一、概述
很荣幸这次能拿到AIoT应用创新大赛的初赛资格。 深度学习和机器学习在安防、金融、消费等各个方面有着广泛的应用。随着神经网络算法的发展，模型精度越来越高，但是模型尺寸却越来越大，算法运算量和内存占用使得ANN的算法不适合在嵌入式端进行部署，这严重影响了神经网络算法的应用。因此，本设计尝试使用C 语言进行Lenet-5架构的前向传播，并将其应用于MNIST手写数字识别，从而使得TencentOS Tiny AIoT开发板具有智能识别手写数字的功能。
二、产品主要功能
由于一般的推理框架，如NCNN、TVM等会导致更多的依赖，因此本产品主要使用C 语言进行前向推断编写，具体代码在Gitee中。
本产品包含以下功能：
- 云端输入手写数字图像
- Lenet-5前向计算
- 串口打印分类输出
- 云端返回分类输出
具体流程框图如下：
手写数字识别系统框图三、算法原理
由于本项目准备使用C 进行无依赖的Lenet-5结果前向计算，因此这里简单叙述一下网络结构和训练过程。
卷积神经网络能够很好的利用图像的结构信息。LeNet-5是一个较简单的卷积神经网络。下图显示了CNN的基本结构：输入的二维图像，先经过两次卷积层到池化层，再经过全连接层，最后使用softmax分类作为输出层。下面我们主要介绍卷积层和池化层。
CNN的结构3.1 卷积层
卷积层是卷积神经网络的核心基石。在图像识别里我们提到的卷积是二维卷积，即离散二维滤波器（也称作卷积核）与二维图像做卷积操作，简单的讲是二维滤波器滑动到二维图像上所有位置，并在每个位置上与该像素点及其领域像素点做内积。卷积操作被广泛应用与图像处理领域，不同卷积核可以提取不同的特征，例如边沿、线性、角等特征。在深层卷积神经网络中，通过卷积操作可以提取出图像低级到复杂的特征。
卷积层示意图3.2 池化层
池化层示意图池化是非线性下采样的一种形式，主要作用是通过减少网络的参数来减小计算量，并且能够在一定程度上控制过拟合。通常在卷积层的后面会加上一个池化层。池化包括最大池化、平均池化等。其中最大池化是用不重叠的矩形框将输入层分成不同的区域，对于每个矩形框的数取最大值作为输出层，如上图所示。
3.3 Lenet-5
LeNet5 这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全链接层。是其他深度学习模型的基础， 这里我们对LeNet5进行深入分析。同时，通过实例分析，加深对与卷积层和池化层的理解。
Lenet-5结构LeNet-5共有7层，不包含输入，每层都包含可训练参数；每个层有多个Feature Map，每个FeatureMap通过一种卷积滤波器提取输入的一种特征，然后每个FeatureMap有多个神经元。
四、产品亮点
由于本项目使用C 实现了Lenet-5的前向计算，因此速度非常快，同时减少了各种库的依赖，即插即用。
五、串口打印实验和视频演示
输入图像
串口打印
