VIP10
本课程属于：019-STM32CubeAI模型版本管理 嵌入式基础与RISC-V · 共 10 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

STM32Cube.AI模型迁移与量化剪枝优化

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论与AI部署全景
为什么需要模型优化？STM32Cub… · 课程目标与学习路径
AI课程导论
02
STM32Cube.AI开发环境搭建
安装STM32CubeMX · X-CUBE-AI扩展包 · 配置工具链（GCC/IAR/Keil…
STM32Cube.AI开发环境搭建
03
模型量化基础（上）
什么是量化？FP32 vs INT8 · 对称量化与非对称量化 · 量化参数（scale
模型量化基础FP32
04
模型量化基础（下）
量化误差来源分析 · 校准数据集的作用 · 量化感知训练（QAT）与训练后量化（…
模型量化基础量化误差来源分析
05
STM32Cube.AI模型转换流程
从Keras/TFLite到STM3… · .h5与.tflite文件的导入 · Cube.AI分析报告解读
STM32Cube.AI模型转换流程
06
模型剪枝技术
权重剪枝与神经元剪枝 · 结构化剪枝与非结构化剪枝 · 剪枝率对精度的影响
模型剪枝技术权重剪枝
07
知识蒸馏实战
教师模型与学生模型设计 · 蒸馏温度与损失函数配置 · 在STM32上的部署效果对比
知识蒸馏实战教师模型
08
模型结构轻量化设计
深度可分离卷积 · 分组卷积 · 瓶颈结构（MobileNet/Shu…
模型结构轻量化设…深度可分离卷积
09
激活函数选择与优化
ReLU家族（ReLU/LeakyR… · Swish与Hard-Swish的M…
激活函数选择优化
10
STM32Cube.AI性能分析工具详解
RAM/Flash占用分析 · 推理时间预估 · MACC与参数量的关系
STM32Cube.AI性能分析工具详解
11
内存优化策略
激活值复用（In-Place计算） · 张量内存池化 · 双缓冲机制（Double Buffe…
内存优化策略In-Place
12
算子融合与图优化
Conv+BN+ReLU融合 · 恒等映射消除 · 常量折叠
算子融合图优化
13
硬件加速单元利用
STM32的MVE（M-Profil… · CMSIS-NN库的集成与调用
硬件加速单元利用STM32
14
多模型协同部署
主模型与辅助模型的分时复用 · 模型分区加载（Overlay） · 外部Flash与内部SRAM的协同
多模型协同部署主模型
15
模型迁移策略（上）
从PC端到MCU端的迁移挑战 · 输入尺寸调整 · 预处理对齐
模型迁移策略PC
16
模型迁移策略（下）
跨平台精度对齐验证 · 随机种子固定与确定性推理 · 端到端测试方法论
模型迁移策略跨平台精度对齐验…
17
实战案例
图像分类模型优化（MobileNet… · 剪枝 · 蒸馏全流程
实战案例MobileNet
18
实战案例
关键词唤醒（KWS）模型优化 · MFCC特征提取的MCU实现 · 实时性优化
实战案例KWS
19
实战案例
人体活动识别（HAR）模型优化 · 时序数据的分段处理 · 低功耗设计
实战案例HAR
20
实战案例
异常检测（Anomaly Detec… · 阈值选择与动态调整 · 报警延迟优化
实战案例Anomaly
21
模型验证与调试
STM32Cube.AI的Valid… · 输入输出数据导出 · 与PC端推理结果逐层比对
模型验证调试
22
性能调优工具链
STM32CubeMonitor与性… · Profiling中断与DWT（Da… · 瓶颈定位
性能调优工具链STM32CubeMon…
23
低功耗AI推理策略
动态电压频率调整（DVFS） · 睡眠模式与事件驱动推理 · 批处理与流水线设计
AI低功耗
24
模型版本管理与迭代
模型元数据记录 · A/B测试框架 · OTA更新与回滚机制
模型版本管理迭代
25
安全与可靠性
模型完整性校验（CRC/Hash） · 对抗样本防护 · 看门狗与超时保护
安全可靠性
26
边缘AI的联邦学习基础
数据隐私保护 · 模型聚合策略 · 在STM32上的轻量级联邦学习实现
AI边缘
27
STM32Cube.AI与TFLite Micro对比
工具链差异 · 算子支持度 · 性能与内存开销对比
STM32Cube.AITFLite
28
高级优化
模型编译与指令集优化 · 循环展开与软件流水 · 自定义算子注册与调用
高级优化模型编译
29
项目实战
智能传感器数据融合（加速度计+陀螺仪… · 同步与异步推理 · 资源竞争解决
项目实战智能传感器数据融…
30
课程总结与未来展望
AI on MCU的技术趋势 · 从STM32到其他MCU平台的迁移 · 持续学习路径
课程总结未来展望