锦鲤不能白拿啊,回馈社区写三篇cubeMX的AI教程 。最终实现前几天所发布的图片(https://www.stmcu.org.cn/module/forum/thread-620501-1-1.html),先介绍CNN和LeNet。 CNN并不复杂,主要是由卷积操作(对于电子出身的我们,这个不熟起码也听说过)+激活和池化(pooling),,几个层不断连接。最后输出到全连接和softmax,产生一个输出,这个输出是一个向量,向量长度和我们的分类个数一致。1 _; M# Z# D. @; m7 C7 D5 b& C 先介绍卷积操作: 注意卷积操作改变了输入矩阵的大小(4x3 -> 3x2),少了一行一列。在这里会有另外一个操作 补零(padding),在缺少的一行一列上补零。4 I# Y% D# D, m9 @1 L 激活函数,整流线性单元 (ReLU)。一个图就可以看清楚。 池化:池化很容易理解, 6 _* @0 A8 ]3 s' x" v8 L 全连接和softmax都比较容易理解,大家可以参考博客等。图片均来自网络和deep learning book(深度学习圣经级教科书) G; I5 c: Z/ W) }/ [ 8 I. w3 ?& J8 B2 B' f, ~1 Q& g# v LeNet-5(没记错的话是lecun所创建的网络)是一个较简单的卷积神经网络。下图显示了其结构:输入的二维图像(28x28 8bits gray),先经过两次卷积层到池化层,再经过全连接层,最后使用softmax分类作为输出层。 本次AI model移植采用了caffe 训练模型,cubemx ai组件来翻译,需要caffemodel和lenet网络结构描述文件(prototxt)。 下篇跳过caffe(网上大量教程资源,不赘述),直接来到移植和代码详解。0 a |; b/ [: }$ A+ H$ h" s |
破解边缘AI硬件与软件挑战,意法半导体解读三大创新要点
意法半导体助力企业产品智能化,加快边缘人工智能应用
哪些传感器嵌入式功能适用于我的应用?
线下实训 | ST端侧人工智能之视觉检测
意法半导体嵌入式 AI 解决方案增加简化机器学习开发的高级功能
【Wio Lite AI视觉开发套件】+摄像头图像采集
全站首个NanoEdge_AI试用(dogs)
线下实训 | ST端侧人工智能之计算机视觉实践课程
Cube.AI【4】cifar10 在魔改Nucleo STMF767平台上的测试
基于STM32的机器学习工具 - NanoEdge AI Studio
Tensorflow上手有点难度。
( g3 F4 G3 ^6 M( N: R
这个链接没内容了