本项目实现了在STM32上进行图像分类的任务。使用CIFAR-10数据集，通过Caffe机器学习框架搭建和训练神经网络模型，然后将所得模型进行转换，使其能够运行在STM32上。本项目运行在Keil的模拟器中，所以无需开发板也能体验机器学习在STM32上的应用效果。
| 目录 | 描述 |
|---|---|
| arm_nnexamples_cifar10 | STM32图像分类MDK项目源码 |
| script | 图片预处理脚本 |
| test_images_from_cifar10 | 来自CIFAR-10数据集的测试图片 |
| test_images_from_internet | 来自互联网的测试图片 |
一幅宽32像素高32像素的彩色图像，为方便STM32实验操作， 事先将图像转换为像素值数组，存放在arm_nnexamples_cifar10_inputs.h中。
输出是测试图像所属的类别的概率，概率值最大的就是目标图像的所属类别，输出结果如下图所示：
细心的同学可能要问了，为什么这里的输出是127，而不是一个0~1之间的数？
这个跟我们使用的Softmax函数有关，一般Softmax函数的公式是这样的：
y_i = e^(x_i) / sum(e^x_j)
而在STM32上我们采用的是以2为底Softmax函数，所以其输出会有所不同。
y_i = 2^(x_i) / sum(2^x_j)
众所周知，微控制器的计算性能有限，这样做可以大大减小计算量，并且从数学上来讲梯度是一样的，我们依然能够很好地分辨出目标图像的所属类别。
编译 -> Debug调试运行 -> 打开Debug (printf) Viewer (View->Serial Windows->Debug (printf) Viewer)
