1、课程导入：TinyML的定义、传感器建模的价值、端侧分类的应用场景与课程学习路径
TinyML（微型机器学习）是机器学习与嵌入式物联网系统交叉融合的前沿领域，其核心目标是在功耗受限、计算资源有限、存储空间狭小的微控制器（MCU）或极低功耗处理器上，直接部署和运行机器学习模型。与依赖云端GPU集群的传统AI不同，TinyML强调数据在本地采集、推理在本地完成、决策在本地执行。传感器建模则是TinyML落地的关键抓手——现实世界中的物理量（加速度、温度、气压、声音、磁场等）通过传感器转换为数字信号后，我们需要构建一个能够从这些原始时序数据中提取有效特征的数学模型，使其能够在毫瓦甚至微瓦级功耗下完成分类、回归或异常检测任务。本章作为整个课程的开篇，将系统阐述TinyML的定义边界、传感器建模的核心价值、端侧分类的典型应用场景，并为你规划一条从零基础到独立完成端侧分类项目的学习路径。
1.1 TinyML的核心定义与技术边界
TinyML并非一个简单的算法堆叠，而是一套完整的系统工程方法论。从技术栈角度看，它处于嵌入式系统与机器学习的交汇点，涉及微控制器架构、实时操作系统（RTOS）、低功耗设计、模型压缩、推理引擎优化等多个维度。一个典型的TinyML系统通常具备以下特征：功耗预算在毫瓦级以下（常采用电池供电或能量采集），内存容量在KB级别（例如Cortex-M4系列MCU通常只有128KB~1MB Flash和32~256KB SRAM），算力在几十到几百MOPS（百万次操作每秒），且无需持续连接云端即可完成推理。
与传统边缘计算（如树莓派上的TensorFlow Lite）相比，TinyML的挑战更为严苛。树莓派拥有1.5GHz四核CPU和GB级内存，可以运行复杂的ResNet模型；而典型的TinyML目标平台（如STM32L4系列）主频仅80MHz，内存仅64KB。这意味着我们必须对模型进行深度压缩——包括权重量化（从FP32降到INT8甚至INT4）、结构剪枝、知识蒸馏等。同时，推理引擎也需要针对ARM Cortex-M内核的SIMD指令（如CMSIS-NN）进行底层优化，才能实现实时推理。
1.2 传感器建模的价值：为什么原始数据不能直接分类
传感器输出的原始数据通常是高维、高噪声、非平稳的时序信号。以加速度计为例，一个三轴加速度计以100Hz采样率输出数据，每秒产生300个数值。如果直接将这些原始数值送入分类器，会遇到三个核心问题：维度灾难（特征空间过大导致需要海量训练样本）、噪声干扰（传感器本身的电气噪声和环境振动会掩盖真实信号）、计算开销（MCU无法在每毫秒内处理数百维浮点运算）。
传感器建模的本质，就是通过信号处理和特征提取，将原始数据转换为低维、高判别力、计算友好的特征表示。例如，对于振动信号，我们可以提取均方根值（RMS）、峰值因子、频谱质心等特征；对于语音信号，可以提取梅尔频率倒谱系数（MFCC）。这些特征不仅降低了数据维度，还增强了类间差异，使得简单的分类器（如决策树、线性SVM）也能达到较高准确率。
| 建模阶段 | 输入 | 输出 | 典型方法 | MCU资源消耗 |
|---|---|---|---|---|
| 原始数据 | ADC采样值（12bit） | 时间序列数组 | DMA传输、环形缓冲 | 内存占用高（KB级） |
| 预处理 | 原始序列 | 去噪/去直流后的序列 | 高通滤波、滑动平均、归一化 | 计算量中等（MAC操作） |
| 特征提取 | 预处理后序列 | 特征向量（10~50维） | FFT、统计量、小波变换 | 计算密集但可优化 |
| 分类推理 | 特征向量 | 类别标签/置信度 | 决策树、KNN、小型CNN | 极低（仅需数百次乘加） |
值得注意的是，特征工程的质量直接决定了模型的上限。在TinyML场景中，我们通常采用混合方法：手工设计特征（基于领域知识）与自动特征学习（基于神经网络）相结合。例如，在关键词识别任务中，MFCC特征提取是手工设计的，而后续的分类网络则是自动学习的。这种分工既保证了特征的可解释性，又利用了深度学习的判别能力。
1.3 端侧分类的典型应用场景与商业价值
端侧分类（On-Device Classification）是TinyML最成熟的应用形态，其核心优势在于低延迟（无需网络传输）、数据隐私（原始数据不出设备）、低带宽（仅上传结果或异常事件）和高可靠性（断网仍可工作）。以下是四个最具代表性的落地场景：
- 工业预测性维护：在电机、泵、传送带等旋转机械上部署加速度传感器，通过振动信号的频域特征分类设备状态（正常、轴承磨损、不对中、松动）。例如，某工厂在压缩机上部署TinyML模型，提前48小时预测轴承故障，将非计划停机时间减少了60%。
- 可穿戴健康监测：智能手表或胸贴中的IMU传感器持续采集运动数据，端侧模型实时识别走路、跑步、骑行、跌倒等状态。跌倒检测要求极高的灵敏度（>95%）和极低的误报率（<1次/天），且必须在100ms内完成报警，这只有端侧推理才能满足。
- 智能家居语音唤醒：在MCU上运行关键词识别（KWS）模型，如“小爱同学”“Hey Siri”。模型通常为CNN或DS-CNN，参数量在100K~500K之间，量化后仅占100~200KB Flash，功耗低于10mW。
- 农业与环境监测：土壤传感器（水分、pH、电导率）和气象传感器（温湿度、气压）部署在田间，端侧模型根据多传感器融合数据判断灌溉需求或霜冻风险，并通过LoRa上报决策结果，单节电池可工作2年以上。
1.4 常见误区与学习路径规划
初学者在进入TinyML领域时，常陷入以下四个误区：误区一：认为模型越大越准。在资源受限的MCU上，一个参数量超过1MB的模型即使能勉强运行，也会因内存溢出或推理超时而失去实用价值。正确的做法是先设定资源预算（Flash、RAM、延迟），再反向设计模型架构。误区二：忽视数据采集与标注。传感器数据的标注成本远高于图像数据，且容易受环境干扰。建议在项目启动初期就建立标准化的数据采集流程（固定采样率、固定传感器位置、记录环境标签）。误区三：跳过量化直接部署。FP32模型在MCU上无法高效运行，必须进行INT8量化。量化后的精度损失通常在1%~3%以内，但推理速度可提升4~8倍。误区四：忽略功耗优化。推理只是功耗的一部分，传感器采样、数据搬运、无线传输往往消耗更多能量。需要从系统层面进行功耗管理（如使用低功耗定时器、事件驱动采样）。
基于以上认知，本课程的学习路径分为四个阶段：第一阶段（第1~8章）夯实基础，包括传感器原理、信号采样理论、嵌入式C开发、TinyML工具链（Arduino IDE、STM32CubeMX、Edge Impulse）；第二阶段（第9~16章）深入特征工程与经典机器学习，涵盖时域/频域特征、PCA降维、决策树与随机森林、轻量级神经网络（CNN、DS-CNN）；第三阶段（第17~24章）聚焦模型部署与优化，包括TensorFlow Lite for Microcontrollers、模型量化与剪枝、CMSIS-NN加速、实时推理优化；第四阶段（第25~30章）完成综合实战项目，如“基于IMU的跌倒检测系统”“基于麦克风的工业异常声音分类”，并引入多传感器融合与联邦学习的前沿话题。