摘要：为什么可以在STM32上面跑神经网络？简而言之，就是使用STM32CubeMX中的X-Cube-AI扩展包，将当前比较热门的AI框架进行C代码的转化，以支持在嵌入式设备上使用。
目前使用X-Cube-AI需要在STM32CubeMX版本5.0以上，支持转化的模型有Keras、TFlite、ONNX、Lasagne、Caffe、ConvNetJS。Cube-AI把模型转化为一堆数组，而后将这些数组内容解析成模型，和Tensorflow里的模型转数组后使用原理是一样的。
这里使用官方提供的模型进行测试，用keras框架训练：
https://github.com/Shahnawax/HAR-CNN-Keras
在Keras中使用CNN进行人类活动识别：此存储库包含小型项目的代码。该项目的目的是创建一个简单的基于卷积神经网络（CNN）的人类活动识别（HAR）系统。该系统使用来自3D加速度计的传感器数据，并识别用户的活动，例如：前进或后退。
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：
存储库包含以下文件：
model.h5，一个预训练模型，根据训练数据进行训练，这么多文件不要慌，模型训练后得到model.h5模型，才是我们需要的。
这里默认大家都已经安装好了STM32CubeMX软件。
在STM32上验证神经网络模型（HAR人体活动识别），一般需要STM32F3/F4/L4/F7/L7系列高性能单片机，运行网络模型一般需要3MB以上的闪存空间，一般的单片机不支持这么大的空间，CUBEMX提供了一个压缩率的选项，可以选择合适的压缩率，实际是压缩神经网络模型的权重系数，使得网络模型可以在单片机上运行，压缩率为8，使得模型缩小到366KB，验证可以通过。
然后，按照下面的步骤安装好CUBE.AI的扩展包。
这个我安装了三个，安装最新版本的一个版本就可以。
接下来就是熟悉得新建工程了。
因为安装了AI的包，所以在这个界面会出现artificial intelligence这个选项，点击Enable可以查看哪一些芯片支持AI。
接下来，是配置下载接口和外部晶振。
然后，记得要选择一个串口作为调试信息打印输出。
选择Software Packs，进入后把AI相关的两个包点开，第一个打上勾，第一个选择Validation。
之后左边栏中的Software Packs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。
选择刚刚配置的串口作为调试用。
点击add network，选择上述下载好的model点h5模型，选择压缩倍数8。
点击分析，可从中看到模型压缩前后的参数对比。
点击validation on desktop 在PC上进行模型验证，包括原模型与转换后模型的对比，下方也会现在验证的结果。
致此，模型验证完成，下面开始模型部署。
时钟配置，系统会自动进行时钟配置。按照你单片机的实际选型配置时钟就可以了。
最后，点击GENERATE CODE生成工程。
然后，在MDK中编译链接。
选择好下载器后，就可以下载代码了。
然后，打开串口调试助手就可以看到一系列的打印信息了。
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。
参考资料：
