STM32近日推出了Cube.AI人工智能神经网络开发工具包，目标是将AI引入微控制器供电的智能设备，位于节点边缘，以及物联网，智能建筑，工业和医疗应用中的深度嵌入式设备。

简而言之，以后就可以在嵌入式MCU上跑AI模型了，买了一块开发板来做一些尝试，做一下记录。

Cube.AI的主要特点：

• 从预先训练的神经网络模型生成STM32优化的库。
• 支持各种深度学习框架，如Keras，Caffe，ConvnetJS和Lasagne.
• 通过STM32Cube™集成，可轻松实现不同STM32微控制器系列的便携性。
• 免费，用户友好的许可条款。

更多相关信息，请参看：

https://www.st.com/en/embedded-software/x-cube-ai.html?icmp=tt9145_gl_pron_dec2018​www.st.com

如果电脑上没有安装过STM32的开发环境，需要首先安装STM32 CubeMX与IAR。STM32 CubeMX可以在STM32官网上下载。

以下为教程部分，建议有条件的小伙伴结合官方视频进行观看，https://www.youtube.com/watch?v=grgNXdkmzzQ&t=396s 。

先安装好CubeMX，打开后，在最右边栏的Manage software installations中选择INSTALL/REMOVE，安装其中的X-CUBE-AI，约700M大小。

之后创建工程，在左上角输入所用的MCU型号，以我的板子为例，输入STM32F767。选择好型号以后，把左边栏的Artificial Intelligence勾选Enable。

我们使用官方提供的模型进行测试，https://github.com/Shahnawax/HAR-CNN-Keras

HAR意为Human Activity Recognition (HAR) system，即人类行为识别。这个模型是根据人一段时间内的3D加速度数据，来判断人当前的行为，比如走路，跑步，上楼，下楼等，很符合Cortex-M系列MCU的应用场景。使用的数据如下图所示。

我们下载其中的model.h5文件，虽然还没有细看这个网络的结构，但从模型大小就能略知一二，只有8.48MB，果然MCU还是只能运行小一点的网络。

按下图配置进行选择，注意Compression要选择为4，如果选择不压缩的话，需要的Minimum Flash为2.8MB，就连F767也无法满足。进行Compression为4的压缩后，需要的Minimum Flash为775.52KB。Cortex-M3-M7系列大部分MCU的片上Flash均为1M~2M，可以满足。但Compression会损失部分精度，应在硬件能承受的范围内，尽量选择小的压缩率。

配置完成后，点击右上角的Start Project进行下一步。

选择Additional Software，进入后把AI相关的两个包点开，第一个选择Validation，第二个打上勾。

之后左边栏中的Additional Software点开，选择其中的X-CUBE-AI，弹出的Mode窗口中两个复选框都打勾，Configuration窗口中，点开network选项卡，配置应该和创建工程时输入的一样。

可以点击Validate on desktop进行验证，下方Output选项卡中会输出Validation OK，还有一些验证的细节。

接下来配置MCU，实际烧写一下，看看能不能work。

首先配置USART串口，我们通过串口来查看板子打印的信息，我这里使用USART3，分别是PD8与PD9。在右边芯片中找到这两个引脚，配置成USART3_TX与USART3_RX。然后在最左的Connectivity中找到USART3，设置为Asynchronous，右边引脚变绿，证明配置完成。

然后在System Core中进行配置，点击CORTEX_M7，将CPU ICache与CPU DCache均设为Enabled。

最后进行时钟的配置，在最上方选择Clock Configuration，把HCLK配置为板子的最大时钟，F767最大支持216MHz。

时钟配置完后，回到Pinout&Configuration选项卡，在Additional Software中（就是我们刚刚检查network模型文件的地方）选择PlatformSettings，COM Port选择为我们刚刚配置的USART3。

至此配置完毕，选择Project Manager，进行代码导出，需要注意的是Linker Settings中Minimum Heap Size要设为0x2000。最后点击最上方GENERATE CODE。

生成代码后，选择Open Project，若已安装IAR，会自动使用IAR打开。可以看到工程的文件结构如下图所示，里面包含了生成好的可以在STM32上运行的模型文件和模型数据。

代码烧写在芯片里后，回到CubeMX中下图所示位置，我们点击Validate on target，在板上运行验证程序，效果如下图，可以工作，证明模型成功部署在MCU中。

这次就这样先跑一下官方的例程，以后再研究一下，跑跑自己的模型。

之后有空会把它和Intel计算棒还有显卡做一个对比，对比一下功耗、速度、支持模型的大小、模型部署难易程度等，看看边缘计算各种设备的优劣之处。

以后这个专栏还会出些有趣的实践项目，欢迎大家关注。

转载请联系作者并注明出处，侵权必究。