所属分类：AI大模型与智能应用 当前为单品课程，可返回上一级继续浏览同方向资料。
← 返回上一级
← 返回所属目录 咨询 / 购买

STM32神经网络部署与性能调优实战

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论与开发环境搭建
STM32上跑神经网络的意义 · 硬件选型（F4/H7系列） · 软件工具链（STM32CubeMX
课程导论开发环境搭建
02
STM32CubeMX与工程生成
使用CubeMX配置时钟树 · 外设（UART · GPIO
STM32CubeMX工程生成
03
X-CUBE-AI入门
安装X-CUBE-AI扩展包 · 理解其工作流程（模型转换 · 验证
X-CUBE-AI安装
04
模型准备与转换（上）
使用Keras训练一个简单的全连接网… · 导出为.h5文件 · 通过X-CUBE-AI转换为STM3…
模型准备转换
05
模型准备与转换（下）
使用TensorFlow Lite… · 对比X-CUBE-AI与TFLite…
模型准备转换
06
AI模型部署实战（推理）
在STM32上加载转换后的模型 · 编写推理代码 · 通过串口打印MNIST分类结果
AI模型部署实战
07
性能基准测试
使用DWT循环计数器测量推理时间 · 分析CPU负载与内存占用 · 建立性能基线
性能基准测试DWT
08
内存优化（上）
分析模型内存布局（权重 · 激活 · 输入输出缓冲区）
内存优化分析模型内存布局
09
内存优化（下）
实现内存池复用 · 激活缓冲区共享 · 权重压缩（8bit量化）
内存优化实现内存池复用
10
计算优化（算子加速）
分析瓶颈算子（全连接 · 卷积） · 使用CMSIS-NN库替换标准C实现
计算优化算子加速
11
DMA与双缓冲技术
使用DMA搬运输入数据 · 实现双缓冲机制（Ping-Pong… · 消除数据搬运与推理的等待时间
DMA双缓冲技术
12
中断与优先级管理
配置NVIC中断优先级 · 将推理任务放在低优先级中断或主循环中 · 避免阻塞高优先级实时任务
优先级管理NVIC
13
RTOS集成（FreeRTOS）
创建推理任务 · 通信任务 · 控制任务
RTOSFreeRTOS
14
模型量化实战（上）
理解量化原理（对称/非对称 · per-tensor/per-cha… · 使用X-CUBE-AI的量化工具将模…
模型量化实战理解量化原理
15
模型量化实战（下）
部署量化模型 · 对比float32与int8模型的推… · 精度损失
模型量化实战部署量化模型
16
剪枝与知识蒸馏
介绍结构化剪枝与非结构化剪枝 · 使用TensorFlow Model… · 部署剪枝后模型
剪枝知识蒸馏
17
硬件加速器探索（MCE）
了解STM32H7的MCE（数学加速… · 配置MCE加速矩阵运算 · 对比纯CPU与MCE加速的推理时间
MCE硬件加速器探索
18
硬件加速器探索（DSP扩展）
使用STM32F4的DSP扩展指令（… · SMLALD） · 编写内联汇编优化卷积运算
DSP硬件加速器探索
19
缓存优化（Cache）
配置STM32H7的L1 Cache… · 分析Cache Miss对推理性能的… · 优化数据对齐
Cache缓存优化
20
电源管理优化
使用WFI指令降低推理空闲时的功耗 · 配置不同PLL频率（降频/升频）对推…
电源管理优化WFI
21
模型分割与异构计算
将模型分割为两部分 · 一部分在STM32上运行 · 一部分在外部MCU或FPGA上运行
模型分割异构计算
22
多模型流水线
部署多个模型（如检测+分类） · 使用流水线架构并行执行 · 提高整体吞吐量
多模型流水线部署多个模型
23
调试与Profiling工具
使用STM32CubeMonitor · SEGGER SystemView · 串口日志进行性能Profiling
Profiling调试
24
常见错误与调试技巧
分析HardFault · 内存溢出 · 模型加载失败等常见问题
常见错误调试技巧
25
实战项目（一）
手势识别：使用IMU传感器采集数据 · 训练LSTM模型 · 部署到STM32实现实时手势识别
实战项目IMU
26
实战项目（二）
关键词唤醒：使用麦克风采集音频 · 训练CNN模型 · 部署到STM32实现关键词唤醒（如“…
实战项目关键词唤醒
27
实战项目（三）
异常检测 · 训练Autoencoder模型 · 部署到STM32实现设备异常检测
实战项目异常检测
28
实战项目（四）
视觉识别 · 训练MobileNet模型 · 部署到STM32实现简单物体识别
实战项目视觉识别
29
性能调优综合案例
结合量化 · CMSIS-NN · DMA
性能调优综合案例结合量化
30
课程总结与未来展望
回顾STM32神经网络部署的关键技术 · 讨论边缘AI发展趋势（NPU · tinyML
课程总结未来展望