Aufgabe<\/strong><\/p>\n Mittels der Schalttabelle<\/p>\n werden User-LED1 Gr\u00fcn auf Pin PB0 und User-LED3 Rot auf Pin PB14 auf dem Board Nucleo-F767ZI angesteuert.<\/p>\n Werkzeuge<\/b><\/p>\n Auflauf<\/b><\/p>\n Entwicklung des DNN in der Spyder IDE mit den Bibliotheken Keras\/Tensorflow<\/b><\/p>\n Mittels led_monitoring = Sequential()<\/span> wird ein DNN angelegt. Es besteht aus :<\/p>\n Deep Neural Network: led_monitoring<\/span><\/p>\n Training und Validierung des DNN<\/b><\/p>\n Da das DNN ein einfaches Schaltwerk mit wenigen aber vollst\u00e4ndigen Anwendungsf\u00e4llen ist, ist eine Aufteilung zwischen Trainings- und Testset nicht notwendig.<\/p>\n Bereits nach 38 Trainingsepochen wird eine Modellgenauigkeit von 100% erzielt.<\/p>\n Ausgabeschicht mit den 3 Wahrscheinlichkeiten der Klassifikationen DNN als h5-Datei speichern<\/b><\/p>\n C-Projekt in der STM32CubeIDE anlegen<\/b><\/p>\n STM32CubeIDE starten und File > New > STM32 Project<\/span> ausw\u00e4hlen. Im Board Selector<\/span> das Board Nucleo-F767ZI<\/span> ausw\u00e4hlen und Next<\/span> klicken.<\/p>\n LED_Monitoring<\/span> als Projektname angeben und Finish<\/span> klicken.<\/p>\n DNN-h5-Datei importieren, validieren und Quellcode <\/b>generieren<\/b><\/p>\n Datei LED_Monitoring.ioc<\/span> \u00f6ffnen. Auf das Tab Additional Software<\/span> klicken. Im Fenster Additional Software Components selection<\/span> die Checkbox Artificial Intelligence<\/span> ausw\u00e4hlen. Unter Packs Core<\/span> und Application Templates<\/span> ausw\u00e4hlen. Anschlie\u00dfend auf Ok<\/span> klicken.<\/p>\n Im Tab Categories, unter<\/span> Additional Software den Men\u00fcpunkt <\/span>STMicroelectronics X-CUBE-AI<\/span> anklicken. In Fenster Artificial Intelligence X-CUBE-AI<\/span> und Artificial Intelligence Application<\/span> ausw\u00e4hlen. Im Fenster Configuration<\/span> auf Add network<\/span> klicken. Im Bereich Model inputs<\/span> als Name led_monitoring_network<\/span> eintragen. Darunter links Keras<\/span> und rechts Saved model<\/span> ausw\u00e4hlen. Darunter bei Model:<\/span> nach dem Netzwerk led_monitoring.h5<\/span> browsen. Das Netzwerk ist nun importiert.<\/p>\n Nun muss \u00fcberpr\u00fcft werden, ob die Speicher f\u00fcr das Netzwerk ausreichen oder es komprimiert werden muss. Nun auf Analyze<\/span> klicken. Passt das Netzwerk in die Speicher erscheint bei Analyze<\/span> ein gr\u00fcner Haken.<\/p>\n Nun auf Save all<\/span> oben in der Men\u00fcleiste klicken. STM32CubeMX<\/span> generiert den Initialcode.<\/p>\n Die DNN-C-Funktion implementieren<\/b><\/p>\n Die Datei main.c<\/span> im Order LED_Monitoring > Core > Src<\/span> \u00f6ffnen. Die DNN-Funktion MX_X_CUBE_AI_Process()<\/span> wird zyklisch in der while<\/span> der main()<\/span> aufgerufen.<\/p>\n Die DNN-Funktion MX_X_CUBE_AI_Process()<\/span> befindet sich in der Quellcode-Datei LED_Monitoring > X-CUBE-AI > App > app_x-cube-ai.c<\/span>. Mit jedem der 4 Use cases wird das DNN mit der Funktion aiRun<\/span>(<\/span>in_data<\/span>,<\/span> out_data<\/span><\/span>) aufgerufen<\/span><\/span>. <\/span><\/span><\/p>\n Der Parameter in_data<\/span> ist der jeweilige Eingabe-Vektor, wie <\/span><\/p>\n ((ai_float *)in_data)[0] = (ai_float) 0.0f; <\/span><\/p>\n ((ai_float *)in_data)[1] = (ai_float) 0.0f;<\/span><\/p>\n Der Parameter out_data<\/span> beinhaltet die 3 Werte (p(0), p(1), p(2)) der Ausgangsschicht. Die 3 Werte geben die jeweilige Wahrscheinlichkeit der Klassifikation wieder. Der gr\u00f6\u00dfte Wahrscheinlichkeit ist Klassifikation zum Eingangsvektor.