我在STM32单片机上跑神经网络算法—CUBE-AI
为什么可以在STM上面跑人工智能？简而言之就是通过X-Cube-AI扩展将当前比较热门的AI框架进行C代码的转化，以支持在嵌入式设备上使用，目前使用X-Cube-AI需要在STM32CubeMX版本7.0以上，目前支持转化的模型有Keras、TF lite、ONNX、Lasagne、Caffe、ConvNetJS。Cube-AI把模型转化为一堆数组，而后将这些数组内容解析成模型，和Tensorflow里的模型转数组后使用原理是一样的。
CNN可视化技术总结（四）--可视化工具与项目
前面介绍了可视化的三种方法--特征图可视化，卷积核可视化，类可视化，这三种方法在很多提出新模型或新方法的论文中很常见，其主要作用是提高模型或者新方法的可信度，或者用来增加工作量，或者用来凑字数，还有一些作用是帮助理解模型针对某个具体任务是如何学习，学到了哪些信息，哪些区域对于识别有影响等。
本文将介绍一些可视化的项目，主要有CNN解释器，特征图、卷积核、类可视化的一些代码和项目，结构可视化工具，网络结构手动画图工具。
深度学习-分享几个开源AI模型库
现在市面上有很多的深度学习预训练模型库，这些预训练库收集了不同AI任务的SOTA模型，有的还提供推理的SDK。这对于做AI应用和AI开发来说，是宝贵的开源资源。
为什么GEMM是深度学习的核心
在之前写的一篇计算机视觉入门路线文章中，我推荐大家在不用任何框架、只使用numpy这种包的情况下，从零实现一个卷积神经网络。其中一个很重要的因素就是在这个过程中大家会了解到卷积过程在底层中是如何优化实现的，其主流的方法就是GEMM。这篇博客比较细致地介绍了什么是GEMM，以及它的优缺点。
