深度嵌入式AI的設(shè)計(jì)秘訣

您應(yīng)該注意人工智能 （AI） 的兩個關(guān)鍵方面。首先，它被設(shè)計(jì)成越來越多的處于網(wǎng)絡(luò)深處的嵌入式系統(tǒng)，從工業(yè)控制到汽車應(yīng)用，再到消費(fèi)/大眾市場設(shè)備。因此，您很有可能需要了解如何使用這些與 AI 相關(guān)的組件。

第二個方面是，圍繞人工智能進(jìn)行設(shè)計(jì)可能是一項(xiàng)復(fù)雜的工作。這就是我們進(jìn)來的地方。我們來這里是為了提高您這樣做的生產(chǎn)力，并提供在人工智能領(lǐng)域取得成功的秘訣；我們會為您指明正確的方向，因此您成功的可能性非常高。

人工智能設(shè)計(jì)的秘訣可以像任何其他嵌入式系統(tǒng)一樣開始——盡管選擇正確的微處理器/微控制器可能應(yīng)該考慮“人工智能友好”生態(tài)系統(tǒng)的可用性。在這種情況下，我們將從 STM32 開始。該生態(tài)系統(tǒng)包括STM32Cube.AI，這是 ST 工具包中的一個包，可以與深度學(xué)習(xí)庫互操作，以自動轉(zhuǎn)換預(yù)先訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)，并將這種轉(zhuǎn)換映射到幾乎任何 STM32 微控制器 （MCU）。

人工智能配方的下一個成分是人工智能深度學(xué)習(xí)開放軟件?？梢允褂酶鞣N框架，最常見和流行的是 TensorFlow、Keras、Pytorch 和 Caffe。在您的框架內(nèi)，您可以生成神經(jīng)網(wǎng)絡(luò)庫，這要?dú)w功于 ST 在 AI 應(yīng)用程序包中提供的預(yù)訓(xùn)練模型。

例如，使用 Keras 或 TensorFlow，您基本上可以創(chuàng)建一個拓?fù)淠Ｐ蛠肀硎灸纳窠?jīng)網(wǎng)絡(luò)或節(jié)點(diǎn)網(wǎng)絡(luò)。每個節(jié)點(diǎn)都可以是對具有不同復(fù)雜程度的張量的操作，從簡單的數(shù)學(xué)函數(shù)向上（例如加法）到復(fù)雜的多變量非線性方程。

這些操作返回繪制在網(wǎng)絡(luò)圖上的數(shù)據(jù)。有點(diǎn)棘手的地方是，一個操作可以使用和生成超過二維的數(shù)據(jù)，稱為張量。這個對話有點(diǎn)深入，超出了本文的范圍，但有一些很好的參考資料可供參考。

然后這種轉(zhuǎn)換由一個工具執(zhí)行，該工具可以生成一個庫，該庫生成可以集成到項(xiàng)目中的代碼；STM32Cube.AI 及其輸出庫可以在任何 STM32 MCU 上運(yùn)行。為了進(jìn)一步簡化其客戶的集成，ST 在單獨(dú)的功能包中生成了一些端到端應(yīng)用示例，用于運(yùn)動、音頻和圖像分析。

既然您已經(jīng)擁有了重疊的硬件和軟件，下一步將是使用您新生的嵌入式系統(tǒng)或從其他來源獲取一些測試數(shù)據(jù)。測試數(shù)據(jù)使用 Keras 或 TensorFlow Lite 等工具訓(xùn)練神經(jīng)網(wǎng)絡(luò)。正如您所期望的那樣，這是一個持續(xù)的迭代過程，因此模型會不斷完善、更新和改進(jìn)，直到您達(dá)到所需的準(zhǔn)確度水平。該訓(xùn)練過程生成的模型可以由 STM32Cube.AI 工具自動轉(zhuǎn)換為 STM32 MCU 的優(yōu)化運(yùn)行時庫。

STM32L476系列 MCU為 AI 配方提供了主要成分。

準(zhǔn)備好開始您的 AI 設(shè)計(jì)了嗎？如果是這樣，您可以根據(jù)您的應(yīng)用使用各種 MCU 中的任何一種。ST發(fā)布了許多視頻，展示了其 MCU 的一系列應(yīng)用。雖然您的性能要求可能不同并導(dǎo)致選擇不同的 MCU，但您可以在高性能 STM32H7 上進(jìn)行對象分類，或在 80 MHz STM32L476JGY或類似微控制器上進(jìn)行可穿戴/健康應(yīng)用。

最重要的是，人工智能很可能會出現(xiàn)在你的未來，如果它還沒有出現(xiàn)在你的現(xiàn)在。因此，如果您還不熟悉如何將其整合到您的設(shè)計(jì)中，那么是時候?qū)W習(xí)了。一個重要提示：人工智能生態(tài)系統(tǒng)正在迅速發(fā)展，因此明智的做法是選擇路線圖顯示他們對變化速度的理解并且其投資表明他們愿意跟上步伐的供應(yīng)商。

審核編輯：郭婷