<\/p>\n Mit jedem Use case werden die User-LEDs<\/span> entsprechend angesteuert sowie Debugausgaben mittels prinf > Uart3 > Serial Port Terminal<\/span> ausgegeben.<\/p>\n Die DNN-C-Funktion ausf\u00fchren und pr\u00fcfen<\/b><\/p>\n Das Bord wird mit der Software programmiert. Der schwarze Reset-Taster<\/span> auf dem Board bet\u00e4tigt. Anschlie\u00dfend im Serial Port Terminal<\/span> im Tab Serial<\/span> die Verbindung zum Board mittels einem Klick auf dem Open<\/span> Button hergestellt.<\/p>\n Im Ergebnis wird die Schalttabelle als DNN auf dem Mikrocontroller korrekt ausgef\u00fchrt. Mit dem Erweiterungspaket STM32Cube.AI erm\u00f6glicht STMicroelectronics ein Neuronales Netz auf einen Mikrocontroller auszuf\u00fchren. In dem folgenden Beispiel LED-Monitoring wird ein DNN (Deep Neuronal Network) mit Keras\/Tensorflow erstellt, dann mittels STM32Cube.AI in das C-Projekt importiert und anschlie\u00dfend auf dem Testboard Nucleo-F767ZI ausgef\u00fchrt.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[13,31],"tags":[20,23,22,14,17,21,19,9,16,15],"class_list":["post-188","post","type-post","status-publish","format-standard","hentry","category-kuenstliche-intelligenz","category-software-entwicklung","tag-c","tag-deep-learning","tag-deep-neural-network","tag-keras","tag-machine-leraning","tag-mikrocontroller","tag-python","tag-stm32","tag-stm32cubeai","tag-tensorflow"],"_links":{"self":[{"href":"https:\/\/mike-netz.biz\/index.php?rest_route=\/wp\/v2\/posts\/188","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/mike-netz.biz\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mike-netz.biz\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mike-netz.biz\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/mike-netz.biz\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=188"}],"version-history":[{"count":58,"href":"https:\/\/mike-netz.biz\/index.php?rest_route=\/wp\/v2\/posts\/188\/revisions"}],"predecessor-version":[{"id":443,"href":"https:\/\/mike-netz.biz\/index.php?rest_route=\/wp\/v2\/posts\/188\/revisions\/443"}],"wp:attachment":[{"href":"https:\/\/mike-netz.biz\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=188"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mike-netz.biz\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=188"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mike-netz.biz\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=188"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"Schalttabelle\"](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0024_Schalttabelle.png\")
<\/p>\n![\"Nucleo-F767Z\"](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0026_\u00dcbersicht_Nucleo-F767ZI.png\")
<\/p>\n\n
\n
\n
<\/li>\n
<\/li>\n<\/ul>\n
