1、课程导入：TinyML功耗测试的重要性、学习目标、课程整体框架与适用硬件平台概述
TinyML 作为嵌入式人工智能的重要分支，其核心价值在于以极低的功耗实现端侧智能推理。然而，在实际工程中，许多开发者发现模型在开发板上运行良好，一旦部署到电池供电的物联网设备上，续航时间却远低于预期。这背后的根本原因，往往不是模型精度或算力不足，而是对功耗缺乏系统性的测量与优化。功耗测试并非简单的“读电流表”，它涉及推理电流的瞬态特性、睡眠电流的漏电路径、以及平均能耗在不同工作周期下的计算逻辑。本章作为整个课程的导入，将首先阐明功耗测试为何是 TinyML 产品化的关键环节，随后明确本课程的学习目标、整体框架，并介绍后续章节将使用的硬件平台与测量工具。
上图展示了 TinyML 功耗测试的核心知识框架。左侧是必须测量的三大电流维度：推理电流（Active）、睡眠电流（Sleep）和平均能耗（Average）。中间是常用的测量方法，右侧是功耗优化的最终目标。底部则是贯穿整个课程测试流程的工程链路。这张图将作为后续所有章节的概念地图，帮助你在学习过程中始终明确每个知识点在整体框架中的位置。
1.1 为什么功耗测试是 TinyML 产品化的生死线
在云端 AI 场景中，算力、精度和延迟是首要指标，功耗往往排在次要位置。但在 TinyML 领域，功耗直接决定了产品的物理形态、使用场景和商业可行性。一个典型的智能传感器节点（如农业环境监测、工业振动分析、可穿戴健康设备），通常由电池供电，且部署后难以频繁更换电池。如果系统平均电流为 50mA，使用 500mAh 的纽扣电池，理论续航仅 10 小时；而如果通过优化将平均电流降至 5mA，续航则延长至 100 小时。这 10 倍的差距，往往决定了产品是从“每周充电”变成“每年更换电池”，其市场竞争力截然不同。
功耗测试的难点在于其动态性和多模态性。TinyML 设备的工作状态通常包含：深度睡眠（Deep Sleep）、唤醒（Wake-up）、数据采集（Sensor Sampling）、推理计算（Inference）以及无线通信（Radio TX/RX）。不同状态下的电流差异可达 3-4 个数量级：睡眠态可能只有 2µA，而无线发射瞬间可能高达 80mA。如果仅用万用表测量平均电流，会完全掩盖推理电流的瞬态尖峰，导致电源设计余量不足，或者电池寿命估算严重偏差。因此，必须使用具备足够带宽和采样率的工具，捕捉每一个状态的电流波形，才能准确计算平均能耗。
1.2 本课程学习目标与能力模型
完成本课程后，你将具备以下四项核心能力，这些能力将直接应用于实际的嵌入式 AI 项目开发中。
| 能力维度 | 具体描述 | 对应章节 |
|---|---|---|
| 测量能力 | 熟练使用电流探头、功耗分析仪或板载采样电路，准确测量推理态与睡眠态电流波形 | 第 2、3、4 章 |
| 分析能力 | 能够从原始电流波形中分离出不同工作阶段的功耗，计算平均电流与峰值功率 | 第 5、6 章 |
| 优化能力 | 针对推理电流过高或睡眠漏电过大，提出有效的软硬件优化方案（如算子替换、电源门控） | 第 7、8、9 章 |
| 工程验证能力 | 建立功耗测试规范，编写自动化测试脚本，实现功耗回归测试，防止性能劣化 | 第 10 章及实战项目 |
课程将采用“理论讲解 + 动手实操 + 案例复盘”的模式。每一章都会围绕一个具体的功耗测试痛点展开，例如：“为什么我的模型在 STM32 上推理电流比理论值高了 30%？” 或 “如何测量 2µA 的睡眠电流而不被万用表的分辨率限制？” 通过解决这些真实问题，你将逐步建立起系统的功耗工程思维。
1.3 课程整体框架：从测量到优化的四阶段
本课程共 30 章，分为四个主要阶段，每个阶段解决一类关键问题。
- 基础测量阶段（第 1-8 章）：掌握功耗测试的硬件基础。包括万用表、示波器、专用功耗分析仪（如 Joulescope、Nordic PPK2）的原理与选型；如何设计板级电流采样电路（采样电阻 + 运放）；如何校准测量链路。这一阶段的目标是“测得准”。
