📚 课程目录第2章手写数字识别（MNIST）

2. 手写数字识别（MNIST）

任务目标

本案例将完成一个端到端的MNIST手写数字识别部署流程：使用Keras训练一个轻量级CNN模型，通过STM32Cube.AI将其转换为STM32可推理的C代码，最终在开发板上对28×28灰度手写数字图片进行分类，并将识别结果（0-9）通过串口或LCD显示。

环境与依赖

PC端：Python 3.8+，TensorFlow 2.4+，STM32CubeMX 6.4+（含Cube.AI扩展包），STM32CubeIDE 1.8+
硬件：STM32F746G-DISCO开发板（或任意支持Cube.AI的Cortex-M7/M4板卡）
模型输入：28×28×1 float32（归一化至[0,1]）
模型输出：10类softmax概率分布

模型训练与转换

首先在PC端训练一个参数量约6K的CNN模型（两个卷积层+两个全连接层），量化感知训练后导出为Keras H5文件。随后在STM32CubeMX中导入该H5文件，Cube.AI将自动生成network.c、network.h及network_data.c，其中包含量化后的权重和推理函数ai_run。

关键完整代码

以下为STM32端核心推理与显示逻辑（省略Cube.AI生成的网络层代码，仅展示调用入口）：

/* main.c 关键片段 */
#include "network.h"
#include "ai_platform.h"
#include "stdio.h"

/* Cube.AI生成的网络实例 */
AI_NETWORK_DECLARE(network);
static ai_handle network_handle = AI_HANDLE_NULL;
static ai_buffer input_buffers[1];
static ai_buffer output_buffers[1];

/* 28x28 灰度图像缓冲区（由摄像头或串口填充） */
static float img_data[28*28];

/* 初始化Cube.AI网络 */
void ai_init(void) {
    ai_error err;
    const ai_network_params params = {
        AI_NETWORK_DATA_WEIGHTS(ai_network_data_weights_get()),
        AI_NETWORK_DATA_ACTIVATIONS(ai_network_data_activations_get())
    };
    err = ai_network_create(&network_handle, &network);
    if (err.type != AI_ERROR_NONE) {
        printf("Network create failed: %d\n", err.code);
        while(1);
    }
    if (ai_network_init(network_handle, ¶ms) != AI_ERROR_NONE) {
        printf("Network init failed\n");
        while(1);
    }
    input_buffers[0] = ai_network_inputs_get(network_handle, NULL);
    output_buffers[0] = ai_network_outputs_get(network_handle, NULL);
}

/* 执行推理并返回预测数字 */
uint8_t ai_predict(float* img) {
    ai_i8 quantized_input[28*28];
    ai_i8 quantized_output[10];
    float output[10];
    
    /* 输入量化：float [0,1] → int8 [-128,127] */
    ai_float_to_i8(img, quantized_input, 28*28, 1.0f/128.0f, -128.0f);
    input_buffers[0].data = quantized_input;
    output_buffers[0].data = quantized_output;
    
    if (ai_run(network_handle, input_buffers, output_buffers) != AI_ERROR_NONE) {
        return 0xFF; /* 推理失败 */
    }
    
    /* 输出反量化 */
    ai_i8_to_float(quantized_output, output, 10, 1.0f/128.0f, -128.0f);
    
    /* 取最大概率索引 */
    uint8_t max_idx = 0;
    for (int i = 1; i < 10; i++) {
        if (output[i] > output[max_idx]) max_idx = i;
    }
    return max_idx;
}

/* 主循环示例：从串口接收28*28字节，推理并回传结果 */
int main(void) {
    HAL_Init();
    SystemClock_Config();
    MX_GPIO_Init();
    MX_USART1_UART_Init();
    
    ai_init();
    printf("MNIST Inference Ready\r\n");
    
    while (1) {
        /* 接收28*28=784字节原始像素（0-255） */
        uint8_t raw[784];
        HAL_UART_Receive(&huart1, raw, 784, 5000);
        
        /* 归一化至[0,1] */
        for (int i = 0; i < 784; i++) {
            img_data[i] = raw[i] / 255.0f;
        }
        
        uint8_t digit = ai_predict(img_data);
        printf("Predicted: %d\r\n", digit);
    }
}

运行与验证

PC端训练：运行训练脚本生成mnist_cnn.h5，验证测试集准确率≥98%
CubeMX配置：选择STM32F746G-DISCO，在Middleware中启用Cube.AI，导入H5文件，生成代码
编译烧录：将上述代码合并至生成的工程，编译后烧录至开发板
验证方法：通过串口助手发送784字节的MNIST测试图片（可从测试集提取），观察返回的数字是否与标签一致

通过标准：连续测试10张不同数字的图片，识别正确≥9张即判定部署成功。若使用LCD显示，需额外添加显示驱动，本案例以串口输出为验证路径。

常见问题

内存不足：Cube.AI生成的激活缓冲区过大时，在CubeMX中减小输入批次或使用更深量化（int8）
精度下降：量化后准确率下降超过1%时，在训练阶段加入伪量化节点（QAT）
串口数据格式：发送的784字节需为原始像素值（0-255），且按行优先排列