#!\/usr\/bin\/env python3\n# -*- coding: utf-8 -*-\n\"\"\"\n@author: Mike Netz\n\"\"\"\n# Import Numpy and Keras utilities\nimport numpy as np\nfrom keras import utils\nfrom keras.models import Sequential\nfrom keras.layers.core import Dense, Activation\nfrom keras.utils import plot_model\n\nimport matplotlib.pyplot as plt\n\n\n# Set random seed\nnp.random.seed(42)\n\n# Our data\n# LED State\n#\n# UC x1 x2 y\n# 1 0 0 2 > FAILURE > RED LED ON\n# 2 0 1 0 > OFF > ALL LEDs OFF\n# 3 1 0 1 > ON > GREEN LED ON\n# 4 1 1 2 > FAILURE > RED LED ON\n#'\nX = np.array([[0,0],[0,1],[1,0],[1,1]]).astype('float32')\ny = np.array([[2],[0],[1],[2]]).astype('float32')\n\n\n# One-hot encoding the output\ny = utils.to_categorical(y)\n\n# Building the model\nled_monitoring = Sequential()\n\n# Add required layers\nled_monitoring.add(Dense(48, input_dim=X.shape[1]))\nled_monitoring.add(Activation(\"relu\"))\nled_monitoring.add(Dense(3))\nled_monitoring.add(Activation(\"softmax\"))\n\n# Specify loss as \"binary_crossentropy\", optimizer as \"adam\",\n# and add the accuracy metric0led_monitoring.compile(loss=\"categorical_crossentropy\", \n# optimizer=\"adam\", metrics = [\"accuracy\"])\nled_monitoring.compile(loss=\"categorical_crossentropy\",optimizer=\"adam\",metrics=[\"accuracy\"])\n\n# Uncomment this line to print the model architecture\nled_monitoring.summary()\n\n<\/pre>\n![\"Deep](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0015_led_monitoring_dnn.png\")
<\/p>\n# Fitting the model\nhistory = led_monitoring.fit(X, y, epochs=100, verbose=1)\n#print('\\nhistory dict:', history.history)\n\n# plot model\nplot_model(led_monitoring, to_file='led_monitoring_model.png')\n\n# Scoring the model\nscore = led_monitoring.evaluate(X, y)\nprint(\"\\nAccuracy: \", score[-1])\n\n# Checking the predictions\nprint(\"\\nPredictions:\")\nprint(led_monitoring.predict_proba(X))\n\n# Plot training & validation accuracy values\ndef ploti():\n plt.plot(history.history['accuracy'])\n plt.plot(history.history['loss'])\n plt.title('Model accuracy')\n plt.ylabel('Accuracy')\n plt.xlabel('Epoch')\n plt.legend(['Accuracy', 'Loss'], loc='upper left')\n plt.savefig('led_monitoring_plot.png', dpi=300)\n plt.show()\n \nploti()<\/pre>\n![\"Modellgenauigkeit](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0016_led_monitoring_plot.png\")
<\/p>\n je Eingangsvektor der Schalttabelle.<\/p>\n
![\"Modellgenauigkeit\"](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0001_accuracy.png\")
<\/p>\n# Save Model for STM32Cube.AI import\nled_monitoring.save('led_monitoring.h5')<\/pre>\n![\"Board](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0005_Board-Selector.png\")
<\/p>\n![\"STM32CubeMX.AI\"](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0002_Additional-Software-Components-selection.png\")
<\/p>\n![\"Keras](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0013_LED_Moniroring_ioc.png\")
<\/p>\n![\"Gr\u00fcner](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0003_Analyze.png\")
<\/p>\n![\"main.c\"](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0018_main-funktion.png\")
