1. 环境搭建与第一个模型部署

任务目标

在STM32CubeIDE中完成Cube.AI插件配置，将一个预训练的2层全连接神经网络（MNIST手写数字识别，输入784，隐藏层32，输出10）转换为STM32可调用的C代码，部署到NUCLEO-F401RE开发板，通过串口发送单张图片像素数据，获取并打印推理结果。

环境依赖

  • 硬件：NUCLEO-F401RE开发板（STM32F401RE，84MHz，512KB Flash）
  • 软件：STM32CubeIDE 1.13+（含Cube.AI插件，或通过Help→Manage Embedded Software Packages安装X-CUBE-AI）
  • Python 3.8+（仅用于生成测试输入数据，不参与嵌入式端推理）
  • 模型文件：预训练Keras模型 mnist_fc.h5（本案例提供生成脚本，训练2分钟即可得到）

实现步骤

1. 生成预训练模型

在PC上运行以下Python脚本生成Keras模型文件：

# gen_model.py — 运行一次生成 mnist_fc.h5
import numpy as np
from tensorflow import keras
from tensorflow.keras import layers

# 加载MNIST数据
(x_train, y_train), (_, _) = keras.datasets.mnist.load_data()
x_train = x_train.reshape(-1, 784).astype('float32') / 255.0

# 构建2层全连接网络
model = keras.Sequential([
    layers.Dense(32, activation='relu', input_shape=(784,)),
    layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=2, batch_size=128, validation_split=0.1, verbose=1)
model.save('mnist_fc.h5')
print('Model saved: mnist_fc.h5')

2. CubeIDE工程配置与Cube.AI集成

  1. 新建STM32CubeIDE工程，选择MCU为STM32F401RE，初始化时钟（默认84MHz）和USART2（115200-8-N-1，用于打印结果）。
  2. 在.ioc文件中，点击左侧Software Packs→Select Components，勾选X-CUBE-AI的Core和Validator组件。
  3. 回到.ioc，在Software Packs→X-CUBE-AI→Network选项卡中：
    - 点击Add Network，选择mnist_fc.h5
    - 设置输出数组长度10，输入类型float
    - 点击Analyze确认无错误后，点击Generate Code

3. 主程序调用推理

Cube.AI生成代码位于X-CUBE-AI/App/目录。在main.c中添加推理调用：

/* main.c 中用户代码区 */
#include "ai_platform.h"
#include "network.h"
#include "network_data.h"
#include <stdio.h>

/* 输入缓冲区：784个float，需从串口接收或预置测试数据 */
AI_ALIGNED(4) float input_data[AI_NETWORK_IN_1_SIZE];
AI_ALIGNED(4) float output_data[AI_NETWORK_OUT_1_SIZE];

/* 预置测试数据：手写数字"0"的归一化像素（前64个示例，完整数据见验证说明） */
static const float test_img_0[784] = {
    0.0f, 0.0f, 0.0f, 0.0f, 0.0f, 0.0f, 0.0f, 0.0f,
    /* ... 完整784个值由Python脚本生成后粘贴至此 ... */
};

void run_inference(void) {
    ai_error err;
    ai_buffer ai_input[1];
    ai_buffer ai_output[1];

    /* 初始化网络 */
    ai_network_params params = {
        AI_NETWORK_DATA_WEIGHTS(ai_network_data_weights_get()),
        AI_NETWORK_DATA_ACTIVATIONS(ai_network_data_activations_get())
    };
    ai_network_create_and_init(&network, &params);

    /* 准备输入输出缓冲区 */
    ai_input[0] = (ai_buffer){AI_NETWORK_IN_1_SIZE, AI_NETWORK_IN_1_BATCH, 0, 0, input_data};
    ai_output[0] = (ai_buffer){AI_NETWORK_OUT_1_SIZE, AI_NETWORK_OUT_1_BATCH, 0, 0, output_data};

    /* 执行推理 */
    ai_network_run(&network, ai_input, ai_output);

    /* 打印结果 */
    printf("Inference done. Output:\r\n");
    for (int i = 0; i < 10; i++) {
        printf("  [%d] = %.4f\r\n", i, output_data[i]);
    }

    /* 获取预测类别 */
    int pred = 0;
    for (int i = 1; i < 10; i++) {
        if (output_data[i] > output_data[pred]) pred = i;
    }
    printf("Predicted digit: %d\r\n", pred);

    ai_network_deinit(&network);
}

4. 生成测试输入数据

在PC上运行以下脚本，输出可直接粘贴到main.c的test_img_0数组：

# gen_test_data.py — 生成数字"0"的测试输入
import numpy as np
from tensorflow import keras

(_, _), (x_test, y_test) = keras.datasets.mnist.load_data()
idx = np.where(y_test == 0)[0][0]
img = x_test[idx].reshape(-1).astype('float32') / 255.0
print(f"// 测试样本索引: {idx}, 标签: {y_test[idx]}")
print("static const float test_img_0[784] = {")
for i in range(0, 784, 8):
    row = ", ".join(f"{v:.6f}f" for v in img[i:i+8])
    print(f"    {row},")
print("};")

5. 编译与烧录

  1. 在main.c的main()函数中，在初始化外设后调用run_inference()。
  2. 编译工程（Project→Build），确认无错误。
  3. 连接NUCLEO-F401RE的ST-Link USB口，点击Run→Debug或Run烧录并运行。

6. 验证方法

  • 打开串口终端（115200-8-N-1），观察输出。
  • 通过条件：程序运行后，串口打印10个类别的概率值，且Predicted digit: 0（即最大概率对应标签0）。
  • 若输出类别错误，检查输入数据是否完整粘贴、模型是否转换成功（Cube.AI分析时无错误）。

预期输出

Inference done. Output:
  [0] = 0.9821
  [1] = 0.0003
  [2] = 0.0012
  [3] = 0.0045
  [4] = 0.0001
  [5] = 0.0023
  [6] = 0.0018
  [7] = 0.0002
  [8] = 0.0067
  [9] = 0.0008
Predicted digit: 0

以上数值为基于模型逻辑的示例输出，实际概率值因训练随机性略有差异，但Predicted digit应为0。

常见问题

  • 编译错误：找不到network.h：确认Cube.AI代码生成成功，且头文件路径已包含X-CUBE-AI/App目录。
  • 推理结果全为0：检查输入数据是否归一化到[0,1]区间，且数组长度正确（784个float）。
  • Flash溢出：F401RE有512KB Flash，本模型权重约25KB，若使用更大模型需确认空间。
← 上一章 📖 返回目录 下一章 →