1
遇到的难题
众所周知，我们要在单片机中对一个数据进行预测并不是一件简单的事情。例如上周学弟给了我一组数据，数据由三组输入数据组成，输出一个数据。
三组输入数据是来自传感器的输入值，希望我用 单片机（STM32H7） 来预测一下输出值。
正常这种情况我可能会选用Matlab，不过拟合工具中只支持双变量输入，单变量输出,显然我们不能直接使用Matlab的曲线拟合工具。
Matlab拟合的原理是基于最小二乘法，即通过最小化模型预测值与实际数据点之间的误差来确定拟合参数。为了解决这个问题，于是我就想到了机器学习。
2
解决方案
前几日我们利用Python训练了一个手写数字识别的模型，并利用CubeAI部署到STM32中。
如何在STM32中利用CubeAI部署自己的神经网络模型（以手写数字识别为例）
那么既然已经掌握了CubeAI部署机器学习模型的方式，我们为什么不利用机器学习做一个三变量输入，单变量输出的神经网络呢？。于是我想到了 多重感知机
。
它是一种前馈型人工神经网络，利用加权计算和反向传播机制训练，通过增加隐藏层和神经元的数量，逼近任意的非线性函数，理论上它是一个强大的 逼近器
。非常适合我们解决这个问题！
于是我们利用Tensorflow来训练一个预测模型。（Py的源码放到了最后，有点长）包含了数据提取，数据的输入（开始把数据放大了怕精度损失，后来就恢复了）还有模型测试。
可以看到，随着训练轮数的增加，损失函数降低到了0.0012。
随着训练轮数的进一步增加，损失函数值越来越小，说明我们的值越来越趋近。
最后模型预测也是非常完美。接着我们利用CubeAI将我们保存好的TFLite文件导入到STM32工程中。
在CubeAI中选择我们的模型，并且分析（Analyze）
这里可以看到我们的网络结构和占用的单片机内存大小，可以看到空间也是非常的笑，只有21KB的FLASHh和3KB不到的RAM。可以说是非常的小了。
分析完的模型，就可以生成工程了。
#include "network.h"#include "network_data.h"static ai_handle network = AI_HANDLE_NULL;AI_ALIGNED(32)static ai_u8 activations [AI_NETWORK_DATA_ACTIVATIONS_SIZE];
AI_ALIGNED(32)static ai_float in_data[AI_NETWORK_IN_1_SIZE];
AI_ALIGNED(32)static ai_float out_data[AI_NETWORK_OUT_1_SIZE];
static ai_buffer *ai_input;static ai_buffer *ai_output;int aiInit(void) { ai_error err; /* Create and initialize the c-model *//*?c-model */ const ai_handle acts[] = { activations }; err = ai_network_create_and_init(&network, acts, NULL); if (err.type != AI_ERROR_NONE) { }; /* Reteive pointers to the model's input/output tensors *//*???/?*/ ai_input = ai_network_inputs_get(network, NULL); ai_output = ai_network_outputs_get(network, NULL); return 0;}
int aiRun(const void *in_data, void *out_data) { ai_i32 n_batch; ai_error err; /* 1 - Update IO handlers with the data payload *//* 1 -IO*/ ai_input[0].data = AI_HANDLE_PTR(in_data); ai_output[0].data = AI_HANDLE_PTR(out_data); /* 2 - Perform the inference *//* 2 -*/ n_batch = ai_network_run(network, &ai_input[0], &ai_output[0]); if (n_batch != 1) { err = ai_network_get_error(network); HAL_GPIO_TogglePin(GPIOF,GPIO_PIN_10); }; return 0;}
依照官网的示例代码编写启动和运行函数。
aiInit(); in_data[0] = 3.95652185f; in_data[1] = -0.995493751f; in_data[2] = 5.698975728f; aiRun(in_data, out_data);
接着便可以测试我们的模型拟合是否和实际结果接近了。
可以看到四次实验的结果误差分别在：
0.0014，0.0006，0.0005，0.0012，分别是万分之四，万分之二，万分之二，万分之四,平均万分之三的误差！
**
**
非常的接近真实值！
Py源码：
import pandas as pdimport matplotlib.pyplot as pltimport tensorflow as tfimport numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerimport joblib
def load_data(): df = pd.read_csv('AI_data.csv')
INPUT_SCALE = 1 # 输入放大 OUTPUT_SCALE = 1 # 输出放大 df['data1'] = df['data1'] * INPUT_SCALE df['data2'] = df['data2'] * INPUT_SCALE df['data3'] = df['data3'] * INPUT_SCALE # 放大输出数据 df['result'] = df['result'] * OUTPUT_SCALE
for column in df.columns: print(f"{column}: {df[column].min():.2f} to {df[column].max():.2f}") return df
def prepare_data(df): X = df[['data1', 'data2', 'data3']].values y = df['result'].values
scaler = StandardScaler() X = scaler.fit_transform(X)
X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) return X_train, X_test, y_train, y_test, scaler
def create_model(): model = tf.keras.Sequential() model.add(tf.keras.layers.Dense(64, activation='relu', input_dim=3, name='dense_1')) model.add(tf.keras.layers.Dense(32, activation='relu', name='dense_2')) model.add(tf.keras.layers.Dense(16, activation='relu', name='dense_3')) model.add(tf.keras.layers.Dense(1, name='output')) model.compile( optimizer='adam', loss='mse', metrics=['mae'] ) return modeldef train_model(model, X_train, X_test, y_train, y_test): history = model.fit( X_train, y_train, validation_data=(X_test, y_test), epochs=1000, batch_size=32, verbose=1 ) return history
def save_model(model, scaler): scale = scaler.scale_ mean = scaler.mean_ input_layer = tf.keras.layers.Input(shape=(3,)) norm_layer = tf.keras.layers.Lambda( lambda x: (x - mean) / scale )(input_layer) output = model(norm_layer) complete_model = tf.keras.Model(inputs=input_layer, outputs=output) converter = tf.lite.TFLiteConverter.from_keras_model(complete_model) converter.optimizations = [tf.lite.Optimize.DEFAULT] converter.target_spec.supported_types = [tf.float32] tflite_model = converter.convert() with open('model.tflite', 'wb') as f: f.write(tflite_model) print("模型已保存为 'model.tflite'") print("n标准化参数：") print("Mean:", mean) print("Scale:", scale) return complete_model
def test_model_prediction(model, scaler): """测试模型预测""" # 放大倍数 INPUT_SCALE = 1
test_data = np.array([[3.982543688, -0.994922547, 5.581232859]]) * INPUT_SCALE expected_result = 3.411 * 1 X_scaled = scaler.transform(test_data) pred_original = model.predict(X_scaled) interpreter = tf.lite.Interpreter(model_path="model.tflite") interpreter.allocate_tensors() input_details = interpreter.get_input_details() output_details = interpreter.get_output_details() interpreter.set_tensor(input_details[0]['index'], test_data.astype(np.float32)) interpreter.invoke() pred_tflite = interpreter.get_tensor(output_details[0]['index'])
def main(): # 加载数据 df = load_data() X_train, X_test, y_train, y_test, scaler = prepare_data(df) model = create_model() history = train_model(model, X_train, X_test, y_train, y_test) complete_model = save_model(model, scaler) test_model_prediction(model, scaler)
if __name__ == "__main__": main()