1. 课程导入：了解TinyML的定义、应用场景、课程目标与学习路径，掌握Nano 33 BLE Sense在TinyML中的定位与优势

TinyML（微型机器学习）是机器学习与嵌入式系统交叉融合的前沿领域，其核心思想是在功耗受限、计算资源有限的微控制器（MCU）上直接部署和运行机器学习模型。与云端AI依赖高速网络和强大GPU不同，TinyML让设备在本地完成数据采集、推理和决策，无需将原始数据上传至服务器。这一范式转变带来了三大根本性变革：延迟趋近于零（本地推理无需网络往返）、隐私性大幅提升（敏感数据不出设备）、功耗降至毫瓦级（纽扣电池可支撑数月甚至数年）。本课程将围绕Arduino Nano 33 BLE Sense这一专为TinyML设计的开发板，带领你从零开始构建端侧智能应用。

1.1 TinyML的核心原理与定义

TinyML并非简单的"在MCU上跑神经网络"，而是一套完整的工程方法论。其技术栈包含三个关键层次：模型压缩（将浮点模型量化为8位整数）、推理引擎（TensorFlow Lite Micro等专为MCU优化的运行时）、硬件加速（利用MCU的DSP指令和硬件乘法器）。以Nano 33 BLE Sense搭载的nRF52840为例，其Cortex-M4F内核支持硬件浮点单元（FPU）和DSP扩展指令，可在不牺牲太多精度的情况下实现每秒数十次推理。

从数学本质来看，TinyML的推理过程是张量运算的逐层展开。一个典型的卷积神经网络（CNN）在MCU上执行时，每一层卷积被分解为乘加运算的循环嵌套。例如，一个输入为32×32×3的图像分类模型，第一层卷积可能需要执行约10万次乘加操作。为了在64MHz主频下完成这些运算，TinyML框架会采用以下优化策略：

• 静态内存规划：在编译期确定所有中间张量的内存地址，避免动态分配带来的开销和碎片。
• 算子融合：将激活函数、批归一化等操作合并到卷积层中，减少内存读写次数。
• 循环展开与向量化：利用Cortex-M4F的SIMD（单指令多数据）能力，一次处理多个数据点。
• 量化感知训练：在训练阶段就模拟量化误差，使模型对低精度表示更鲁棒。

1.2 Nano 33 BLE Sense的硬件架构与定位

Nano 33 BLE Sense并非普通的Arduino开发板，它是Arduino家族中专为机器学习场景设计的旗舰产品。其核心硬件配置如下表所示：

硬件模块	型号/规格	TinyML相关特性
主控MCU	Nordic nRF52840	Cortex-M4F @64MHz，带FPU和DSP指令
内存	256KB RAM + 1MB Flash	可容纳中等规模量化模型（约200-400KB）
无线通信	BLE 5.0 / NFC	低功耗数据传输，支持OTA固件更新
麦克风	MP34DT05（PDM接口）	16kHz采样，用于语音命令识别
IMU	LSM9DS1（9轴）	加速度/陀螺仪/磁力计，用于姿态识别
环境传感器	HTS221 + LPS22HH + APDS9960	温湿度/气压/环境光/手势/接近度
电源管理	3.3V LDO，支持锂电池	深度睡眠模式电流可低至2μA

在TinyML开发流程中，Nano 33 BLE Sense扮演着"数据采集终端 + 推理执行器"的双重角色。作为数据采集终端，其板载传感器阵列可以同步捕获多模态数据——例如同时采集麦克风音频、IMU运动数据和环境光强度，为多模态模型提供丰富的输入特征。作为推理执行器，它能在本地完成模型推理，并通过BLE将结果发送至手机或网关，实现分布式智能。

1.3 典型应用场景与案例拆解

为了更直观地理解TinyML的能力边界，我们分析一个工业设备预测性维护的完整案例。某工厂需要在旋转机械上部署振动异常检测系统，传统方案采用有线振动传感器连接工控机，单点成本约3000元，且布线复杂。改用Nano 33 BLE Sense后，整体方案发生根本性变化：

1. 数据采集阶段：利用板载LSM9DS1加速度计，以1.6kHz采样率采集三轴振动数据。每次采集1秒数据（约4800个样本），通过滑动窗口生成训练样本。
2. 特征工程：在PC端对原始振动信号进行FFT变换，提取频域特征（主频幅值、频谱质心、带宽等），将原始4800维数据压缩为32维特征向量。
3. 模型训练：使用TensorFlow构建一个两层全连接网络（32→16→3），参数量仅约800个，训练后量化至8位整数，模型大小约1.2KB。
4. 部署推理：将量化模型转换为C数组，通过Arduino IDE烧录至Nano 33 BLE Sense。设备每5秒执行一次推理，判断设备状态为"正常/磨损/故障"。
5. 结果与代价：推理耗时约8ms，平均功耗约15mA（含BLE广播）。单节点硬件成本降至约200元，且无需布线。但代价是模型精度从云端版的97.2%降至94.8%，主要损失集中在早期微弱故障的识别上。

1.4 学习路径与常见误区

本课程的学习路径遵循"从感知到认知，从仿真到部署"的递进逻辑。前5章聚焦环境搭建和基础传感器数据读取；第6-10章深入特征工程和模型训练；第11-20章围绕TinyML推理引擎和模型优化展开；第21-25章讲解BLE通信和端云协同；最后5章通过综合项目（语音命令识别、手势分类、异常检测）串联全部知识。每章均配备可运行的Arduino代码和Python训练脚本，确保"学完即用"。

在初学者实践中，以下误区最为常见：

• 误区一：忽视数据采集质量。TinyML模型的性能上限由数据质量决定，而非模型复杂度。使用Nano 33 BLE Sense采集数据时，需注意传感器量程、采样率设置和抗混叠滤波。例如，IMU的加速度计量程默认±2g，若设备振动超过该范围，数据将饱和失真。
• 误区二：模型过大导致内存溢出。初学者常将PC端训练好的模型直接部署，忽略量化后的内存占用。一个包含3层卷积的模型（每层16个3×3滤波器）在浮点下约需120KB RAM，量化后降至30KB，但仍需预留推理中间缓冲区。建议使用model.summary()和interpreter.get_details()检查内存占用。
• 误区三：忽略功耗优化。Nano 33 BLE Sense在满速运行（64MHz + 传感器全开 + BLE广播）时电流可达20mA，若使用锂电池供电，1000mAh电池仅能维持约50小时。实际项目中应利用NRF_POWER->TASKS_LOWPWR进入低功耗模式，并采用"事件驱动"而非"轮询"方式采集数据。
• 误区四：混淆"训练"与"推理"环境。模型训练必须在PC或云端完成（需要TensorFlow、NumPy等库），Nano 33 BLE Sense仅负责推理。部分初学者试图在MCU上直接训练模型，这是不现实的——训练需要浮点运算和大量内存，远超MCU能力。