1. 课程导论与开发环境搭建
各位同学好，我是你们的嵌入式AI讲师。今天咱们正式开始《STM32Cube AI模型版本控制与量化部署实战》的第一章。
说实话，我刚开始接触嵌入式AI的时候，也踩过不少坑。那时候模型训练好了，往STM32上一部署，要么跑不起来，要么精度掉得离谱。后来慢慢摸索，才发现版本控制和量化部署这两个东西，真的是绕不开的坎。
这一章，咱们先把地基打牢。我会带着你把开发环境搭好，把基本概念理清。后面30章的内容，才能顺风顺水。
1.1 STM32Cube.AI 到底是什么？
STM32Cube.AI，说白了就是ST官方出的一套工具链。它能把你训练好的神经网络模型，转换成能在STM32上高效运行的C代码。
我打个比方：你训练好的模型就像一本英文原版书，STM32只能看懂机器码。Cube.AI就是那个翻译官，把英文书翻译成STM32能读懂的指令集。
核心能力：支持 TensorFlow Lite、Keras、ONNX 等主流框架的模型导入，自动生成优化后的 C 代码，并提供性能评估和内存分析。
我在项目中遇到过最头疼的事，就是模型在PC上跑得好好的，一到嵌入式设备上就崩。后来发现是算子不支持。Cube.AI的验证工具能提前帮你发现这些问题，省了不少返工时间。
1.2 版本控制概念——为什么需要它？
你想想看，一个AI项目从训练到部署，中间要调多少次参数？改多少次网络结构？
我自己的习惯是：每改一次模型，就提交一次Git记录。这样哪天发现新模型效果还不如旧的好，直接git checkout回去就行。
我的建议：模型文件（.h5、.tflite）不要用Git LFS管理，否则仓库会变得巨大。我一般只记录训练脚本和配置文件，模型文件单独存到云存储或NAS上。
版本控制的好处，我总结了几点：
- 可追溯：知道哪个版本在什么数据集上训练的
- 可复现：换台电脑也能拉下来直接跑
- 可回滚：新模型翻车了，秒切回稳定版
- 协作方便：团队里谁改了啥，一目了然
1.3 量化部署的意义
量化，就是把模型里的浮点数（比如3.1415926）变成整数（比如3）。为什么要这么做？
STM32这类MCU没有浮点运算单元（FPU）或者FPU性能有限。浮点数运算又慢又费电。量化之后，模型体积能缩小4倍，推理速度能提升2-4倍。
注意：量化会带来精度损失。我曾经把一个图像分类模型从float32量化到int8，精度从92%掉到了88%。后来通过校准数据集和混合精度量化，才把精度拉回到91%。
量化部署的核心流程：
- 训练浮点模型（float32）
- 用校准数据集做量化感知训练或后训练量化
- 导出int8或int16模型
- 用Cube.AI部署到STM32
1.4 开发板选型：STM32H743 vs STM32F746
这两块板子我都用过，各有千秋。我整理了一个对比表：
| 特性 | STM32H743 | STM32F746 |
|---|---|---|
| 内核 | Cortex-M7 @ 480MHz | Cortex-M7 @ 216MHz |
| SRAM | 1MB (可配置) | 320KB |
| Flash | 2MB | 1MB |
| FPU | 双精度 | 单精度 |
| AI推理性能 | 更强（频率高、缓存大） | 够用（适合中小模型） |
| 价格 | 较高 | 适中 |
| 推荐场景 | 复杂模型、实时性要求高 | 入门学习、简单分类任务 |
我个人建议：如果你是初学者，先买F746，便宜够用。等后面跑大模型了，再上H743。我当年就是直接上了H743，结果很多功能根本用不上，浪费了预算。
1.5 开发环境搭建
1.5.1 STM32CubeMX 与 Cube.AI 安装
这两步其实很简单，但顺序别搞反了：
- 先去ST官网下载STM32CubeMX（最新版就行）
- 安装时选上所有支持的MCU系列
- 打开CubeMX，进入Help → Manage embedded software packages
- 找到X-CUBE-AI，点击安装
避坑指南：我曾经装过旧版的Cube.AI，结果死活识别不了我的Keras模型。后来发现是版本不兼容。建议CubeMX和Cube.AI都用最新版，至少是2023年以后的版本。
1.5.2 Python 环境配置（TensorFlow/Keras 2.x）
我推荐用Anaconda管理Python环境，干净又方便。
# 创建虚拟环境
conda create -n stm32_ai python=3.9
# 激活环境
conda activate stm32_ai
# 安装TensorFlow（CPU版就够了，训练小模型用）
pip install tensorflow==2.13.0
# 验证安装
python -c "import tensorflow as tf; print(tf.__version__)"这里要注意：TensorFlow 2.x和Keras已经合并了，直接用tf.keras就行。我刚开始还傻傻地分开装，结果各种冲突。
1.5.3 Git 版本控制基础
Git这东西，说难不难，说简单也不简单。我总结了一套最常用的命令，够你应付整个课程：
# 初始化仓库
git init
# 添加文件到暂存区
git add .
# 提交
git commit -m "初始提交：搭建好Cube.AI环境"
# 查看状态
git status
# 查看历史
git log --oneline我的工作流：每次修改模型或代码，先git add，再git commit。提交信息写清楚改了啥，比如“将卷积层数从3层改为5层，精度提升2%”。这样以后回看，一目了然。
1.6 本章知识体系总览
下面这张图，把咱们第一章的核心内容串起来了。你可以把它当成整个课程的地图：
1.7 本章小结
这一章咱们把整个课程的骨架搭好了。你知道了：
- STM32Cube.AI是干啥的——模型翻译官
- 版本控制为啥重要——防翻车神器
- 量化部署的意义——让模型在MCU上跑得动
- 两块开发板的区别——H743强但贵，F746够用
- 环境怎么搭——CubeMX、Python、Git三步走