📚 课程目录第1章课程导论与开发环境搭建

一、课程导论与开发环境搭建

各位同学好，欢迎来到《STM32模型移植与TFLite Micro内存调优实战》的第一章。

我是你们这门课的主讲。做了十几年嵌入式，从最早的8位机一路折腾到现在的双核MCU，踩过的坑确实不少。尤其是这几年AI模型往端侧跑的趋势越来越猛，我发现自己那套“老嵌入式”的内存管理思路，在TFLite Micro面前经常碰壁。

所以这门课，说白了就是把我这些年踩过的坑、总结出来的经验，尤其是内存调优那点“脏活累活”，掰开了揉碎了讲给你们听。

1.1 为什么是STM32 + TFLite Micro？

先聊聊为什么选这个组合。

STM32不用多说，做嵌入式的没人不知道。Cortex-M4和M7内核，带FPU和DSP指令集，跑轻量级推理完全够用。我最早在F4上跑过一个手势识别模型，帧率能到30fps，功耗才几十毫瓦。

TFLite Micro呢？它是Google专门为MCU级别设备打造的推理框架。没有操作系统依赖，纯C++17编写，ROM占用可以压到几十KB。我见过最极致的优化，整个推理引擎只用了16KB Flash。

但问题也出在这里——内存。MCU的RAM通常只有几百KB，而一个中等规模的模型，光中间结果缓冲区就可能吃掉上百KB。怎么在这么紧巴巴的空间里把模型跑起来，就是这门课要解决的核心问题。

核心观点：模型移植是基本功，内存调优才是决定项目能否量产的关键。

1.2 开发板选型：F4还是H7？

我个人建议，初学者从STM32F4系列入手。原因很简单：资料多、生态成熟、价格便宜。一块NUCLEO-F446RE，淘宝一百多块钱，足够跑通大部分轻量模型。

如果你要做更复杂的应用，比如视觉类的模型，那还是得上H7。H743的RAM有1MB，主频480MHz，双精度FPU，跑MobileNet V1都能到10fps以上。

我整理了一个对比表，方便你们选型：

特性	STM32F446RE	STM32H743ZI
内核	Cortex-M4	Cortex-M7
主频	180 MHz	480 MHz
RAM	128 KB	1 MB
Flash	512 KB	2 MB
FPU	单精度	双精度
典型价格	~120元	~350元
适合场景	入门、传感器数据处理	视觉、音频、复杂模型

我的建议：如果你预算有限，先买一块F4的板子把流程跑通。等后面讲到内存调优的高级技巧时，再考虑升级到H7。我自己当年就是F4起步的，那块板子到现在还在用。

1.3 IDE安装：STM32CubeIDE

开发环境这块，我推荐直接用STM32CubeIDE。它是ST官方基于Eclipse打造的免费IDE，集成了CubeMX配置工具和GCC编译器，开箱即用。

安装步骤很简单：

去ST官网下载STM32CubeIDE安装包（Windows/Linux/Mac都有）
双击安装，一路默认选项就行
安装完成后，打开IDE，它会自动检测并安装必要的驱动

嗯，这里要注意一个坑：Windows用户安装时，安装路径不要有中文和空格。我之前有个学生，装在了“D:\程序\STM32”下面，结果编译一直报路径错误，折腾了半天才发现是中文目录的问题。

避坑指南：安装路径、工程路径、源文件路径，全部使用英文和数字。这是嵌入式开发的铁律，不光是CubeIDE，所有工具链都一样。

1.4 TFLite Micro源码获取与编译

接下来是重头戏——获取TFLite Micro源码。

TFLite Micro的源码托管在GitHub上，是TensorFlow仓库的一部分。获取方式有两种：

完整克隆：git clone https://github.com/tensorflow/tensorflow.git，然后切换到特定版本
浅克隆：git clone --depth 1 --branch v2.12.0 https://github.com/tensorflow/tensorflow.git，只下载最新代码

我个人习惯用浅克隆。完整仓库有2个多G，下载太慢了。浅克隆只下载最新版本，够用。

下载完成后，进入 tensorflow/lite/micro 目录，你会看到这样的结构：

tensorflow/lite/micro/
├── examples/          # 示例工程
├── kernels/           # 算子实现
├── tools/             # 工具脚本
├── memory_planner/    # 内存规划器（重点！）
├── test/              # 测试代码
├── BUILD              # Bazel构建文件
└── README.md

编译的话，官方推荐用Bazel。但我更推荐用Makefile，尤其是做STM32移植时。因为Bazel对交叉编译的支持比较麻烦，而Makefile可以灵活指定工具链。

编译命令示例：

# 进入micro目录
cd tensorflow/lite/micro

# 使用Makefile编译
make -f tensorflow/lite/micro/tools/make/Makefile \
    TARGET=linux \
    test_hello_world

# 编译成功后，可执行文件在
# tensorflow/lite/micro/tools/make/gen/linux_x86_64/bin/

我第一次编译时，卡在了依赖下载上。TFLite Micro的Makefile会自动下载flatbuffers、gemmlowp等第三方库，但国内网络环境你懂的，经常下载失败。解决办法是手动下载这些库，放到 tensorflow/lite/micro/tools/make/downloads 目录下。

小技巧：如果你网络不好，可以用我整理好的离线依赖包。在课程配套资料里，有个 tflite_micro_deps.zip，解压后放到downloads目录就行。

1.5 本章知识体系总览

为了让大家对本章内容有个整体认识，我画了一张结构图：

1.6 本章小结

这一章我们做了三件事：

明确了方向：STM32 + TFLite Micro是端侧AI的黄金组合，但内存是最大瓶颈
选好了硬件：F4入门、H7进阶，根据预算和需求来
搭好了环境：CubeIDE装好，TFLite Micro源码拉下来，编译通过