文章目录

概要版本：参考资料STM32CUBEAI安装CUBEAI模型支持LSTM模型转换注意事项模型转换模型应用1 错误类型及代码2 模型创建和初始化3 获取输入输出数据变量4 获取模型前馈输出模型应用小结 小结

概要

STM32 CUBE MX扩展包：X-CUBE-AI部署流程：模型转换、CUBEAI模型验证、CUBEAI模型应用。

深度学习架构使用Pytorch模型，模型包括多个LSTM和全连接层（包含Dropout和激活函数层）。

版本：

STM32CUBEMX：6.8.1

X-CUBE-AI：8.1.0 （推荐该版本，对LSTM支持得到更新）

ONNX：1.14.0

参考资料

遇到ERROR和BUG可到ST社区提问：ST社区

CUBEAI入门指南下载地址：X-CUBE-AI入门指南手册

官方应用示例：部署示例

STM32CUBEAI安装

CUBEAI扩展包的安装目前已有许多教程，这里不再赘述。CUBEAI安装

需要注意的是，在STM32CUBEMX上安装CUBEAI时，可能并不能安装到最新版本的CUBEAI，因此可以前往ST官网下载最新版本（最新版本会对模型实现进行更新）。https://www.st.com/zh/embedded-software/x-cube-ai.html

CUBEAI模型支持

目前，CUBEAI支持三种类型的模型：

Keras：.h5TensorFlow：.tflite一切可以转换成ONNX格式的模型：.onnx

Pytorch部署CUBEAI需要将Pytorch生成模型.pth转换成.onnx。

LSTM模型转换注意事项

由于CUBEAI扩展包和ONNX对LSTM的转换限制，在Pytorch模型搭建时，需要设置LSTM的batch_first=False(并不影响模型训练和应用)，设置后，需要注意输入输出数据的格式。LSTM模型内部全连接层的输入前，将数据切片，取最后时间步，可避免一些问题。对于多LSTM，可以采取forward函数多输入x的形式，每一个x是一个LSTM的输入。

模型转换

Pytorch->Onnx

使用torch.onnx.export()函数，其中可动态设置变量，函数使用已有很多教程，暂不赘述。Pytorch转ONNX及验证

由于部署后属于模型应用阶段，输入数据batch=1,seq_length和input_num可自行设置，也可设置动态参数（设置seq_length为动态参数后，CUBEMX验证的示例数据中的seq_length=1）。

Onnx->STM32

大致流程可参考: STM32 模型验证

STM32CUBEMX中选中相应模型即可，可修改模型名称方便后续网络部署（不要使用默认network名字）。

验证阶段可能会发生多种问题，问题错误种类参见：

模型应用

到目前为止，Pytorch模型已经成功转换成ONNX并在CUBEMX进行了验证且得到通过，下面则是STM32的模型应用部分。

通过keil打开项目后，在下面的目录下存放模型相关文件，主要用到的函数为：modelName.c、modelName.h，其中modelName为在CUBEMX中定义的模型名称。

主要使用的函数如下：

ai_modelName_create_and_init：用于模型创建和初始化ai_modelName_inputs_get：用于获取模型输入数据ai_modelName_outputs_get：用于获取模型输出数据ai_pytorch_ftc_lstm_run：用于前馈运行模型得到输出ai_mnetwork_get_error：用于获取模型错误代码，调试用

各函数相关参数及用法如下。

相似代码可参见：X-CUBE-AI入门指南手册

1 错误类型及代码

/*! * @enum ai_error_type * @ingroup ai_platform * * Generic enum to list network error types. */typedef enum { AI_ERROR_NONE = 0x00, /*!< No error */ AI_ERROR_TOOL_PLATFORM_API_MISMATCH = 0x01, AI_ERROR_TYPES_MISMATCH = 0x02, AI_ERROR_INVALID_HANDLE = 0x10, AI_ERROR_INVALID_STATE = 0x11, AI_ERROR_INVALID_INPUT = 0x12, AI_ERROR_INVALID_OUTPUT = 0x13, AI_ERROR_INVALID_PARAM = 0x14, AI_ERROR_INVALID_SIGNATURE = 0x15, AI_ERROR_INVALID_SIZE = 0x16, AI_ERROR_INVALID_VALUE = 0x17, AI_ERROR_INIT_FAILED = 0x30, AI_ERROR_ALLOCATION_FAILED = 0x31, AI_ERROR_DEALLOCATION_FAILED = 0x32, AI_ERROR_CREATE_FAILED = 0x33,} ai_error_type;/*! * @enum ai_error_code * @ingroup ai_platform * * Generic enum to list network error codes. */typedef enum { AI_ERROR_CODE_NONE = 0x0000, /*!< No error */ AI_ERROR_CODE_NETWORK = 0x0010, AI_ERROR_CODE_NETWORK_PARAMS = 0x0011, AI_ERROR_CODE_NETWORK_WEIGHTS = 0x0012, AI_ERROR_CODE_NETWORK_ACTIVATIONS = 0x0013, AI_ERROR_CODE_LAYER = 0x0014, AI_ERROR_CODE_TENSOR = 0x0015, AI_ERROR_CODE_ARRAY = 0x0016, AI_ERROR_CODE_INVALID_PTR = 0x0017, AI_ERROR_CODE_INVALID_SIZE = 0x0018, AI_ERROR_CODE_INVALID_FORMAT = 0x0019, AI_ERROR_CODE_OUT_OF_RANGE = 0x0020, AI_ERROR_CODE_INVALID_BATCH = 0x0021, AI_ERROR_CODE_MISSED_INIT = 0x0030, AI_ERROR_CODE_IN_USE = 0x0040, AI_ERROR_CODE_LOCK = 0x0041,} ai_error_code;

