AIoT¶

TensorFlow

算法框架
算力芯片

算法框架 ¶

TF Lite
TinyML
Cube-AI

TF Lite ¶

TFmin 嵌入算法平台

TinyML ¶

分布最广的物联网设备往往体积很小、电量有限。它们被作为终端硬件，通过嵌入式传感器采集各种数据；计算能力有限，对功耗极为敏感。这类设备也能实现机器学习吗？一个趋势是，人工智能AI正在加快速度从“云端”走向“边缘”，进入到越来越小的物联网设备中。在终端和边缘侧的微处理器上，实现的机器学习过程，被称为微型机器学习，即TinyML。

在终端和边缘侧的微处理器上，实现的机器学习过程，被称为微型机器学习，即TinyML。更准确的说，TinyML是指工程师们在mW功率范围以下的设备上，实现机器学习的方法、工具和技术。

Cube-AI ¶

使用基于STM32 MCU的嵌入式系统的开发人员可能不熟悉神经网络。同样，从事机器学习的数据科学家更习惯基于云的海量计算资源，并且对嵌入式开发的内存和计算约束不太满意。STM32Cube.AI揭开了AI和嵌入式系统的神秘面纱，能够充分利用更多的开发人员的专业知识，从而将神经网络带入嵌入式边缘开发领域，进一步拓展了物联网应用。

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。

使用神经网络的5个步骤

1.捕获数据
2.清理，标记数据和构建ANN（人工神经网络）拓扑
3.训练ANN模型
4.将ANN转换为STM32 MCU的优化代码
5.使用经过培训的ANN处理和分析新数据

算力芯片 ¶

AIoT	Architecture	Frequency	SRAM/Flash	NPU
K210	RISC-V	400 MHz	8 MB	0.23TOPS
K510	RISC-V	800 MHz		2.5TOPS
V831	Cortex-A7	800 MHz	64MB DDR2
R329	Cortex-A53	1.50 GHz	64MB DDR2
EAI80	Cortex-M4	200 MHz	8 MB	CNN-NPU
BL808	C906	480 MHz		100GOPS(BLAI-100)
SSD201	Cortex-A7	1.20 GHz	64MB DDR3