📚 课程目录第1章课程导入

课程导入：学习目标、适用人群、课程整体框架与学习路径

TFLite Micro（TensorFlow Lite for Microcontrollers）是谷歌面向微控制器（MCU）和嵌入式系统推出的轻量级推理框架。它让开发者能够在资源极度受限的设备上运行TensorFlow模型，实现关键词唤醒、手势识别、异常检测、传感器数据分析等边缘AI功能。然而，从“在PC上训练模型”到“在开发板上跑通首个推理”，中间隔着模型转换、量化、工程配置、内存布局、算子支持、编译链接等一系列工程鸿沟。本课程正是为跨越这道鸿沟而设计，以“首个推理工程跑通”为里程碑，带你从零构建一套可复现、可调试、可扩展的TFLite Micro开发环境。

1.1 学习目标：从“能跑”到“会调”再到“能改”

本课程的学习目标分为三个递进层次，分别对应认知、操作与创新三个维度。第一层是“能跑”：理解TFLite Micro的架构与运行机制，掌握模型转换、量化、部署的标准流程，能够在指定开发板上成功运行官方示例与自训练模型。第二层是“会调”：能够独立排查部署过程中常见的链接错误、内存溢出、算子不支持等问题，掌握Tensor Arena的配置方法，理解模型输入输出张量的内存布局，并能通过日志与调试工具定位推理失败的原因。第三层是“能改”：能够根据实际硬件资源（Flash、RAM、算力）对模型进行量化、剪枝或结构优化，能够修改TFLite Micro源码以支持自定义算子，并能够将推理引擎集成到RTOS或裸机调度系统中。

层次	核心能力	验证标准	对应章节
基础层	环境搭建、框架认知、模型导出	成功编译并烧录官方示例	1-6
进阶层	量化、内存规划、算子兼容	自训练模型在板端推理正确	7-16
高级层	性能优化、源码修改、RTOS集成	完成一个完整应用案例	17-30

1.2 适用人群：谁需要这门课程？

本课程主要面向三类人群。第一类是嵌入式软件工程师，他们熟悉MCU开发、C/C++编程与硬件调试，但希望将AI能力引入现有产品，需要掌握模型部署与推理优化的方法。第二类是AI应用工程师，他们熟悉TensorFlow/PyTorch等框架，但对交叉编译、链接脚本、内存映射等嵌入式概念较为陌生，需要补齐工程短板。第三类是物联网与边缘计算方向的在校学生或研究者，他们需要快速搭建原型系统，验证算法在真实硬件上的效果。课程默认学习者具备基本的C语言语法知识，了解指针、结构体、内存分配等概念；如果熟悉Linux命令行操作和Git版本管理，学习体验会更顺畅。

经验提醒：如果你是完全零基础的嵌入式新手，建议先花一周时间熟悉开发板的GPIO、UART、定时器等基础外设操作，再进入本课程。TFLite Micro本身不复杂，但调试过程中需要频繁操作硬件，基础越扎实，排障效率越高。

1.3 课程整体框架：30章递进式设计

课程共30章，分为三大模块。模块一“基础与准备”（第1-6章）涵盖嵌入式AI概述、TFLite Micro框架解析、开发板选型（以STM32F746G-DISCO和ESP32-S3为例）、开发环境搭建（包括GCC交叉工具链、OpenOCD调试、串口监视）、以及第一个编译通过的示例工程。模块二“模型转换与工程构建”（第7-16章）是课程的核心技术区，详细讲解TensorFlow模型训练、转换为TFLite格式、动态范围量化与全整型量化、算子兼容性检查工具（如flatbuffer_convert）、CMake工程模板设计、Tensor Arena内存分配策略、以及模型输入输出的预处理与后处理。模块三“部署与调试”（第17-30章）则进入实战阶段，从最简单的“LED控制模型”开始，逐步过渡到关键词唤醒（KWS）、异常声音检测、IMU手势识别等完整案例，并深入探讨性能优化（算子融合、内存复用）、多模型并发、低功耗设计以及FreeRTOS集成。

第1-6章（基础）：目标是让开发板“跑起来”，熟悉编译、烧录、调试全流程。
第7-16章（核心）：目标是让模型“转得对”，掌握从Keras模型到嵌入式可执行文件的完整链路。
第17-30章（实战）：目标是让应用“用得好”，完成多个真实场景案例并具备独立优化能力。

1.4 学习路径建议：三条主线并行推进

建议学习者按照“理论主线、代码主线、硬件主线”三条线并行推进。理论主线是理解TFLite Micro的架构设计——它如何将TensorFlow的算子映射到C++实现，如何通过FlatBuffer存储模型权重，以及解释器（Interpreter）如何调度算子执行。代码主线是精读官方源码，尤其是tensorflow/lite/micro目录下的关键文件，如micro_interpreter.cc、micro_allocator.cc、op_resolvers.cc。硬件主线则是动手操作，从点亮LED到读取传感器数据，每一步都结合具体硬件外设。三条主线在“首个推理工程”处交汇——当你第一次看到开发板上的LED根据模型推理结果亮起时，意味着你已经打通了从模型到硬件的完整通路。

  学习路径建议：不要试图一次性学完所有章节。建议以“跑通首个推理”为第一个里程碑（对应第10-12章），完成后再回头补充细节。每章都配有可运行的代码示例和常见错误清单，遇到问题优先查看对应章节的“排障手册”部分。

1.5 常见误区与学习心态

在学习过程中，初学者容易陷入几个误区。第一个误区是“重模型轻工程”，认为只要模型精度高就能部署成功，实际上嵌入式部署中模型大小、内存占用、推理延迟往往比精度更重要。第二个误区是“盲目追求最新版本”，TFLite Micro的API仍在快速迭代，建议固定使用课程配套的版本（如TensorFlow 2.10），避免因版本差异导致编译失败。第三个误区是“忽视日志信息”，嵌入式调试手段有限，串口日志是定位问题的最重要依据，课程会反复强调日志分级与格式化输出的重要性。第四个误区是“一次性集成过多功能”，建议先跑通最小推理（如一个全连接层模型），再逐步增加卷积、池化等复杂算子。

风险提示：在开发板上进行推理时，务必注意电源稳定性。部分开发板在USB供电不足时会出现随机死机或推理结果错误。建议使用独立稳压电源或带屏蔽的USB线，并在代码中加入看门狗定时器（IWDG）防止程序跑飞。

1.6 课程配套资源与工具链总览

本课程推荐使用以下工具链：TensorFlow 2.10（模型训练与转换）、STM32CubeMX（生成初始化代码）、GCC ARM Embedded（交叉编译）、OpenOCD（调试与烧录）、CMake 3.20+（构建管理）、Python 3.8+（脚本工具）。所有示例代码均提供CMakeLists.txt，支持命令行构建，不依赖特定IDE。课程还提供一套“模型转换检查清单”，帮助你在转换前确认算子兼容性、输入输出张量维度、量化参数等关键信息。

# 典型的模型转换命令（课程第8章详细讲解）
tflite_convert \
  --saved_model_dir=/path/to/saved_model \
  --output_file=/path/to/model.tflite \
  --input_shapes=1,128,128,3 \
  --input_arrays=input_tensor \
  --output_arrays=output_tensor \
  --inference_type=INT8 \
  --quantized_input_stats=mean,stddev