4、图像分类核心概念：卷积神经网络（CNN）基础，卷积、池化、全连接层，分类损失与准确率
TinyML 物体识别项目的本质，是在资源极度受限的微控制器上完成“图像进、类别出”的推理任务。要理解这一过程，必须掌握卷积神经网络（CNN）的核心构件：卷积层负责提取局部特征，池化层负责压缩空间尺寸，全连接层负责将特征映射为类别得分，而损失函数与准确率则构成了模型训练的“方向盘”与“仪表盘”。本章将逐一拆解这些概念，并结合 TinyML 场景说明其设计约束。
4.1 卷积层：局部特征提取的核心机制
卷积层是 CNN 的“眼睛”。它通过一组可学习的卷积核（Filter/Kernel）在输入图像上滑动，计算局部区域的加权和，从而提取边缘、纹理、颜色块等低级特征。在 TinyML 场景中，卷积核尺寸通常取 3×3 或 1×1，因为更大的核（如 5×5、7×7）会显著增加乘加运算量和参数量，超出微控制器的算力预算。
卷积操作的核心参数包括：卷积核数量（决定输出通道数）、步长（Stride，决定滑动间隔）、填充（Padding，决定输出尺寸是否保持不变）。对于 32×32 的输入图像，使用 3×3 卷积核、步长 1、无填充时，输出尺寸为 30×30。若使用 8 个卷积核，则输出张量为 30×30×8，参数量为 3×3×3×8 = 216 个权重（假设输入为 RGB 三通道）。
在微控制器上，卷积层通常以深度可分离卷积（Depthwise Separable Convolution）替代标准卷积。它将标准卷积拆分为逐通道卷积（Depthwise）和逐点卷积（Pointwise），参数量可减少约 8~9 倍。例如 MobileNet 系列架构正是基于此设计，使其成为 TinyML 物体识别的主流骨干网络。
4.2 池化层：空间降维与平移不变性
池化层（Pooling）紧随卷积层之后，其作用是降低特征图的空间分辨率，同时保留主要特征。最常用的是最大池化（Max Pooling），它取窗口内最大值作为输出；平均池化（Average Pooling）则取均值。在 TinyML 中，2×2 最大池化、步长 2 是最常见配置，它可将特征图尺寸减半，从而大幅减少后续全连接层的输入维度。
池化层不引入额外参数，计算量也极低（仅需比较或求和），非常适合资源受限设备。更重要的是，池化赋予了模型一定的平移不变性——即使目标物体在图像中轻微移动，池化后的特征仍能保持稳定，这对低分辨率图像分类尤为重要。
| 池化类型 | 计算方式 | 优点 | TinyML 适用性 |
|---|---|---|---|
| 最大池化 | 取窗口内最大值 | 保留最强激活，对纹理敏感 | 推荐，计算量极小 |
| 平均池化 | 取窗口内平均值 | 保留整体信息，抑制噪声 | 可用于全局平均池化 |
| 全局平均池化 | 整个特征图取均值 | 替代全连接层，大幅减少参数 | 强烈推荐，常用于最后分类 |
在 TinyML 实践中，全局平均池化（Global Average Pooling）常被用作全连接层的替代方案。它将每个通道的特征图压缩为一个数值，直接送入分类输出层，从而消除全连接层的大量参数。例如，若卷积输出为 4×4×16，全局平均池化后变为 16 维向量，参数量从 4×4×16×N 骤降至 16×N。
4.3 全连接层与分类输出
全连接层（Fully Connected Layer）将池化后的特征展平为一维向量，并通过矩阵乘法映射到类别得分。假设输入特征维度为 D，输出类别数为 C，则全连接层包含 D×C 个权重和 C 个偏置。在 TinyML 中，全连接层往往是参数量最大的部分，因此需要严格控制 D 和 C 的规模。
分类输出层通常配合 Softmax 激活函数，将得分转换为概率分布。Softmax 的公式为：
P(y=i|x) = exp(z_i) / Σ exp(z_j) (j=1..C)其中 z_i 为第 i 类的得分。Softmax 输出总和为 1，便于解释和计算交叉熵损失。在微控制器上，Softmax 的指数运算可通过查表或近似算法实现，以避免浮点运算开销。
4.4 分类损失函数与准确率评估
训练 CNN 时，损失函数衡量预测分布与真实标签之间的差异。最常用的是交叉熵损失（Cross-Entropy Loss）：
