微软出品的开源深度学习工具包。

官方就放出来几张图，据说是要把CUBEMX升级成CUBEMX.AI。

说实在的，单片机发展起来搞AI也是正常的。

而且如今单片机性能如此强劲，不过，事实上这个东西我感觉应该是建立在M7内核以上了，超高性能单片机应该比较有可玩性，但是价格就有点不亲民了。

性能相对较低的F1系列，以及低功耗系列L才是STM32赚钱的地方，像F7和H7系列虽然性能强劲，但是毕竟价格也贵，而且性能相比竞品也没有突出优势。反观ATMEL以及NXP这些东西就有优势的多了，只是在消费级市场STM32太受欢迎了。

无论如何我们乐于看到新的框架新的工具出现在STM32工具平台上，虽然那个CUBEMX生成的代码经常会有问题。在此之前CMSIS-NN就是ARM官方出的AI框架，以及基于这个东西有人做出来的OPENMV，事实上还是蛮不错的，可玩性很高。

官方推这个还是很不错的，如果真的能搞起来估计又是消费级市场腥风血雨，反观开发者，又要无止境的学习学习学习。哈哈。学海无涯，回头是岸！

如何评价ST的STM32CubeMX.AI？http://t.jinritoutiao.js.cn/d5FYUc/

转载请注明：徐自远的乱七八糟小站 » 如何评价ST的STM32CubeMX.AI？