【嵌入式AI部署神经网络】STM32CubeIDE上部署神经网络之指纹识别（Pytorch）——篇一|环境搭建与模型初步部署篇

前言：本篇主要讲解搭建所需环境，以及基于pytorch框架在stm32cubeide上部署神经网络，部署神经网络到STM32单片机，本篇实现初步部署模型，没有加入训练集与验证集，将在第二篇加入。篇二详细讲解STM32CubeIDE上部署神经网络之指纹识别（Pytorch）的数据准备和模型训练过程等，进行实战，第二篇在本专栏查阅。

目录

1. 环境安装和配置

2. AI神经网络模型搭建

2.1 数据集介绍

2.2 网络模型

2.3 训练

3. STM32CubeIDE上进行模型转换与模型部署到单片机

4. STM32 CubeUDE上进行模型验证

5. 结果统计与分析

1. 环境安装和配置

本文介绍在STM32cubeIDE上部署AI模型，开发板型号STM32F429IGT6。

与AI加速器不同，ST支持神经网络计算是因为之前的芯片已经内置了DSP处理器，可以执行高精度浮点运算，正好可以拿来做神经网络计算。如何判断自己准备购买的板子适不适合做AI计算，最好也按以下步骤在CUBE-AI上模拟部署一遍，若模拟成功，所选开发板就是可以的。

STM32cubeIDE可直接在ST官网下载，下载链接

https://www.st.com/zh/development-tools/stm32cubeide.html

默认安装即可，不懂可自行上网查教程。

2. AI神经网络模型搭建

2.1 数据集介绍

针对tinyML开发了自己的指纹识别数据集，数据集和完整代码见文末下载链接。指纹识别数据集包含100个类别，大小为260*260，训练集30张，测试集5张。在测试时使用128*128与64*64的分辨率。

数据集在如下文件夹中

生成测试集的方法：

import os
import numpy as np
from PIL import Image
import torchvision.transforms as transforms

normalize = transforms.Normalize(mean=[0.5],std=[0.5])
test_transforms = transforms.Compose([
            # transforms.RandomResizedCrop(224),
            transforms.Resize(128),
            transforms.ToTensor(),
            normalize])

def prepare_eval_data(data_file, transform=None):

    datas = os.listdir(data_file)
    imgs=[]
    labels=[]
    for  img_path in datas:
        data = Image.open(data_file + '/' + img_path)  # 260*260*1
        label, _ = img_path.split('_')
        label = int(label) - 1
        labe