Willkommen bei Ampheoelec.de !
Deutsch
shop_car Geschäft
rfq Anfrage
Benutzer Benutzer
Heim Der Blog Blog Details

Wie implementiert man ein neuronales Netzwerk mit mehreren Klassen mit STM32F103?

June 10 2025
Ampheo

Anfrage

Globaler Lieferant elektronischer Komponenten AMPHEO PTY LTD: Umfangreiches Inventar für One-Stop-Shopping. Einfache Anfragen, schnelle, individuelle Lösungen und Angebote.

SCHNELLE ANFRAGE
ZUR RFQ-LISTE HINZUFÜGEN
Wie implementiert man ein neuronales Netzwerk mit mehreren Klassen mit STM32F103?

Die Implementierung eines mehrklassigen neuronalen Netzwerks auf einem STM32F103 (Cortex-M3, 72 MHz, keine FPU, begrenzter RAM/Flash) ist aufgrund seiner begrenzten Ressourcen eine Herausforderung, aber es ist für kleine Netzwerke und niedrigdimensionale Eingänge (z.B. 2D/3D-Sensoreingänge) möglich.

Wie implementiert man ein neuronales Netzwerk mit mehreren Klassen mit STM32F103?


Hier ist, wie Sie es Schritt für Schritt tun können:

1. Ein kleines neuronales Netz am PC entwerfen

Verwende Python mit TensorFlow/Keras, um ein Modell zu erstellen und zu trainieren:

python
 

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical
import numpy as np

# Beispiel-Datensatz
X = np.array([[0.1, 0.2], [0.9, 0.8], [0.2, 0.9], [0.8, 0.1]])
y = to_categorical([0, 1, 2, 0], num_classes=3)

# Kleines neuronales Netz
model = Sequential([
    Dense(6, input_shape=(2,), activation='relu'),
    Dense(3, activation='softmax')  # 3 Klassen
])

model.compile(optimizer='adam', loss='categorical_crossentropy')
model.fit(X, y, epochs=200)

 2. Modell in C konvertieren (ggf. quantisiert)

Möglichkeiten:

  • STM32Cube.AI (offizielles ST-Tool)

    • Wandelt Keras/TensorFlow-Modelle in optimierten C-Code für STM32 um

    • Integriert sich in STM32CubeMX

  • uTensor, CMSIS-NN oder TensorFlow Lite for Microcontrollers (TFLM)

    • Leichtgewichtige Inferenz-Engines für ARM Cortex-M

 Für STM32F103 ist Ganzzahl-Quantisierung (8-Bit) empfehlenswert:

bash
 
# Modell quantisieren (TFLite)
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

 3. In STM32-Projekt integrieren

A. Mit STM32Cube.AI:

  1. STM32CubeMX + STM32Cube.AI Plugin installieren

  2. .h5-Modell importieren

  3. X-CUBE-AI Middleware aktivieren

  4. Code generieren

  5. Mit aiRun() Eingabedaten übergeben und Ausgabeklasse erhalten

B. Manuell (für sehr kleine Modelle):

Wenn manuell:

  • Gewichte und Bias extrahieren

  • Forward-Pass in C implementieren:

c
 

float relu(float x) {
    return x > 0 ? x : 0;
}

void forward(float* input, float* output) {
    // Schicht 1 (2 Eingaben → 6 Neuronen)
    float hidden[6];
    for (int i = 0; i < 6; ++i) {
        hidden[i] = relu(input[0]*w1[i][0] + input[1]*w1[i][1] + b1[i]);
    }

    // Ausgabeschicht (6 → 3)
    for (int i = 0; i < 3; ++i) {
        output[i] = hidden[0]*w2[i][0] + ... + b2[i];
    }
    softmax(output, 3);
}

 4. Ausführen und Testen

  • Firmware mit STM32CubeIDE auf den STM32 flashen

  • Eingabedaten über UART senden oder Sensoren verwenden

  • Vorhergesagte Klasse über UART oder Display ausgeben

 Optimierungstipps

  • Festkomma-Arithmetik verwenden (Q7, Q15 Typen)

  • CMSIS-DSP für Matrixoperationen nutzen

  • Wenn verfügbar, CMSIS-NN verwenden – optimiert für Cortex-M

  • Modell so klein wie möglich halten: z. B. Architektur 2–1–3 oder 2–4–3

 Ressourcen

Ampheo
STM32F103neuronales NetzwerkSTM32Mikrocontrollers
Was sind die Unterschiede zwischen FPGA- und DSP-Prozessoren für die Signalverarbeitung?

Verwandte Artikel

Folgen Sie uns
Weitere Informationen über uns finden Sie in den folgenden sozialen Medien. Interagieren Sie mit uns!
AmpheoAmpheoAmpheoAmpheo
Kontakt mit uns
[email protected]
INFORMATION
Um Kontakt Zertifizierung Alle Hersteller Qualitätsprüfung Testbericht
RICHTLINIEN
Versand & Lieferung Rückerstattung und Rückgabe Allgemeine Geschäftsbedingungen Datenschutzrichtlinie
WERKZEUGE
Anfrage
Zahlung
Transport
Warenzeichen

Alle Rechte vorbehalten © 2025 AMPHEO PTY LTD