3、TinyML推理功耗模型：推理功耗的组成（计算、内存访问、外设、通信）、峰值功耗与平均功耗的区别、能量与功率的关系
在电池供电的TinyML设备设计中，功耗建模是系统级预算的基石。许多工程师在初期只关注MCU内核的算力（如TOPS或DMIPS），却忽略了推理过程中真正消耗能量的环节——内存访问、外设唤醒和无线通信。本章将拆解一次完整推理的功耗构成，厘清“功率”与“能量”的本质差异，并建立峰值功耗与平均功耗对电池寿命的不同影响路径。只有先建立正确的功耗模型，后续的mA budget规划才有据可依。
3.1 推理功耗的四大组成：计算、内存访问、外设与通信
一次完整的TinyML推理并非只有MCU内核在“计算”。从传感器采集数据开始，到推理结果通过无线发出，整个链路中的每个环节都在消耗能量。我们将推理功耗拆解为四个主要象限：计算功耗、内存访问功耗、外设功耗和通信功耗。理解每个象限的占比，是优化mA budget的第一步。
3.1.1 计算功耗：MAC运算与激活函数
计算功耗指MCU内核（或NPU/加速器）执行乘加运算（MAC）、激活函数（ReLU、Sigmoid）、池化等操作时消耗的能量。对于Cortex-M系列内核，计算功耗通常与时钟频率呈近似线性关系：P_compute ≈ C_eff × V² × f，其中C_eff为有效开关电容，V为工作电压，f为时钟频率。在TinyML场景中，计算功耗往往不是最大头——因为推理的MAC数量虽多，但单次运算的能耗极低（pJ级）。
3.1.2 内存访问功耗：隐藏的能耗大户
内存访问功耗包括从Flash读取权重和输入数据、从SRAM读写中间特征图、以及DMA搬运数据时的能耗。根据经典的能量模型，访问Flash的能耗是SRAM的5~10倍，是寄存器堆的100倍以上。在TinyML推理中，权重通常存储在Flash中，每次卷积操作都需要反复读取权重，这导致内存访问功耗往往占据总推理功耗的40%~60%。
| 存储层级 | 访问能耗（相对值） | 典型容量 | TinyML中的角色 |
|---|---|---|---|
| 寄存器堆 | 1× | 16~64 B | 临时变量、循环计数 |
| SRAM（片上） | 10~20× | 64 KB~1 MB | 中间特征图、激活值、DMA缓冲 |
| Flash（片上） | 50~100× | 256 KB~4 MB | 模型权重、常量表、代码 |
| 外部存储（QSPI Flash） | 200~500× | 8~64 MB | 大模型权重、日志存储 |
优化内存访问功耗的核心策略包括：权重重排（将常用权重放入SRAM缓存）、算子融合（减少中间结果的写回）、以及就地计算（in-place操作）。例如，在MobileNet的深度可分离卷积中，将逐通道卷积与逐点卷积融合，可以减少一次完整的特征图读写。
3.1.3 外设功耗：传感器与DMA的隐性消耗
外设功耗包括传感器（加速度计、麦克风、摄像头）、ADC采样、DMA传输、定时器以及电源管理单元（PMU）的静态功耗。在唤醒-推理-休眠的典型工作流中，外设功耗往往被低估。例如，一个I2C接口的加速度计在50 Hz采样率下功耗约10~50 µA，而MCU在休眠模式下可能仅消耗2 µA——传感器的功耗可能比MCU休眠功耗高一个数量级。
外设功耗的优化要点：
- 采样策略：降低采样率或使用FIFO批量读取，减少MCU唤醒次数。
- DMA替代CPU搬运：DMA在搬运数据时CPU可进入休眠，但DMA本身也有功耗（约0.5~2 mA @ 10 MHz）。
- 外设电源域管理：在推理间隙关闭不用的外设电源（如通过GPIO控制传感器VCC）。
3.1.4 通信功耗：无线传输的“能量黑洞”
