1. 课程导入：学习目标、课程结构、适用人群、前置知识要求
TinyML（微型机器学习）正在将人工智能从云端数据中心推向我们身边的嵌入式设备。在众多TinyML应用中，音频分类因其数据获取便捷、传感器成本低廉、应用场景丰富（如关键词唤醒、异常声音检测、环境声识别）而成为入门首选。本章作为整个课程的起点，将帮助你建立对“声学事件检测（AED，Acoustic Event Detection）”任务的全局认知，明确学习路径，并对照自身基础做好学习准备。我们将从学习目标、课程结构、适用人群与前置知识四个维度展开，为你绘制一张清晰的学习地图。
上图展示了本课程的核心框架。声学事件检测作为TinyML的典型应用，其学习路径涉及信号处理、机器学习、嵌入式系统三个领域的交叉。下面我们将逐一拆解每个模块的具体内容，帮助你明确“为什么学”、“学什么”、“谁在学”以及“需要什么基础”。
1.1 学习目标：从理论到落地的能力构建
本课程的学习目标不是简单地“跑通一个demo”，而是建立一套完整的工程化思维。完成本课程后，你将具备以下核心能力：
- 理解音频信号的本质：掌握采样定理、时频域转换（如MFCC、Mel频谱）、音频事件的特征表达方式，能够针对不同声学场景选择合适的特征参数。
- 掌握TinyML模型设计与训练：能够使用TensorFlow Lite for Microcontrollers或Edge Impulse等工具，设计并训练适合MCU（微控制器）资源约束的轻量级神经网络模型（如DNN、CNN、DS-CNN）。
- 完成模型压缩与量化：理解并实践权重量化（如INT8量化）、剪枝、知识蒸馏等技术，将模型大小压缩至数百KB以内，满足MCU的Flash和RAM限制。
- 实现端到端部署：能够将训练好的模型部署到STM32、ESP32、Arduino Nano 33 BLE Sense等主流开发板上，并编写实时推理的固件代码。
- 具备系统调优能力：能够分析模型在真实环境中的性能瓶颈（准确率、延迟、功耗），并针对性地进行数据增强、模型结构调整或硬件优化。
学习目标分层说明：我们将目标分为三个层次——认知层（理解原理）、应用层（完成部署）、创新层（优化改进）。课程考核将围绕这三个层次设计，确保你不仅“知其然”，更“知其所以然”。
1.2 课程结构：30章递进式学习路径
整个课程共30章，分为四大模块，每个模块之间层层递进，形成完整的知识闭环。下表展示了课程的整体架构：
| 模块 | 章节范围 | 核心内容 | 实践项目 |
|---|---|---|---|
| 基础篇 | 第1-8章 | 音频信号基础、采样与量化、时频分析、特征提取（MFCC/Mel）、TinyML硬件平台介绍 | 使用Python录制并分析一段环境音，提取特征并可视化 |
| 算法篇 | 第9-18章 | 神经网络基础、CNN/DS-CNN架构、模型训练技巧、数据增强、量化与剪枝 | 训练一个关键词识别模型（如“是/否”），准确率≥90% |
| 部署篇 | 第19-25章 | TFLite Micro框架、MCU端推理引擎、内存优化、外设驱动（麦克风DMA）、实时操作系统集成 | 将模型部署到STM32F746开发板，实现实时推理 |
| 实战篇 | 第26-30章 | 完整项目设计（如婴儿哭声检测、玻璃破碎报警）、多场景调优、功耗优化、产品化考量 | 完成一个端到端的声学事件检测产品原型 |
这种结构设计遵循“认知-实践-创新”的认知规律。基础篇帮助你建立必要的理论储备，算法篇让你掌握模型设计的核心技能，部署篇解决工程落地的关键问题，实战篇则综合运用所有知识完成一个真实项目。每章末尾都配有思考题和动手练习，建议你按照顺序学习，不要跳跃。
1.3 适用人群：谁应该学习这门课程？
本课程面向对TinyML和音频智能处理感兴趣的开发者，具体包括以下三类人群：
- 嵌入式软件工程师：你熟悉MCU开发，希望为产品增加智能语音交互能力。课程将帮助你跨越从“裸机编程”到“AI模型集成”的鸿沟，掌握在资源受限设备上部署神经网络的方法。
- AI应用开发者：你了解深度学习，但缺乏嵌入式部署经验。课程将帮助你理解模型压缩与硬件适配的关键技术，让你的模型真正“跑”在端侧设备上，实现低延迟、离线运行。
- 物联网与硬件爱好者：你动手能力强，喜欢DIY智能设备。课程将引导你使用Arduino、ESP32等常见平台，快速实现声控灯、声音报警器等有趣项目，提升你的综合设计能力。
学习建议：如果你是初学者，不必担心硬件门槛。课程推荐的开发板（如Arduino Nano 33 BLE Sense）自带PDM麦克风，且与TensorFlow官方示例兼容，可以让你专注于算法与部署逻辑，避免底层硬件调试的困扰。
1.4 前置知识要求：你需要准备什么？
为了确保学习效果，我们建议你在开始本课程前，具备以下基础知识。如果某些方面有所欠缺，可以先行补充学习。
| 知识领域 | 具体要求 | 推荐补充资源 |
|---|---|---|
| 编程语言 | 熟悉Python基础语法（用于数据处理与模型训练）；了解C语言基本语法（用于MCU端代码编写） | 《Python编程：从入门到实践》；C语言在线教程 |
| 信号处理 | 理解采样定理、傅里叶变换的物理意义；了解频谱、滤波的基本概念 | 3Blue1Brown的傅里叶变换视频；《数字信号处理》前两章 |
| 机器学习 | 了解神经网络的基本结构（全连接层、卷积层）；知道训练集/验证集/测试集的划分 | 吴恩达《机器学习》课程前4周内容 |
| 嵌入式基础 | 了解GPIO、UART、I2C等外设的基本概念；能使用Arduino IDE或STM32CubeIDE进行简单的LED闪烁实验 | Arduino官方入门教程；《嵌入式系统设计与实践》 |
风险提示：如果你完全没有编程经验，建议先花2-3周时间学习Python基础，再开始本课程。课程中的代码示例虽然会详细注释，但不会从零讲解语法。同时，请确保你的电脑可以正常访问TensorFlow官网和GitHub，以便下载相关工具和示例代码。
1.5 学习环境搭建与工具准备
在正式开始第2章之前，请按照以下清单准备好你的开发环境。这将避免后续章节中因环境问题而中断学习。
- 硬件设备：Arduino Nano 33 BLE Sense开发板（推荐）或ESP32-S3-Korvo-2；USB数据线；带麦克风的耳机（用于调试）。
- 软件工具：Python 3.8+（推荐使用Anaconda管理环境）；TensorFlow 2.10+；Edge Impulse CLI（可选）；Arduino IDE 2.0+或STM32CubeIDE；串口调试助手（如PuTTY）。
- 数据集准备：本课程将使用公开数据集（如Speech Commands、ESC-50）以及自行录制的音频数据。请提前注册并下载相关数据集，确保网络畅通。
# 创建Python虚拟环境并安装依赖（示例）
conda create -n tinyml python=3.9
conda activate tinyml
pip install tensorflow==2.13.0 numpy scipy matplotlib librosa pyserial