Gitee倉庫
git clone https://gitee.com/banana-peel-x/freedom-learn.git
項目場景：
解決面試時遺留的問題，面試官提了兩個問題：1.單片機能跑深度學習的模型嗎？ 2.為什么FreeRTOS要采用SVC去觸發第一個任務，只用PendSV中斷切換不行嗎？（問題二后續研究） 問題一：當時回答的是理論上單片機掛載NPU，把數據發送給NPU的協議定好，理論上也是可以的。 本項目就從輪子出發，不借助任何庫，嘗試小RAM MCU部署神經網絡的方法。分別在MCU和PC端進行了嘗試。技術棧：多層網絡感知機（MLP），正反向傳播，梯度下降法。模型量化部署。結論：MCU受限于主頻速率，小RAM，在推理時間，模型大小方面均存在限制，即使使用硬件加速的NPU，速率也沒有優勢。
軟件架構
MCU端: 兩個Task，StartDefaultTask控制LED，觀察系統有沒有掛掉。StartTask_50ms里運行reason_task，執行時機通過flag_uart1_received變量判斷ReceiverState狀態，flag_uart1_received變量在Uart中斷切換狀態。 PC端： reasoning.py運行兩個線程，主線程負責PC端的推理，send_image_over_uart線程通過Uart發送圖像，并監聽下位機的推理結果。
NeuralNetworkFromScratch-main\train.py：使用MLP訓練一組權重參數，保存到文件\result\model_parameters.npz，后在終端隨機輸入圖片序號，進行預測，預測結果在數字上方，方便比較。
NeuralNetworkFromScratch-main\result\Tools.py：從model_parameters.npz文件中load權重參數，寫入model_parameters.c文件
NeuralNetworkFromScratch-main\result\quantization.py：將model_parameters.npz提取權重參數，量化為int8類型，后寫入quantized_model_parameters.c文件
NeuralNetworkFromScratch-main\result\reasoning.py：核心文件，加載量化后的參數，對權重參數反量化后推理，同時send_image_over_uart線程發送圖像數據給MCU
運行reasoning.py后，選擇圖片序號，終端打印預測概率，關閉窗口后send_image_over_uart線程發送圖像給MCU端，發送完成后會監聽下位機返回數據，并在終端打印。
細節：
1.不量化行不行：STM32F103C8T6又64K的ROM和20K的RAM，不量化權重參數會占用：（784x10+10+10x10+10）x4=31840 Bytes=31KB。量化后權重參數占用空間：7.7KB。
2.為什么網絡參數是 輸入層到隱藏層10個神經元，隱藏層到輸出層10個神經元，原始網絡分別是20，10。這樣的話很容易超出RAM大小。