<\/p>\nvoid MX_X_CUBE_AI_Process(void)\n{\n \/* USER CODE BEGIN 1 *\/\n\t\/* Example of definition of the buffers to store the tensor input\/output *\/\n\t\/* type is dependent of the expected format *\/\n\tAI_ALIGNED(4)\n\tstatic ai_i8 in_data[AI_LED_MONITORING_NETWORK_IN_1_SIZE_BYTES];\n\n\tAI_ALIGNED(4)\n\tstatic ai_i8 out_data[AI_LED_MONITORING_NETWORK_OUT_1_SIZE_BYTES];\n\n\tai_float arrOutData[3];\n\tchar sOutInfo[64] = {0};\n\n printf(\"###############################################################\\n\");\n printf(\"### Neural Network based on truth table of led monitoring ###\\n\");\n printf(\"### UC x1 x2 y ###\\n\");\n printf(\"### 1 0 0 2 > FAILURE > RED LED ON ###\\n\");\n printf(\"### 2 0 1 0 > OFF > ALL LEDs OFF ###\\n\");\n printf(\"### 3 1 0 1 > ON > GREEN LED ON ###\\n\");\n printf(\"### 4 1 1 2 > FAILURE > RED LED ON ###\\n\");\n printf(\"###############################################################\\n\\n\");\n\n \/\/ Use case 1\n ((ai_float *)in_data)[0] = (ai_float) 0.0f;\n ((ai_float *)in_data)[1] = (ai_float) 0.0f;\n aiRun(in_data, out_data);\n\n Set_arrOutData(out_data, arrOutData);\n printf(\"Use case 1:\\n\");\n printf(\"Input = x1=%d and x2=%d\\n\", (int)round(((ai_float *)in_data)[0]),\n (int)round(((ai_float *)in_data)[1]));\n printf( \"Output = [%.6f %.6f %.6f] > %s\\n\\n\", arrOutData[0], arrOutData[1],\n arrOutData[2], Led_State_As_String(Switch_Led(arrOutData), sOutInfo) );\n HAL_Delay(5000);\n\n \/\/ Use case 2\n ((ai_float *)in_data)[0] = (ai_float) 0.0f;\n ((ai_float *)in_data)[1] = (ai_float) 1.0f;\n aiRun(in_data, out_data);\n\n Set_arrOutData(out_data, arrOutData);\n printf(\"Use case 2:\\n\");\n printf(\"Input = x1=%d and x2=%d\\n\", (int)round(((ai_float *)in_data)[0]),\n (int)round(((ai_float *)in_data)[1]));\n printf( \"Output = [%.6f %.6f %.6f] > %s\\n\\n\", arrOutData[0], arrOutData[1],\n arrOutData[2], Led_State_As_String(Switch_Led(arrOutData), sOutInfo) );\n HAL_Delay(5000);\n\n \/\/ Use case 3\n ((ai_float *)in_data)[0] = (ai_float) 1.0f;\n ((ai_float *)in_data)[1] = (ai_float) 0.0f;\n aiRun(in_data, out_data);\n\n Set_arrOutData(out_data, arrOutData);\n printf(\"Use case 3:\\n\");\n printf(\"Input = x1=%d and x2=%d\\n\", (int)round(((ai_float *)in_data)[0]),\n (int)round(((ai_float *)in_data)[1]));\n printf( \"Output = [%.6f %.6f %.6f] > %s\\n\\n\", arrOutData[0], arrOutData[1], \n arrOutData[2], Led_State_As_String(Switch_Led(arrOutData), sOutInfo) );\n HAL_Delay(5000);\n\n \/\/ Use case 4\n ((ai_float *)in_data)[0] = (ai_float) 1.0f;\n ((ai_float *)in_data)[1] = (ai_float) 1.0f;\n aiRun(in_data, out_data);\n\n Set_arrOutData(out_data, arrOutData);\n printf(\"Use case 4:\\n\");\n printf(\"Input = x1=%d and x2=%d\\n\", (int)round(((ai_float *)in_data)[0]), \n (int)round(((ai_float *)in_data)[1]));\n printf( \"Output = [%.6f %.6f %.6f] > %s\\n\\n\", arrOutData[0], arrOutData[1],\n arrOutData[2], Led_State_As_String(Switch_Led(arrOutData), sOutInfo) );\n\n printf(\"###############################################################\\n\\n\");\n\n HAL_Delay(5000);\n \/* USER CODE END 1 *\/\n}<\/pre>\n![\"LED](\"http:\/\/mike-netz.biz\/wp-content\/uploads\/2021\/03\/0017_LED_Monitoring_Terminal.png\")
<\/p>\n![](\"http:\/\/mike-netz.biz\/wp-content\/plugins\/wp-edit\/plugins\/emoticons\/img\/smiley-cool.gif\")
<\/p>\n","protected":false},"excerpt":{"rendered":"