L = -Σ y_i · log(p_i)其中 y_i 为真实标签的 one-hot 编码，p_i 为 Softmax 输出的概率。交叉熵损失在错误预测时产生较大梯度，能有效驱动模型学习。在 TinyML 场景中，由于模型容量有限，常需配合权重衰减（L2 正则化）防止过拟合。
准确率（Accuracy）是分类任务最直观的评估指标：
Accuracy = 正确预测样本数 / 总样本数但在类别不平衡时，准确率可能产生误导。例如，若 90% 样本属于“背景”类，模型全部预测为背景也能获得 90% 准确率。因此，TinyML 项目常同时监控精确率（Precision）、召回率（Recall）和 F1 分数。
| 指标 | 公式 | 含义 | TinyML 场景建议 |
|---|---|---|---|
| 准确率 | (TP+TN)/(TP+TN+FP+FN) | 整体正确率 | 类别均衡时使用 |
| 精确率 | TP/(TP+FP) | 预测为正类的样本中真实正类比例 | 误报代价高时关注 |
| 召回率 | TP/(TP+FN) | 真实正类中被正确预测的比例 | 漏报代价高时关注 |
| F1 分数 | 2×P×R/(P+R) | 精确率与召回率的调和平均 | 综合评估推荐 |
4.5 案例拆解：基于 CNN 的 10 类物品分类器
假设我们需要在 Arduino Nano 33 BLE Sense 上部署一个识别 10 类日常物品（如钥匙、硬币、橡皮、笔帽等）的分类器。输入图像为 32×32 灰度图，RAM 限制 50KB，Flash 限制 256KB。
模型设计：
- 输入层：32×32×1（灰度）
- 卷积层 1：8 个 3×3 卷积核，步长 1，无填充 → 输出 30×30×8，参数量 8×3×3×1+8=80
- 池化层 1：2×2 最大池化 → 输出 15×15×8
- 卷积层 2：16 个 3×3 卷积核，步长 1，无填充 → 输出 13×13×16，参数量 16×3×3×8+16=1168
- 池化层 2：2×2 最大池化 → 输出 6×6×16（向下取整）
- 全局平均池化 → 输出 16 维向量
- 全连接层：16×10+10=170 个参数
总参数量：80+1168+170=1418 个参数，约 5.5KB（按 4 字节浮点存储）。加上中间激活值（30×30×8+15×15×8+13×13×16+6×6×16≈12.8KB），总 RAM 占用约 18KB，满足约束。
训练与量化：在 PC 端使用 TensorFlow 训练，准确率达 92%。随后进行 8 位量化，将权重从 float32 转为 int8，模型大小压缩至约 1.4KB，推理速度提升 3 倍。部署后实测准确率 89%，下降 3 个百分点，但仍在可接受范围。
4.6 常见误区与总结复盘
误区一：盲目增加卷积核数量。在 TinyML 中，算力和内存是硬约束。8 个卷积核可能已足够提取特征，增加到 32 个虽能提升精度，但会导致 RAM 溢出。应优先通过数据增强（旋转、平移、亮度变化）提升泛化能力，而非增加模型容量。
误区二：忽略输入分辨率的影响。32×32 输入在 TinyML 中是常见选择，但若物体过小或细节丰富，可尝试 48×48 输入，同时减少卷积核数量以平衡计算量。需通过实验对比不同分辨率的准确率与延迟。
误区三：将准确率作为唯一指标。在嵌入式场景中，推理延迟、功耗、RAM 峰值同样关键。一个准确率 95% 但延迟 500ms 的模型，可能不如准确率 90% 但延迟 50ms 的模型实用。
误区四：忽视 Softmax 的计算开销。在 Cortex-M4 等无 FPU 的 MCU 上，Softmax 的指数运算可能消耗大量 CPU 周期。建议在推理阶段省略 Softmax，直接比较 logits 大小。
总结：CNN 的四个核心组件——卷积、池化、全连接、损失函数——构成了 TinyML 图像分类的基础。卷积层提取特征，池化层降维，全连接层分类，损失函数指导优化。在资源受限环境下，每个组件的设计都需要在精度与效率之间权衡。掌握这些概念后，下一步将进入数据采集与预处理环节，为模型训练准备高质量数据集。