没有机器学习基础但是想利用嵌入式AI？Edge Impulse绝对是不二之选！ 算法自动提供，代码一键生成，移植简单方便，简直是小白的福音！如果你打算涉及嵌入式 机器学习，那就快来看看吧！

第一次接触Edge Impulse这个在线的机器学习网站是在OpenMv口罩识别的历程中，根据OpenMv的官方历程来使用Edge Impulse还是很顺利的。但不久之后就发现如果仅仅是基于OpenMv的历程来进行机器学习，就只能完成图像识别而已，而除了图像识别之外的训练模型如果想要导出到STM32的单片机上，则要通过 STM32CubeIDE。

STM32CubeIDE

STM32CubeIDE是意法半导体公司推出的STM32集成开发环境，它允许用户在软件上点选相关选项，完成芯片的选型、外设的配置和时钟的配置等设置，自动生成代码并导出，方便实用。关于STM32CubeIDE的安装和使用教程在这里就不赘述，网上的教程很多。

Edge Impulse模型导出步骤

如果你现在有一个已经在 Edge Impulse训练好的模型，那么你就可以按照以下步骤部署到STM32的MCU上。

首先在 Edge Impulse工程的左侧找到Deployment选项，点选后在右侧选择Cube.MX CMSIS-PACK，然后点击下方的build将PACK包下载下来。

下载下来后找个地方保存好，路径中不要包含中文字符，否则导入时会报错。

打开STM32CubeIDE，新建一个STM32(STM32 Project)的工程，选择需要的芯片，我选择的是STM32F407ZGT6，记得编程语言选择C++。点击Finish创建工程。

选择完毕后，配置好芯片的时钟，在Pinout & Configuration页下点击Software Packs，点击Manage Software Packs。

点击左下角的From Local...，将之前下载下来的PACK包导入。

导入完成后，回到Pinout & Configuration页下的Software Packs，点击Select Components

找到刚刚导入的PACK包，一般有前缀EdgeImpulse标识，下拉找到Core，勾选右边的Selecetion。

勾选完毕后Pinout & Configuration页，在左侧找到Software Packs，在右侧Mode下方勾选。

勾选完毕后CTRL+S保存工程，点击YES，这时候会自动生成代码。

代码生成完毕后在右侧的文件中找到main.c文件。

在main.c中找到 USER CODE BEGIN Includes ，在BEGIN 和END之间粘贴如下代码：

#include "edge-impulse-sdk/classifier/ei_run_classifier.h"
using namespace ei;
// paste the raw features here
static const float features[] = {
		10,9,8,7,6,5,4,3,2,1
int get_feature_data(size_t offset, size_t length, float *out_ptr) {
    memcpy(out_ptr, features + offset, length * sizeof(float));
    return 0;
        在main.c中找到USER CODE BEGIN 0，在BEGIN 和END之间粘贴如下代码：
 
#include <stdarg.h>
#include "edge-impulse-sdk/classifier/ei_run_classifier.h"
void vprint(const char *fmt, va_list argp)
    char string[200];
    if(0 < vsprintf(string, fmt, argp)) // build string
        HAL_UART_Transmit(&huart1, (uint8_t*)string, strlen(string), 0xffffff); // send message via UART
void ei_printf(const char *format, ...) {
    va_list myargs;
    va_start(myargs, format);
    vprint(format, myargs);
    va_end(myargs);
         在main.c中找到USER CODE BEGIN Init，在BEGIN 和END之间粘贴如下代码： 
 
  signal_t signal;
  signal.total_length = sizeof(features) / sizeof(features[0]);
  signal.get_data = &get_feature_data;
 
        在main.c中找到USER CODE BEGIN Init，在BEGIN 和END之间粘贴如下代码： 
 
    ei_impulse_result_t result = { 0 };
	       EI_IMPULSE_ERROR res = run_classifier(&signal, &result, true);
	       ei_printf("run_classifier returned: %d\r\n", res);
	       ei_printf("Predictions (DSP: %d ms., Classification: %d ms., Anomaly: %d ms.): \r\n",
	           result.timing.dsp, result.timing.classification, result.timing.anomaly);
	       // print the predictions
	       ei_printf("[");
	       for (size_t ix = 0; ix < EI_CLASSIFIER_LABEL_COUNT; ix++) {
	           ei_printf_float(result.classification[ix].value);
	   #if EI_CLASSIFIER_HAS_ANOMALY == 1
	           ei_printf(", ");
	   #else
	           if (ix != EI_CLASSIFIER_LABEL_COUNT - 1) {
	               ei_printf(", ");
	   #endif
	   #if EI_CLASSIFIER_HAS_ANOMALY == 1
	       ei_printf_float(result.anomaly);
	   #endif
	       ei_printf("]\r\n\r\n\r\n");
	     HAL_Delay(5000);
 