通信功耗是TinyML设备中单位比特能耗最高的环节。以BLE 5.0为例，发射电流约5~15 mA（0 dBm），接收电流约3~8 mA，而MCU在深度休眠时仅需2~5 µA。一次20字节的BLE广播包传输（含协议栈开销）约消耗0.5~2 µAh的能量，这相当于MCU执行数千次推理的能耗。
3.2 峰值功耗与平均功耗：两个维度的设计约束
峰值功耗（Peak Power）和平均功耗（Average Power）是两种截然不同的设计约束。峰值功耗决定了电源电路、电池内阻和电压调节器的规格；平均功耗决定了电池的总寿命。忽略任何一个维度，都可能导致设备无法稳定工作或电池提前耗尽。
3.2.1 峰值功耗：电源设计的硬约束
峰值功耗发生在推理最密集的时刻——例如CPU全速运行、Flash连续读取、DMA同时搬运数据、无线模块发射的瞬间。此时电流可能达到平均电流的10~50倍。例如，一个平均电流为5 mA的TinyML设备，在推理+BLE发射的瞬间可能达到80~120 mA的峰值电流。
峰值功耗的影响：
- 电池电压跌落：锂电池在1C放电时内阻约100~200 mΩ，100 mA峰值电流会导致100~200 mV的压降，可能触发MCU的欠压复位（BOR）。
- 电源纹波：峰值电流在PCB走线电感上产生压降，导致供电电压波动，影响ADC采样精度或射频性能。
- 电容选型：需要在电源输出端放置足够的去耦电容（通常10~100 µF）来吸收峰值电流，否则系统可能崩溃。
3.2.2 平均功耗：电池寿命的决定因素
平均功耗是设备在一段时间内消耗的总能量除以时间。对于电池供电设备，平均功耗直接决定了电池寿命：电池寿命(h) = 电池容量(mAh) / 平均电流(mA)。但需要注意的是，电池容量并非恒定值——它随放电率（C-rate）、温度和工作电压而变化。在计算平均功耗时，必须考虑完整的任务周期，包括休眠、唤醒、采集、推理、通信和再次休眠。
3.3 能量与功率的关系：从“功率”到“能量”的思维转换
功率（Power）是瞬时速率，单位是瓦特（W）或毫瓦（mW）；能量（Energy）是累积总量，单位是焦耳（J）或毫瓦时（mWh）。在电池供电设计中，电池容量标称的是能量（mAh × V = mWh），而功耗分析通常关注功率（mA × V = mW）。两者之间的桥梁是时间：E = P × t。
在TinyML推理中，我们真正关心的是单次推理的能量消耗（mJ/推理），因为它决定了在给定电池容量下能执行多少次推理。例如，一个100 mAh的纽扣电池（3 V，即300 mWh），如果单次推理消耗0.5 mJ能量，则理论上可执行约216万次推理（300 mWh × 3600 J/Wh / 0.5 mJ）。但实际中还要考虑休眠电流、通信开销和电池自放电，可用次数会大幅减少。
3.3.1 能量效率指标：mJ/推理与µJ/MAC
为了评估TinyML模型的能效，业界常用两个指标：
- 单次推理能量（mJ/推理）：包含计算、内存访问、外设和通信的完整链路能量。这是系统级指标。
- 每MAC能量（pJ/MAC）：仅衡量计算内核的能效。例如，STM32L4在8 MHz下运行int8推理，约消耗0.8~1.5 pJ/MAC；而专用NPU（如MAX78000）可达到0.1~0.3 pJ/MAC。
在优化时，应优先降低总能量而非仅降低峰值功率。例如，将推理频率从80 MHz降至40 MHz，虽然推理时间延长一倍，但功耗可能降至原来的1/3（因为功耗与频率线性相关，与电压平方相关），总能量反而可能降低。
3.4 案例拆解：一个跌倒检测设备的功耗建模与优化
我们以一个基于加速度计的跌倒检测设备为例，完整演示功耗模型的建立与优化过程。该设备使用STM32L4系列MCU（Cortex-M4 @ 80 MHz），配备LIS2DH12加速度计（I2C接口），通过BLE 5.0上报结果，使用CR2032纽扣电池（标称容量220 mAh，3 V）。
