随著捷伊辅助工具和机能可供他们开发者在他们的控制系统中实行，机器学习让PDP控制系统金融行业N80H65Vc。 Arm Cortex-M 类别中央CPU上的机器学习依然相较较新，但有许多十分有意思的辅助工具可供PDP开发者更随心所欲地将的数学模型软件控制系统到她们的商品中，一类这种的辅助工具是 ST Microelectronics STM32Cube.AI。
STM32Cube.AI 是 STM32CubeMX 的扩充包，可在 STM32 Arm(r) Cortex(R)-M CPU上投入使用 AI。 STM32Cube.AI 不为开发者继续执行专业培训，但容许她们引入的数学模型并将其软件控制系统到她们的运转时自然环境中。你能将 STM32Cube.AI 视作切换辅助工具，它选用数学模型数学模型并聚合可在 STM32中央CPU上运转的强化标识符。
最捷伊 STM32Cube.AI 版6.0容许开发者从盛行辅助工具引入机器学习数学模型，比如：
Keras
TensorFlow Lite
ONNX
开发者即使能优先选择是选用 STM32Cube.AI 运转时自然环境运转数学模型，却是选用 TensorFlow Lite for Microcontrollers 运转时。
将数学模型放入PDP自然环境是很难的部份。时常所苦PDP开发者的难题是她们的机器学习数学模型与否能在中央CPU上获得成功运转。即便，譬如的难题：
运转机器学习数学模型须要啥个继续执行周期性？
那个机器学习数学模型会挤占啥SSD内部空间？
这个机器学习数学模型将挤占啥 RAM 内部空间？
数学模型在最终目标上与否会像在体能训练和校正前夕那样精确？
STM32Cube.AI 有两个很酷的预测辅助工具，能用以提问许多这种的难题。比如，我从 TensorFlow Lite for Microcontrollers 网站体能训练了两个超级简单的示例数学模型，给定 x 值将预测正弦波的 y 值。将数学模型引入 STM32Mx 后，我能够预测数学模型并聚合包含以下摘要的报告：
如你所见，摘要为我提供了用于该数学模型的内存大小，比如权重和激活以及继续执行机器学习数学模型所需的乘法和累加指令的数量。（这是两个超级简单的数学模型，所以大小以字节为单位！对于现实世界的例子来说不是很现实）。
该报告还为数学模型提供了有用的细分，他们能在其中看到数学模型中的每一层：
这些只是 STM32Cube.AI 为准备进入中央CPU机器学习世界的PDP控制系统开发者提供的几个小例子。机器学习当然是新事物，而且发展迅速，但 STM32Cube.AI 是一款免费辅助工具，能帮助PDP开发者随心所欲地将其机器学习数学模型切换为在中央CPU上运转。
