2、基础知识：掌握功耗、能量、功率、周期数、时钟频率、电压、电流等基本概念及其单位

TinyML 设备的功耗评估，本质上是对“电能在时间轴上的流动与消耗”进行量化分析。在 Cortex-M 微控制器上，我们通过测量或估算电流与电压，结合程序执行所消耗的时钟周期数，最终换算出能量与平均功耗。这一章将系统梳理这些物理量的定义、单位、换算关系，以及它们在嵌入式系统语境下的特殊含义。只有把这些基础概念彻底厘清，后续的周期数统计、功耗建模和电池寿命估算才有坚实的数学与物理基础。

上图展示了 TinyML 功耗评估中三个核心域之间的逻辑关系：电气域（电压、电流、功率）、时间/执行域（周期数、频率、时间）以及能量域（能量、平均功耗）。在实际工程中，我们通常从测量电压和电流入手，结合程序运行时的周期数统计，最终换算出一次推理或一轮传感采集所消耗的能量。下面逐一展开这些概念。

2.1 核心概念定义与单位

2.1.1 电压、电流与功率

电压（U）是驱动电荷定向移动的“压力”，单位是伏特（V）。在 Cortex-M 系统中，典型工作电压为 1.8V、2.5V 或 3.3V。电压并非恒定不变——当芯片从睡眠模式切换到运行模式时，内部 LDO 或 DC-DC 的输出会有毫伏级的跌落，这在高精度功耗测量中不可忽略。

电流（I）是单位时间内通过导体横截面的电荷量，单位是安培（A）。在嵌入式系统中，电流范围跨度极大：睡眠模式可能只有 1µA，而射频发射或 Flash 写入时可达 10mA 甚至更高。TinyML 推理时，CPU 全速运行、内存频繁访问，电流通常处于毫安级。

功率（P）表示单位时间内做功的速率，单位是瓦特（W）。对于直流电路，瞬时功率为 P = U × I。但实际芯片的电流并非恒定，而是随时间变化的曲线，因此我们更关心平均功率和峰值功率。峰值功率决定了电源和去耦电容的设计，平均功率则决定了电池寿命。

2.1.2 周期数与时钟频率

周期数（N）是指 CPU 执行一段代码所消耗的时钟周期个数。Cortex-M 内核的每条指令都需要若干个时钟周期，例如简单的 ADD 指令可能需要 1 个周期，而除法指令可能需要 5-10 个周期。对于 TinyML 推理，一次卷积操作可能包含数百万次乘加运算，对应的周期数可能达到数百万甚至上千万。

时钟频率（f）是 CPU 每秒执行的时钟周期数，单位是 Hz。Cortex-M 系列常见频率从几十 MHz（如 STM32L0 的 32MHz）到几百 MHz（如 Cortex-M7 的 400MHz）。频率越高，单位时间内执行的指令越多，但功耗也越高——因为 CMOS 电路的动态功耗与频率成正比。

两者的关系通过时间桥接：执行时间 t = N / f。例如，一个推理任务需要 2,000,000 个周期，在 100MHz 下耗时 20ms；若将频率提升到 200MHz，则耗时缩短为 10ms，但功耗可能增加 60%-80%。这就是 TinyML 中经典的“频率-功耗-时间”三角权衡。

2.1.3 能量与功耗的区别

能量（E）是做功的总量，单位是焦耳（J）。在电池供电设备中，电池容量通常以毫安时（mAh）或瓦时（Wh）表示，本质上也是能量单位。一次推理消耗的能量决定了电池能执行多少次推理。

功耗（P）是能量消耗的速率，单位是瓦特（W）。功耗是瞬时的，而能量是累积的。一个关键误区是：低功耗不等于低能量。例如，一个设备以 10mW 功耗运行 1 秒消耗 10mJ；另一个设备以 100mW 功耗运行 0.05 秒消耗 5mJ——后者功耗更高但能量更少。TinyML 优化的目标通常是最小化单次任务的能量消耗，而非单纯降低功耗。

功率 P = U × I（单位：W）
能量 E = P × t = U × I × (N / f)（单位：J）
平均功耗 P̄ = E / t_total（单位：W）
电池寿命 T = 电池容量(mAh) / 平均电流(mA)（单位：h）

2.2 判断方法与操作流程：如何测量与计算

2.2.1 周期数的获取方法

在 Cortex-M 上获取周期数有几种常用手段：

1. DWT->CYCCNT 寄存器：Cortex-M3/M4/M7 内核自带数据观察点与跟踪单元（DWT），其中的 CYCCNT 是一个 32 位自由运行计数器，每个时钟周期加 1。使用时需先使能 DWT 和 CYCCNT，然后在代码段前后读取差值。
2. 调试器周期计数：Keil、IAR 等 IDE 的调试器提供周期计数功能，但会因断点或调试干扰而失真，适合粗测。
3. SysTick 定时器：SysTick 通常配置为 1ms 中断，但也可以读取当前计数值来估算周期数，精度较低。

