单片机运行神经网络的总结：物尽其用

在之前的几篇博文中，我尝试在STM32F401（只有 64K Ram 和 256K 的Flash）上跑了几个常见模型，涵盖了DNN，RNN和CNN，做了MNIST的图像识别和运动检测两个类型的项目，对单片机运行神经网络有了一定经验，这里做一点大致总结。

ANN.h

在上述几个项目中，我通过整理和总结，对常用网络层做了函数封装，已经实现了下述的常用函数：

这些函数原则上可以实现大部分常见的网络模型，至于到底能实现什么样的模型，就要看单片机的资源限制了，所以这里总结一些相关方面的问题。

问题1：F103系列能不能跑神经网络

原则上可以，但是要看你F103具体的型号，能跑什么样的网络跟你单片机的RAM有关，RAM很大程度上决定了单片机上网络的规模，一般来说小于5层的DNN和RNN在64k RAM的单片机上问题都不是很大。当然了，具体问题具体分析，上述只是通解。

问题2：F0系列能不能跑

参考问题1，原则上也可以，跟RAM有关，可以跑一些输入输出比较少的RNN和DNN，不建议跑卷积。

问题3：有没有性价比比较高的MCU或平台推荐

我写整个项目用的是F401CCU6这个MCU，淘宝上上单颗相对比较便宜，64K的RAM+256K的Flash，中规中矩，属于中下配置，F4的入门款，但是因为是F4有浮点单元，浮点运算可以加速，相对F0和F1会好一点；整体推荐上来说，F4系列都不错，毕竟能跑在单片机上的网络规模都不会很大，F4的xE及以上的资源基本上就比较充足了。

问题4：能不能人脸识别

人脸识别时两个问题，包含了：

• 有没有人脸（分类问题）
• 人脸在哪里（目标检测问题）

虽然上述两个问题最终都可以转化为 分类问题 求解，但这个过程相当于是通过分类对目标进行搜索。所以要在单片机上实现人脸识别，不是不可以，但是在我所使用的F401CC芯片上不可以，因为资源实在有限，内存不够用，可以在更高级的一些系列中找合适的芯片去尝试。

问题5：网络的规模怎么衡量

在PC端训练完网络以后，可以看看整个网络的权重参数的数量，每一个权重参数都是float型，占4个字节，那么64K的RAM理论上可以最多允许有16000个参数。

但实际上不可能，单片机运行状态下也会需要运行内存，假如运行时至少需要50%的内存，那么能允许的最大参数量就变成了8000个。

以上只是一个衡量的方法，我的建议是：

• 如果跑卷积层，那么至少预留50%的内存；
• 如果跑RNN或者DNN，可以留30%左右的内存；
• 多层卷积的，类似VGG这样的网络，至少留70%的内存。

具体留多少，可以在片上调试的时候具体看，以上只是对新手建议，避免能编译却跑不了的尴尬。如果能很好的控制内存开销，可以适当少留一点，所以具体问题还是要具体分析。