        完成以上步骤之后，将main.c文件改为C++文件，右键点击main.c文件，选择RENAME，将main.c文件更名为main.cpp。
 
        最后，编译工程，这个时间会比较久，会持续几分钟，编译完成后将代码烧录到MCU中，通过串口助手即可看到结果：
 
        以上便是将Edge Impulse上的模型移植到STM32F4上的全部步骤，如果在移植过程中遇到什么问题可以参考Edge Impulse的帮助信息：Edge Impulse帮助信息
                    第一次接触Edge Impulse这个在线的机器学习网站是在OpenMv口罩识别的历程中，根据OpenMv的官方历程来使用Edge Impulse还是很顺利的。但不久之后就发现如果仅仅是基于OpenMv的历程来进行机器学习，就只能完成图像识别而已，而除了图像识别之外的训练模型如果想要导出到STM32的单片机上，则要通过STM32CubeIDE。STM32CubeIDE    STM32CubeIDE是意法半导体公司推出的STM32集成开发环境，它允许用户在软件上点选相关选项，...
				
Edge Impulse是一个应用于嵌入式领域的在线的机器学习网站，不仅为用户提供了一些现成的神经网络模型以供训练，还能直接将训练好的模型转换成能在单片机MCU上运行的代码，使用方便，容易上手。本文就Edge Impulse的三大模型之一的分类模型进行浅析。
针对于图像的分类识别模型，读者可参考OpenMv或树莓派等主流图像识别单片机系统的现有历程，容易上手，简单可靠。单击此处转到——星瞳科技OpenMv
    所以接下来的分析主要是针对数据进行识别的分类模型。...
最近在利用业余时间学习机器学习算法，由于笔者是嵌入式软件工程师，想将机器学习算法在单片机端实现，KNN算法（k-Nearest Neighbor，K最近邻算法）是为数不多的可在单片机端实现的机器学习算法。
通过检索发现，在单片机端实现KNN算法的例子较少，仅有几个用单片机实现手写数字识别的。
本例程硬件使用的是STM32F103C8T6最小系统板，IAR开发环境，STM32CubeMX进行配置并生成工程文件，鸢尾花数据集是从UCI机器学习官网https://archive.ics.uci.edu/
				
第一次写博客，希望能给研究单片机AI的同仁一个好的启示。如有不当，多多指正。
STM32自从2019年开始发布AI库以来，网络上关于怎么移植到单片机的资料少得可怜，能找到的也仅仅是新建工程的博客，对我有较大启示的是ST官方的几篇文章。我将对我有启示的文章贴出来供大家参考。
https://blog.csdn.net/qingelife/article/details/78429508?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommend
				
云端AI平台EdgeImpulse，可以做什么呢？可以帮助AI算法工程师进行模型训练，目前还有比较常用的工具如Tensor flow，有时候甚至需要利用算力更快的服务器集群去训练神经网络模型。
而Edge impulse是一个免费的模型训练平台，非常便捷的使用方法，致力于实现嵌入式系统的边缘计算开发，可以上传被训练的数据、打标、NN模型训练、优化、部署。
上传数据：
				
在深度学习算法嵌入式开发应用中，如何把在pytorch下训练得到的模型参数，提取出来保存成C语言能够调用的数组形式，是嵌入式应用开发的重要步骤。
以下介绍一个简单的例子，下文中的代码来自莫凡教程，是一个线性回归的简单深度学习例子，输入节点为1个，隐藏层10个节点，输出一个节点。relu用的是普通的，所以不需要参数。
f = open('./w1.txt',mode = 'w+') #是创建一个txt文件。参数 'w+'的意思是如果存在该文件，则删除内容，从头开始书写，如果不存在该文件，则创建一个。