-
基于MCU的轻量级AI推理：TFLite Micro移植与模型量化实操
MCU端跑AI推理（如STM32G4、ESP32-S3、CH32V307等）的主流方案是Google的TensorFlow Lite Micro（TFLite Micro）——它能在无OS、无动态内存分配的环境下运行，模型以C数组形式编译进固件。但浮点模型直接塞进MCU既不现实（体积大、无FPU时速度慢），所以要走"训练后全整数量化（int8）→C数组→TFLite Micro解释器"的标准路径。下面以关键词识别（KWS）模型部署到STM32G431（170MHz Cortex-M4，32KB SRAM）为例。
-
基于CMSIS-NN库的ARM Cortex-M系列AI加速实践
随着物联网（IoT）和边缘计算的快速发展，AI技术在嵌入式设备中的应用日益广泛。ARM Cortex-M系列微控制器作为低功耗、高性能的处理器，成为了嵌入式AI应用的首选平台。为了充分发挥Cortex-M系列处理器的性能，ARM推出了CMSIS-NN（Cortex Microcontroller Software Interface Standard - Neural Networks）库，旨在加速微控制器上的AI计算。本文将深入探讨基于CMSIS-NN库的ARM Cortex-M系列AI加速实践，并通过示例代码展示其应用。
-
全新CMSIS-NN神经网络内核让微控制器效率提升5倍
目前，在许多需要在本地进行数据分析的“永远在线”的物联网边缘设备中，神经网络正在变得越来越普及，主要是因为可以有效地同时减少数据传输导致的延时和功耗。
