隨著新的工具和功能可供我們開發人員在我們的系統中實施，機器學習讓嵌入式系統行業嗡嗡作響。 Arm Cortex-M 類型微控制器上的機器學習仍然相對較新，但有一些非常有趣的工具可供嵌入式開發人員更輕松地將經過訓練的模型集成到他們的產品中，一種這樣的工具是 ST Microelectronics STM32Cube.AI。

　　STM32Cube.AI 是 STM32CubeMX 的擴展包，可在 STM32 Arm(r) Cortex(R)-M 處理器上啟用 AI。 STM32Cube.AI 不為開發人員執行培訓，但允許他們導入經過訓練的模型并將其集成到他們的運行時環境中。你可以將 STM32Cube.AI 視為轉換工具，它采用神經網絡模型并生成可在 STM32 微控制器上運行的優化代碼。

　　最新的 STM32Cube.AI 版本 6.0 允許開發人員從流行工具導入機器學習模型，例如：

　　Keras

　　TensorFlow Lite

　　ONNX

　　開發人員甚至可以選擇是使用 STM32Cube.AI 運行時環境運行模型，還是使用 TensorFlow Lite for Microcontrollers 運行時。

　　將模型放入嵌入式環境是很容易的部分。 經常困擾嵌入式開發人員的問題是他們的機器學習模型是否能在微控制器上成功運行。 畢竟，諸如此類的問題：

　　運行機器學習模型需要多少個執行周期？

　　這個機器學習模型會占用多少閃存空間？

　　這個機器學習模型將占用多少 RAM 空間？

　　模型在目標上是否會像在訓練和驗證期間一樣準確？

　　STM32Cube.AI 有一個很棒的分析工具，可以用來回答很多這樣的問題。 例如，我從 TensorFlow Lite for Microcontrollers 網站訓練了一個超級簡單的示例模型，給定 x 值將預測正弦波的 y 值。 將模型導入 STM32Mx 后，我能夠分析模型并生成包含以下摘要的報告：

　　如你所見，摘要為我提供了用于該模型的內存大小，例如權重和激活以及執行機器學習模型所需的乘法和累加指令的數量。（這是一個超級簡單的模型，所以大小以字節為單位!對于現實世界的例子來說不是很現實）。

　　該報告還為模型提供了有用的細分，我們可以在其中看到神經網絡中的每一層：

　　這些只是 STM32Cube.AI 為準備進入微控制器機器學習世界的嵌入式系統開發人員提供的幾個小例子。 機器學習當然是新事物，而且發展迅速，但 STM32Cube.AI 是一款免費工具，可以幫助嵌入式開發人員輕松地將其機器學習模型轉換為在微控制器上運行。