希望论坛支持 一下markdown，我的很多程序readme都是markdown写的。  最近ST弄了个创意大赛，我参加了AI组，今天特意分享了我的测试流程。markdown写的，所以凑合看。希望各位参加比赛的顺利完成，我在疫区所以官方H7-DISCO板子收不到，等，有什么问题的话论坛私信我不能及时回复，可以在我别的帖子找我的联系方式。
  测试记录，不详细描述怎么做的，一是我觉得手把手教别人怎么做，简直是害了别人，特别是学生，二是深度学习确实所需要知识点比较多，没办法展开。
  板子玩的开心就行！！！

# cifar10 在 nucleo STM32F767 平台的 测试
## 软件配置
### win10
   1. cubeMX 5.6.0
   2. MDK 5.29a
   3. cubemx扩展包--cube.AI 5.0.0
### ubuntu16.04
   1. tensorflow 2.1.0 (内含keras)
   2. python 2.7 （ubuntu16.04 自带）
   3. cifar10 训练数据

## 硬件配置   
   1. nucleo F767
   2. 自制扩展板
   3. SD卡
   4. 扩展板 连接 ST-Link RX TX 引脚的杜邦线

## 测试步骤
   * 在 ubuntu16.04 的操作不叙述
   * 直接将转换的模型(模型约4MB)，利用cubemx转换，暂称为STM32_AI_Model。

   * 模型参数存储在W25Q128中，系统初始化时，QSPI进行内存映射，方便STM32_AI_Model读取模型参数。
   * SD卡中读取29张测试图片均来自互联网，利用bmpconvST转换并缩小至32*32分辨率。
   * RGB每个通道需要进行预处理，即R/255 G/255 B/255
   * 图片在STM32_AI_Model的模型输入数据组织应为:
| R1 | G1 | B1 | R2 | G2 | B2 | ... |
   * 循环从SD卡读取BMPt图片，显示在LTCD驱动的屏幕上，经过STM32_AI_Model推理后的结果，串口打印出来。
推理结果的数据组织为：
| C1 | C2 | C3 | C4 | ... | C10 |，每一哥数据代表对应种类的可能性。

   * 可能性最大的即为推理最有可能的种类，cifar10即十种。

## 测试结果
  ### 串口打印：
    sd_card_mount_ok
    airplane: 1.000       *
    airplane: 1.000       *
    automobile: 0.998     *
    automobile: 1.000     *
    airplane: 1.000       x
    dog: 0.584            x
    bird: 1.000           *
    dog: 0.999            x
    dog: 0.874            x
    frog: 1.000           x
    cat: 0.993            *
    dog: 0.764            x
    deer: 1.000           *
    airplane: 0.906       x
    dog: 1.000            *
    dog: 0.999            *
    deer: 0.810           x
    bird: 1.000           x
    frog: 0.688           *
    frog: 1.000           *
    horse: 1.000          *
    horse: 1.000          *
    horse: 1.000          *
    ship: 0.664           *
    ship: 1.000           *
    ship: 1.000           *
    truck: 1.000          *
    ship: 0.658           x
    truck: 1.000          *

 我的LCD显示不正常，所以我用文件系统截了个图：


### 测试准确率

  * 19/29*100%=65.5%

### 测试总结
  * 图片中比较常见的东西模型很容易辨认，图片第二行第三个是青蛙头上有一个蜗牛，辨认错了，还有四只猫居然只对了一只，其余的比较正常，毕竟图片分辨率不高。
  * 由于我是用的深度学习模型是cifar10测试准确率比较高的，所以模型比较大，计算复杂，STM32F7推理时间约四五秒。