课程导入：学习目标、适用人群、课程整体框架与学习路径

嵌入式人工智能（TinyML）正在从实验室走向量产设备，而 Edge Impulse 与 TFLite Micro 是当前最主流的两条技术路径。Edge Impulse 提供了从数据采集、特征工程、模型训练到部署验证的一站式云平台，大幅降低了机器学习在 MCU 上的落地门槛；TFLite Micro 则作为 Google 官方的推理引擎，负责将训练好的模型高效地运行在 Cortex-M、ESP32、RP2040 等资源受限的硬件上。然而，许多开发者在这条路上会遇到一个关键断层：平台生成的固件是“黑盒”——你无法修改预处理逻辑、无法替换模型、无法调整推理调度，更无法将自有外设驱动与推理引擎深度耦合。本课程的核心目标，就是帮助你跨越这个断层，从“会用平台”进阶到“能定制固件”，真正掌握从模型到硬件的完整工程链路。

学习目标：四层递进，从会用平台到能改固件

本课程不是简单的“Edge Impulse 操作教程”，而是围绕 “模型如何真正跑在自己的硬件上” 这一核心问题展开。学完本课程，你将具备以下四层能力：

这四层能力是递进关系：L1 是基础，让你能快速跑通一个 demo；L2 是关键桥梁，因为很多开发者卡在“平台能跑，但导出后无法在 MCU 上运行”的问题上；L3 是核心价值，本课程将用大量篇幅讲解如何从 Edge Impulse 生成的 C++ 工程出发，逐步替换、增加、重构代码；L4 是进阶提升，解决实际产品落地时的性能瓶颈。

适用人群：谁需要这门课程？

本课程面向以下三类人群，每类人群的学习侧重点略有不同：

• 嵌入式软件工程师（MCU 方向）：你熟悉 STM32、ESP32、RP2040 等平台，了解外设驱动开发，但缺乏机器学习背景。本课程将帮助你理解模型是如何被“压缩”进 MCU 的，以及如何将推理引擎与现有驱动代码无缝集成。你的学习重点应放在第 7-12 章（模型转换）和第 13-22 章（固件定制）。
• AI 应用工程师 / 算法工程师：你擅长 Python 和 TensorFlow/PyTorch，但对嵌入式 C++ 开发不熟悉。本课程将带你了解 MCU 上的资源约束（内存、算力、功耗），以及如何调整模型结构以适应这些约束。你的学习重点应放在第 1-6 章（平台操作）和第 23-26 章（内存与算子优化）。
• 物联网产品经理 / 创客 / 学生：你希望快速将 AI 功能集成到自己的硬件原型中，但又不想被复杂的底层细节困住。本课程将为你提供一条清晰的路径：先用 Edge Impulse 快速验证可行性，再逐步深入固件定制，最终实现产品化。建议按章节顺序学习，遇到代码部分可以先跳过，理解概念后再回头补。

无论你属于哪类人群，都需要具备以下基础：C/C++ 基本语法（能读懂指针和结构体）、MCU 开发经验（至少用过一种开发板）、基本的机器学习概念（知道什么是特征、分类、训练）。如果你对 TensorFlow 完全陌生，建议先花 2-3 天时间了解张量、卷积、池化的基本概念。

课程整体框架：六大模块，30 章递进

本课程共 30 章，分为六个模块，每个模块解决一个核心问题。下面用表格展示整体框架：

这个框架的设计逻辑是：先跑通，再深入，后优化，终发布。模块一和模块二让你在 2-3 天内就能看到模型在开发板上运行；模块三和模块四则带你拆开“黑盒”，理解每一行代码的作用；模块五和模块六解决“能用”到“好用”的最后一公里。

