摘要：為什么可以在STM32上面跑神經網絡？簡而言之就是使用STM32CubeMX中的X-Cube-AI擴展包將當前比較熱門的AI框架進行C代碼的轉化，以支持在嵌入式設備上使用，目前使用X-Cube-AI需要在STM32CubeMX版本5.0以上，支持轉化的模型有Keras、TFlite、ONNX、Lasagne、Caffe、ConvNetJS。Cube-AI把模型轉化為一堆數組，而后將這些數組內容解析成模型，和Tensorflow里的模型轉數組后使用原理是一樣的。

一、環境安裝和配置

STM32CubeMX
MDK/IAR/STM32CubeIDE
F4/H7/MP157開發板

二、AI神經網絡模型搭建

這里使用官方提供的模型進行測試，用keras框架訓練：

https://github.com/Shahnawax/HAR-CNN-Keras

模型介紹

在Keras中使用CNN進行人類活動識別：此存儲庫包含小型項目的代碼。該項目的目的是創建一個簡單的基于卷積神經網絡(CNN)的人類活動識別(HAR)系統。該系統使用來自3D加速度計的傳感器數據，并識別用戶的活動，例如：前進或后退。HAR意為Human Ac tivity Recognition(HAR)system，即人類行為識別。這個模型是根據人一段時間內的3D加速度數據，來判斷人當前的行為，比如走路，跑步，上樓，下樓等，很符合Cortex-M系列MCU的應用場景。使用的數據如下圖所示。

HAR用到的原始數據

存儲庫包含以下文件

HAR.py，Python腳本文件，包含基于CNN的人類活動識別（HAR）模型的Keras實現，
actitracker_raw.txt、包含此實驗中使用的數據集的文本文件，
model.h5，一個預訓練模型，根據訓練數據進行訓練，
evaluate_model.py、Python 腳本文件，其中包含評估腳本。此腳本在提供的 testData 上評估預訓練 netowrk 的性能，
testData.npy，Python 數據文件，包含用于評估可用預訓練模型的測試數據，
groundTruth.npy，Python 數據文件，包含測試數據的相應輸出的地面真值和
README.md.

這么多文件不要慌，模型訓練后得到model.h5模型，才是我們需要的。

三、新建工程

1.這里默認大家都已經安裝好了STM32CubeMX軟件。

在STM32上驗證神經網絡模型(HAR人體活動識別)，一般需要STM32F3/F4/L4/F7/L7系列高性能單片機，運行網絡模型一般需要3MB以上的閃存空間，一般的單片機不支持這么大的空間，CUBEMX提供了一個壓縮率的選項，可以選擇合適的壓縮率，實際是壓縮神經網絡模型的權重系數，使得網絡模型可以在單片機上運行，壓縮率為8，使得模型縮小到366KB，驗證可以通過；

然后按照下面的步驟安裝好CUBE.AI的擴展包

這個我安裝了三個，安裝最新版本的一個版本就可以。

接下來就是熟悉的新建工程了

因為安裝了AI的包，所以在這個界面會出現artificial intelligence這個選項，點擊Enable可以查看哪一些芯片支持AI

接下來就是配置下載接口和外部晶振了。

然后記得要選擇一個串口作為調試信息打印輸出。

選擇Software Packs，進入后把AI相關的兩個包點開，第一個打上勾，第一個選擇Validation。

System Performance工程：整個應用程序項目運行在STM32MCU上，可以準確測量NN推理結果，CP∪U負載和內存使用情況。使用串行終端監控結果（e.g.Tera Term）
Validation工程：完整的應用程序，在桌面PC和基于STM32 Arm Cortex-m的MCU嵌入式環境中，通過隨機或用戶測試數據，遞增地驗證NN返回的結果。與 X-CUBE-A驗證工具一起使用。
Application Template工程：允許構建應用程序的空模板項目，包括多網絡支持。

之后左邊欄中的Software Packs點開，選擇其中的X-CUBE-AI，彈出的Mode窗口中兩個復選框都打勾，Configuration窗口中，點開network選項卡。