- 场景分析阶段（第 9-15 章）：针对 TinyML 的典型工作场景进行专项测量。包括推理电流的瞬态特性分析（CPU 频率、内存访问、MAC 运算）；睡眠电流的漏电路径分析（GPIO 浮空、外设未关断、RTC 漏电）；以及唤醒源与唤醒时间的功耗开销。这一阶段的目标是“分得清”。
- 优化策略阶段（第 16-24 章）：基于测量结果进行功耗优化。涵盖模型层面的量化（INT8/INT16）、剪枝、知识蒸馏对功耗的影响；框架层面的算子融合、内存复用；系统层面的动态电压频率调整（DVFS）、电源域管理、以及低功耗无线传输协议（BLE 5.0、Zigbee）的功耗模型。这一阶段的目标是“降得低”。
- 工程实践阶段（第 25-30 章）：将功耗测试融入产品开发流程。包括建立功耗测试基准（Benchmark）、自动化测试脚本编写（Python + PyVISA）、电池寿命预估模型（基于 Peukert 方程与放电曲线）、以及完整的实战项目复盘（如智能门磁、可穿戴计步器）。这一阶段的目标是“用得稳”。
1.4 适用硬件平台与工具链概述
为了确保课程内容的可操作性，我们将以三类主流硬件平台为例进行讲解。这些平台覆盖了从低端 MCU 到高性能边缘 SoC 的典型范围。
| 平台类型 | 代表型号 | 核心参数 | 功耗特性 | 适用场景 |
|---|---|---|---|---|
| 低功耗 MCU | STM32L4系列 / Apollo4 Blue | Arm Cortex-M4F @ 80MHz，支持 DSP 指令 | 睡眠电流可低至 1µA，推理电流约 5-15mA | 传感器节点、可穿戴设备 |
| AI 加速 MCU | MAX78000 / Kendryte K210 | 集成 CNN 加速器，硬件卷积引擎 | 推理功耗比纯 CPU 低 10 倍以上，但睡眠功耗略高 | 图像分类、关键词唤醒 |
| 边缘 SoC | ESP32-S3 / i.MX RT1170 | 双核 MCU + 向量加速，支持 Wi-Fi/BLE | 推理电流 30-100mA，需关注无线模块功耗 | 语音助手、智能家居网关 |
在工具链方面，我们将使用 TensorFlow Lite for Microcontrollers (TFLM) 作为主要推理框架，配合 STM32CubeMX 进行低功耗外设配置。对于功耗测量，课程将重点演示 Nordic Power Profiler Kit 2 (PPK2) 和 Joulescope 两款工具的使用方法。PPK2 支持动态范围从 200nA 到 1A 的电流测量，采样率高达 100kSPS，非常适合捕捉推理电流的瞬态尖峰。Joulescope 则提供更精确的能量积分功能，并支持 Python API，便于自动化测试。
1.5 常见误区与本章复盘
在开始正式测量之前，先了解几个初学者最容易犯的错误，可以帮助你避免走弯路。
- 误区一：只看平均电流，忽略峰值电流。 平均电流决定了电池续航，但峰值电流决定了电源电路（LDO 或 DC-DC）的选型。如果峰值电流超过电源芯片的额定输出，会导致电压跌落，引发系统复位。因此，必须同时关注平均电流与峰值电流。
- 误区二：使用万用表测量动态电流。 普通万用表的采样率通常只有 2-3 次/秒，无法捕捉毫秒级的推理电流脉冲。测量结果会严重偏低，甚至显示为 0。测量动态电流必须使用示波器或专用功耗分析仪。
- 误区三：忽略外设的漏电。 即使 MCU 进入深度睡眠，如果 GPIO 引脚悬空，或者传感器电源未切断，漏电流可能高达几十 µA，远超 MCU 自身的睡眠电流。测量睡眠电流时，需要逐一排查外设的供电状态。
- 误区四：未校准测量链路。 采样电阻的精度、运放的偏置电压、探头的接触电阻都会影响测量结果。在正式测试前，应使用已知电流源（如 1mA 恒流源）进行校准。