学习路径：三条路线，按需选择

根据你的时间和目标，我们设计了三条学习路径：

1. 速成路径（约 1 周）：只学习第 1-6 章和第 13-14 章。目标是快速将 Edge Impulse 的模型部署到开发板上，使用平台生成的默认固件。适合产品原型验证或 Demo 演示。
2. 标准路径（约 3 周）：学习第 1-18 章。目标是能够修改 Edge Impulse 生成的固件，集成自定义外设和预处理逻辑。适合大多数嵌入式工程师。
3. 深度路径（约 5 周）：学习全部 30 章。目标是掌握从模型到固件的全链路优化能力，能够独立完成量产级 TinyML 产品开发。适合希望深耕 TinyML 方向的开发者。

无论选择哪条路径，都建议在每章学习后完成对应的动手实验。本课程的所有案例均基于 STM32F746G-DISCO 和 ESP32-S3 两块开发板，你也可以使用其他 Cortex-M4/M7 或 RISC-V 开发板，但需要注意内存和算子支持的差异。

案例拆解：从“平台生成”到“自定义固件”的典型问题

为了让你更直观地理解本课程要解决的问题，我们来看一个真实场景：

背景：某工业设备厂商需要开发一个“振动异常检测”功能，使用 ADXL345 加速度传感器，MCU 为 STM32L476（Cortex-M4F，128KB RAM）。工程师小张先用 Edge Impulse 完成了数据采集和模型训练，模型精度达到 96%，平台自动生成了固件并成功部署。但很快他遇到了三个问题：

• 问题一：平台生成的固件中，数据采集频率固定为 100Hz，但实际应用需要 200Hz 采样，且需要同时采集温度数据。
• 问题二：模型推理完成后，需要将结果通过 UART 发送到上位机，但平台固件只支持 MQTT 协议。
• 问题三：设备需要进入低功耗模式，但平台固件中的推理循环是持续运行的，无法配置为“事件触发”模式。

这三个问题的本质是：平台生成的固件是一个通用模板，无法满足特定场景的定制需求。小张的解决思路是：

1. 导出 Edge Impulse 生成的 C++ 工程，定位到 main.cpp 和 inference.h 文件。
2. 修改传感器驱动，将采样频率从 100Hz 改为 200Hz，并增加温度传感器的读取逻辑。
3. 在推理完成后，将结果封装为自定义 UART 协议，替换原有的 MQTT 发送代码。
4. 将推理循环改为外部中断触发，仅在振动超过阈值时才执行推理，其余时间进入 STOP 模式。

这个过程涉及的知识点包括：TFLite Micro 解释器的初始化与调用、模型输入张量的内存布局、特征预处理与模型输入的对接、低功耗模式下的外设配置。这些内容将在第 13-24 章中逐一展开。通过本课程的学习，你将能够独立完成上述所有修改，而不是依赖平台的黑盒固件。

常见误区与学习建议

根据我们多年的教学经验，初学者在学习本课程时容易陷入以下误区：

• 误区一：只关注模型精度，忽略模型大小。在 MCU 上，模型大小直接决定 RAM 占用和推理速度。一个 96% 精度的模型如果占用 200KB RAM，在 128KB RAM 的 MCU 上根本无法运行。本课程将教你如何在精度和资源之间做权衡。
• 误区二：认为 Edge Impulse 生成的代码是“标准答案”，不敢修改。实际上，平台生成的代码只是起点，它使用了大量宏定义和条件编译来适配不同硬件。理解这些宏的作用后，你可以放心地修改和扩展。
• 误区三：跳过量化直接部署浮点模型。虽然 TFLite Micro 支持浮点运算，但在 Cortex-M4 上，浮点推理速度远慢于定点推理。本课程将详细讲解量化原理，帮助你选择最适合的量化方案。
• 误区四：忽视内存对齐问题。TFLite Micro 要求输入张量数据按 16 字节对齐，否则可能导致 HardFault。很多初学者在自定义数据缓冲区时忽略了这一点，导致程序崩溃。

最后，本课程的所有实验代码都将在 GitHub 上开源，你可以随时下载对照学习。建议准备一个专用的开发板和一个逻辑分析仪（或示波器），用于调试时序和信号完整性。准备好后，让我们从第 2 章开始，正式进入 Edge Impulse 的世界。