2 模型创建和初始化

/*! * @brief Create and initialize a neural network (helper function) * @ingroup pytorch_ftc_lstm * @details Helper function to instantiate and to initialize a network. It returns an object to handle it; * @param network an opaque handle to the network context * @param activations array of addresses of the activations buffers * @param weights array of addresses of the weights buffers * @return an error code reporting the status of the API on exit */AI_API_ENTRYai_error ai_modelName_create_and_init( ai_handle* network, const ai_handle activations[], const ai_handle weights[]);

重点关注输入参数network和activations：数据类型均为ai_handle(即void*)。初始化方式如下：

ai_error err;ai_handle network = AI_HANDLE_NULL;const ai_handle act_addr[] = { activations };// 实例化神经网络err = ai_modelName_create_and_init(&network, act_addr, NULL);if (err.type != AI_ERROR_NONE){ printf("E: AI error - type=%d code=%d\r\n", err.type, err.code);}

3 获取输入输出数据变量

/*! * @brief Get network inputs array pointer as a ai_buffer array pointer. * @ingroup pytorch_ftc_lstm * @param network an opaque handle to the network context * @param n_buffer optional parameter to return the number of outputs * @return a ai_buffer pointer to the inputs arrays */AI_API_ENTRYai_buffer* ai_modelName_inputs_get( ai_handle network, ai_u16 *n_buffer);/*! * @brief Get network outputs array pointer as a ai_buffer array pointer. * @ingroup pytorch_ftc_lstm * @param network an opaque handle to the network context * @param n_buffer optional parameter to return the number of outputs * @return a ai_buffer pointer to the outputs arrays */AI_API_ENTRYai_buffer* ai_modelName_outputs_get( ai_handle network, ai_u16 *n_buffer);

需要先创建输入输出数据：

// 输入输出结构体ai_buffer* ai_input;ai_buffer* ai_output;// 结构体内容如下/*! * @struct ai_buffer * @ingroup ai_platform * @brief Memory buffer storing data (optional) with a shape, size and type. * This datastruct is used also for network querying, where the data field may * may be NULL. */typedef struct ai_buffer_ { ai_buffer_format format; /*!< buffer format */ ai_handle data; /*!< pointer to buffer data */ ai_buffer_meta_info* meta_info; /*!< pointer to buffer metadata info */ /* New 7.1 fields */ ai_flags flags; /*!< shape optional flags */ ai_size size; /*!< number of elements of the buffer (including optional padding) */ ai_buffer_shape shape; /*!< n-dimensional shape info */} ai_buffer;

之后调用函数进行结构体赋值：

ai_input = ai_modelName_inputs_get(network, NULL);ai_output = ai_modelName_outputs_get(network, NULL);

接下来需要对结构体中的data进行赋值，ai_input和ai_output均为输入输出地址，对于多输入形式的模型，可以数组索引多个输入：

// 单输入ai_float *pIn;ai_output[0].data = AI_HANDLE_PTR(pIn);// 多输入ai_float *pIn[]for(int i=0; i<AI_MODELNAME_IN_NUM; i++){ ai_input[i].data = AI_HANDLE_PTR(pIn[i]);}// 输出ai_float *pOut;ai_output[0].data = AI_HANDLE_PTR(pOut);

pIn为指针数组，数组内存储多个输入数据指针；AI_MODELNAME_IN_NUM为宏定义，表示输入数据数量。

AI_HANDLE_PTR是ai_handle类型宏定义，传入ai_float *指针，将数据转换成ai_handle类型。

#define AI_HANDLE_PTR(ptr_) ((ai_handle)(ptr_))

4 获取模型前馈输出

/*! * @brief Run the network and return the output * @ingroup pytorch_ftc_lstm * * @details Runs the network on the inputs and returns the corresponding output. * The size of the input and output buffers is stored in this * header generated by the code generation tool. See AI_PYTORCH_FTC_LSTM_* * defines into file @ref pytorch_ftc_lstm.h for all network sizes defines * * @param network an opaque handle to the network context * @param[in] input buffer with the input data * @param[out] output buffer with the output data * @return the number of input batches processed (default 1) or <= 0 if it fails * in case of error the error type could be queried by * using @ref ai_pytorch_ftc_lstm_get_error */AI_API_ENTRYai_i32 ai_modelName_run( ai_handle network, const ai_buffer* input, ai_buffer* output);

函数传入网络句柄，输入输出buffer指针，返回处理的批次数量（应用阶段应该为1），可通过判断返回值是否为1，说明模型运行是否成功。

printf("---------Running Network-------- \r\n");batch = ai_modelName_run(network, ai_input, ai_output);printf("---------Running End-------- \r\n");if (batch != BATCH) { err = ai_mnetwork_get_error(network);printf("E: AI error - type=%d code=%d\r\n", err.type, err.code);Error_Handler();}

运行后，可通过查看pOut数组数据得到模型输出。

void printData_(ai_float *pOut, ai_i8 num){ printf("(Total Num: %d): ", num);for (int i=0; i < num; i++){ if (i == num-1){ printf("%.4f. \r\n", pOut[i]);}else{ printf("%.4f, ", pOut[i]);}}}

模型应用小结

可以根据官方部署示例中的方法对AI_Init和AI_Run进行封装。

小结

遇到的BUG持续更新。