// 使用 DWT->CYCCNT 测量周期数
volatile uint32_t *DWT_CYCCNT = (uint32_t *)0xE0001004;
volatile uint32_t *DWT_CTRL = (uint32_t *)0xE0001000;
volatile uint32_t *DEMCR = (uint32_t *)0xE000EDFC;

void enable_dwt_counter() {
    *DEMCR |= 0x01000000;    // 使能 TRCENA
    *DWT_CTRL |= 1;          // 使能 CYCCNT
}

uint32_t get_cycles() {
    return *DWT_CYCCNT;
}

// 使用示例
enable_dwt_counter();
uint32_t start = get_cycles();
// 执行 TinyML 推理函数
model_inference();
uint32_t end = get_cycles();
uint32_t cycles_used = end - start;  // 注意处理溢出

2.2.2 电流与电压的测量

测量电流的常用方法包括：

• 串联采样电阻法：在电源路径中串联一个 10Ω 或 100Ω 的精密电阻，用示波器测量电阻两端电压，再除以电阻值得到电流。注意电阻压降会影响芯片实际供电电压。
• 电流探头：使用霍尔效应或罗氏线圈电流探头，非侵入式测量，适合高频动态电流。
• 功耗分析仪：如 Joulescope、Otii 等专用设备，可同步采集电压、电流和时间，直接输出能量数据，是 TinyML 功耗评估的首选工具。

电压测量相对简单，在芯片电源引脚附近用示波器探头测量即可。但要注意：测量点应尽量靠近芯片 VDD 引脚，避免 PCB 走线电阻造成的压降误差。

2.2.3 能量换算流程

完整的能量评估流程如下：

1. 使能 DWT 周期计数器，记录推理开始和结束的周期数 N。
2. 用功耗分析仪或示波器记录同一时间段内的电压 U(t) 和电流 I(t) 波形。
3. 计算平均功率 P̄ = (1/T) ∫ U(t) × I(t) dt，或简化为 P̄ = U_avg × I_avg（若电压波动小）。
4. 计算能量 E = P̄ × t，其中 t = N / f。
5. 若需要评估电池寿命，将能量除以电池电压得到等效毫安时消耗。

2.3 案例拆解：一次 MNIST 推理的功耗实测

假设我们使用 STM32L476（Cortex-M4F，80MHz）运行一个量化后的 MNIST 手写数字识别模型，模型包含 2 个卷积层和 1 个全连接层，共约 12,000 个参数。

初始条件：

• 供电电压：3.3V（由 LDO 提供，波动小于 50mV）
• 时钟频率：80MHz
• Flash 等待周期：2 个等待周期（80MHz 下需要）
• 工作模式：正常运行，无 DMA 传输

测量过程：

1. 使用 DWT->CYCCNT 测得推理总周期数 N = 1,850,000 cycles。
2. 使用 Joulescope 功耗分析仪记录推理期间电流波形，平均电流 I_avg = 8.2mA，电压稳定在 3.28V（LDO 有轻微压降）。
3. 计算执行时间 t = 1,850,000 / 80,000,000 = 23.125ms。
4. 计算平均功率 P̄ = 3.28V × 8.2mA = 26.9mW。
5. 计算能量 E = 26.9mW × 23.125ms = 0.622mJ。

结果分析：

若使用一颗 200mAh 的纽扣电池（电压 3V），理论上可执行推理次数为：200mAh × 3V = 600mWh = 2160J，2160J / 0.622mJ ≈ 3,470,000 次。但实际还要考虑睡眠电流、电池自放电和电压跌落，实际可用次数约为理论值的 60%-70%。

优化对比：若将频率降至 40MHz，周期数不变（仍为 1,850,000），但执行时间变为 46.25ms。由于 CMOS 动态功耗与频率成正比，电流可能降至 5.1mA，平均功率为 3.28V × 5.1mA = 16.7mW，能量为 16.7mW × 46.25ms = 0.772mJ。可见频率降低反而使能量增加了 24%——因为虽然功率降低了，但时间延长了更多。这说明在 TinyML 中，盲目降频并不一定节能，需要找到能量最优频率点。

2.4 常见误区与总结复盘

误区一：将功耗与能量混为一谈。功耗是速率，能量是总量。一个设备功耗高但运行时间极短，可能比功耗低但运行时间长的设备更省电。TinyML 优化的核心指标是单次推理能量，而非峰值功耗。

误区二：忽略电压波动。许多工程师假设电压恒定为 3.3V，但实际在电流突变时（如 Flash 写入、射频发射），电源电压可能跌落 100mV 以上。这会导致功率计算误差达 3%-5%，在低电压（1.8V）系统中误差更大。

误区三：周期数统计不完整。DWT->CYCCNT 只统计 CPU 内核周期，不包含 Flash 预取等待、总线仲裁延迟和 DMA 占用周期。如果代码从 Flash 执行，实际消耗时间可能比 N/f 计算值多 10%-30%。更准确的做法是使用定时器测量真实墙钟时间，或使用 ETM 跟踪。

误区四：忽略静态功耗。在深度睡眠模式下，Cortex-M 的静态电流（漏电流）可能达到 µA 级。虽然单次推理能量中静态功耗占比很小，但在低占空比应用中（如 1 分钟推理一次），静态功耗可能占总能量的 80% 以上。

误区五：单位换算错误。mAh 与 J 的换算需要乘以电压：1mAh × 3.7V = 3.7mWh = 13.32J。很多工程师直接使用 mAh 计算能量，导致数量级错误。