今天小编要和大家分享的是控制,MCU相关信息，接下来我将从MCU也需要AI 能够突破嵌入式应用可能的极限，查看源网页这几个方面来介绍。
控制,MCU相关技术文章MCU也需要AI 能够突破嵌入式应用可能的极限
微型微控制器与强大的人工智能（AI）世界有什么关系，毕竟，AI设计主要参与方都是功能强大的CPU，GPU和FPGA等。
但随着AI从云到边缘的发展，使得这一观点正在迅速改变，AI计算引擎使MCU能够突破嵌入式应用可能的极限，嵌入式设计已经能够提高网络攻击的实时响应能力和设备安全性。
支持AI的MCU
图1：云计算推动了对具有AI功能的MCU的需求；它减少了数据传输所需的带宽，并节省了云服务器的处理能力。 （图片：意法半导体）
配备AI算法的MCU正在应用包含对象识别，启用语音服务和自然语言处理等功能的应用程序。它们还有助于提高物联网（IoT），可穿戴设备和医疗应用中电池供电设备的准确性和数据隐私性。
那么，MCU如何在边缘和节点设计中实现AI功能？下面简要介绍了三种基本方法，这些方法使MCU能够在IoT网络边缘执行AI加速。
三个MCU + AI场合
第一种方法（可能是最常见的方法）涉及各种神经网络（NN）框架（例如Caffe 2，TensorFlow Lite和Arm NN）的模型转换，用于在MCU上部署云训练的模型和推理引擎。有一些软件工具可以从云中获取经过预训练的神经网络，并通过将其转换为C代码来针对MCU进行优化。
在MCU上运行的优化代码可以在语音，视觉和异常检测应用程序中执行AI功能。工程师可以将这些工具集下载到MCU配置中，并运行优化神经网络的推论。这些AI工具集还提供了基于神经网络的AI应用程序的代码示例。
图2：AI执行模型转换工具可以在低成本和低功耗MCU上运行优化神经网络的推论。图片：意法半导体
第二种方法是绕过了对从云借用的预训练神经网络模型的需求，设计人员可以将AI库集成到微控制器中，并将本地AI培训和分析功能纳入其代码中。