本帖最后由 sumoon_yao 于 2020-12-27 22:31 编辑
本人学习的垂直应用名称: 人工智能 https://www.stmcu.com.cn/ecosystem/app/ai
AI的一个重要分支之一就是机器学习,而机器学习里面最重要的一个方法就是深度学习,深度学习是利用神经网络进行的学习,其灵感来自生物的神经网络,使用大量的数据,通过很多的中间学习步骤,得到所需要的正确结果。
深度学习的优势和劣势也是显而易见的:
但是随着参与学习的数据量的增加,深度学习的性能优势开始体现:
因此深度学习在各行各业也得到了越来越广发的应用。
ST公司在深度学习这块也提供了从底层硬件到上层应用软件包等各类产品,其市场主要定位为:
1、基于声音的应用,包括:
声音事件的分类:机器异常、家庭报警、玻璃破碎报警
声音时间的检测:基于多普勒效应的车辆计数
声音唤醒:声音检测用来唤醒复杂的算法
情感感知:车辆环境、工厂活动、人的存在检测
2、低端机器视觉市场,包括:
机器视觉来取代声音的交互方式:手势识别等
预测性维护:产品缺陷检测等
视觉唤醒:人形检测来触发更复杂的视频算法等
低精确度图像处理:简单图片分类等
3、状态检测和预测性维护,包括:
工业:生产和过程自动化等
汽车和运输:车辆、轨道等
家电:照明、洗衣机等
神经网络开发流程如下图所示:
ST公司除了模型训练这块不提供支持外,其余节点都提供了相应的硬件或者软件包。
1、获取数据
提供了各类硬件开发板和传感器模块等,用于声音、运动等数据的采集;
2、数据清洗、打标
ST同时提供手机端APP直连硬件开发板,作为数据初筛和收集的平台;
3、模型训练
ST不提供支持;
4、将模型转换为MCU上执行的优化代码
ST提供了CubeMX的扩展包,支持的模型框架包括:Lasagne、Keras、Caffe、ConvNetJs、Tensorflow Lite等,软件包的主要功能有:转换模型文件到运行在STM32上的C代码、对模型文件做CPU、RAM、Flash资源分析,显示适配MCU型号、对模型做整型量化或者深度压缩等;
5、使用训练好的模型分析数据
提供了各类硬件开发板对声音、运动类数据和图像类数据的分析;
神经网络开发最核心的部分是如何训练神经网络模型,模型训练的好坏直接关系到整个应用的成败。从训练数据的预处理、创建模型、算法选择、调整、到训练过程等等。
通过这周垂直应用的学习,知道了ST正在研发STM32Nx处理器,希望这一系列早日面世。
分享的相关资料:
DM00570145_ENV5.pdf
(4.39 MB)
|