3.4.1 初始功耗测量与问题发现
初始设计采用“连续采样-推理-上报”模式：加速度计以100 Hz采样，MCU每100 ms唤醒一次执行一次推理（输入为最近32个采样点），检测到跌倒时立即通过BLE上报。使用电流探头（如Nordic Power Profiler Kit）测量，得到以下数据：
| 阶段 | 电流 | 持续时间 | 能量消耗 |
|---|---|---|---|
| 休眠（LPM） | 3 µA | 90 ms | 0.27 µAh |
| 唤醒+采样 | 1.2 mA | 2 ms | 0.67 µAh |
| 推理（80 MHz） | 8.5 mA | 6 ms | 14.17 µAh |
| BLE广播（0 dBm） | 12 mA | 2 ms | 6.67 µAh |
每个周期（100 ms）总能量约21.78 µAh，平均电流约217.8 µA。理论上电池寿命为220 mAh / 0.2178 mA ≈ 1010小时（约42天）。但实际测试中，由于电池内阻和电压跌落，寿命仅约35天。问题出在推理阶段：8.5 mA的峰值电流导致CR2032电压从3.0 V跌至2.7 V，接近MCU的BOR阈值（2.6 V），系统频繁复位。
3.4.2 优化过程与结果
我们进行了三轮优化：
第一轮：降低推理频率与电压。将MCU主频从80 MHz降至40 MHz，工作电压从3.3 V降至2.8 V（使用内部LDO）。推理时间从6 ms延长至12 ms，但推理电流从8.5 mA降至3.2 mA（功耗与频率线性、与电压平方相关）。推理阶段能量从14.17 µAh降至10.67 µAh（3.2 mA × 12 ms / 3600），同时峰值电流降至4.5 mA（含其他外设），解决了电压跌落问题。
第二轮：优化采样策略。将加速度计采样率从100 Hz降至50 Hz，并使用FIFO批量读取（每20 ms读取一次16个样本）。MCU唤醒时间从2 ms降至0.5 ms，采样电流从1.2 mA降至0.8 mA。此阶段能量从0.67 µAh降至0.11 µAh。
第三轮：通信策略调整。将BLE广播间隔从100 ms延长至500 ms，仅在检测到跌倒时立即上报。正常周期内不再广播，而是每5秒发送一次心跳包（20字节）。通信能量从6.67 µAh/周期降至0.13 µAh/周期（平均）。
优化后的任务周期（100 ms）能量分布：休眠0.27 µAh + 采样0.11 µAh + 推理10.67 µAh + 通信0.13 µAh ≈ 11.18 µAh，平均电流约111.8 µA。电池寿命提升至220 mAh / 0.1118 mA ≈ 1968小时（约82天），且峰值电流降至4.5 mA，系统稳定运行。
3.5 常见误区与总结
在TinyML功耗建模中，以下误区需要特别警惕：
- 误区一：只关注计算功耗，忽略内存访问。实际上，内存访问（尤其是Flash读取）往往占总推理能耗的40%~60%。优化时应优先减少权重读取次数，而非单纯提高计算效率。
- 误区二：用平均电流代替峰值电流做电源设计。电源电路必须满足峰值电流需求，否则系统会在推理瞬间复位。建议在电源输出端预留至少10×平均电流的裕量，并放置足够的去耦电容。
- 误区三：混淆功率与能量。降低功耗（mW）不一定降低能量（mJ）。例如，降低频率虽然降低了功耗，但延长了推理时间，总能量可能不变甚至增加。应始终以“单次推理能量”为优化目标。
- 误区四：忽略外设的静态功耗。传感器、DMA和PMU在“空闲”时仍有电流消耗。在计算平均功耗时，必须包含所有外设的静态电流。