2、TinyML基础：TinyML定义、典型应用、推理流程、功耗敏感场景
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，其核心目标是在毫瓦级甚至微瓦级功耗预算下，于MCU（微控制器）等资源极度受限的终端设备上部署和运行机器学习推理模型。理解TinyML的定义边界、应用场景、推理链路以及功耗敏感特性，是后续学习DVFS（动态电压频率调整）调频调压技术的前提。本章将系统梳理这些基础概念，并建立“功耗-性能-精度”三角约束的思维框架。
上图展示了TinyML生态系统的核心要素：左侧为定义域（资源约束），右侧为典型应用（需求驱动），中间为推理流程（功耗产生环节），底部为DVFS调节机制（功耗优化手段）。可以看到，推理流程中的每一个阶段都涉及数据搬运与计算，而DVFS正是作用于“推理计算”阶段的关键功耗优化技术。
2.1 TinyML定义与边界
核心原理：TinyML并非简单的“小模型部署”，而是一套完整的工程方法论，涵盖模型设计、压缩、编译优化、运行时调度和硬件适配。其本质是在存储、算力、功耗三重约束下实现可用的机器学习功能。与云端AI不同，TinyML强调本地化处理、低延迟响应和隐私保护，但代价是模型精度和复杂度受限。
| 对比维度 | 云端AI | 边缘AI（如手机） | TinyML（MCU级） |
|---|---|---|---|
| 算力 | TFLOPS级 | TOPS级 | MOPS级 |
| 内存 | GB级 | GB级 | KB级 |
| 功耗 | 数百瓦 | 数瓦 | 毫瓦/微瓦 |
| 延迟 | 百毫秒级 | 十毫秒级 | 毫秒级 |
| 典型芯片 | GPU/TPU | 骁龙/麒麟 | Cortex-M系列 |
判断方法：判断一个项目是否属于TinyML范畴，可依据三个硬性指标：①模型量化后大小是否小于500KB；②运行时峰值RAM占用是否低于512KB；③平均功耗是否低于100mW。若三项均满足，则属于典型TinyML场景；若仅满足前两项，可视为“轻量级边缘ML”，仍需关注功耗优化。
2.2 典型应用场景与功耗特征
核心原理：TinyML应用场景的共同特征是事件驱动、稀疏激活、持续监听。系统大部分时间处于低功耗待机状态，仅在检测到感兴趣的事件时才唤醒执行完整推理。这种“休眠-唤醒”模式决定了功耗分布极不均匀，峰值功耗与平均功耗可能相差百倍。
- 关键词唤醒（KWS）：设备始终监听麦克风，以<1mW功耗运行语音活动检测（VAD），仅在检测到语音后激活完整模型。典型功耗曲线：待机0.5mW，唤醒后15mW。
- 工业振动分析：传感器以1kHz采样加速度数据，通过FFT+CNN判断设备健康状态。由于需要持续采样，功耗相对平稳，约5-10mW。
- 可穿戴健康监测：PPG传感器采集心率信号，结合异常检测算法。通常采用“低功耗采样+定时推理”策略，平均功耗控制在2mW以内。
- 智能农业：土壤传感器每15分钟采集一次数据，通过决策树模型判断灌溉需求。由于采样频率低，平均功耗可低至0.1mW。
案例拆解：以智能门锁的人脸识别为例，系统包含PIR人体感应、摄像头、AI推理芯片和无线模块。初始设计为：PIR唤醒后立即启动摄像头和AI推理，实测平均功耗达85mW，电池续航仅3个月。分析发现，PIR触发后系统全速运行时间长达2.3秒，而实际人脸识别仅需0.8秒。优化方案：①将AI推理频率从400MHz降至200MHz（DVFS），推理时间延长至1.2秒，但功耗从45mW降至18mW；②在PIR触发后增加200ms延迟，待人体稳定后再启动摄像头；③无线传输完成后立即进入深度睡眠。优化后平均功耗降至12mW，续航提升至14个月。
2.3 推理流程与功耗分布
核心原理：TinyML推理流程可分解为四个阶段，每个阶段的功耗特征差异显著。理解各阶段功耗占比，才能精准实施DVFS策略。
- 数据采集：传感器采样与ADC转换，功耗取决于采样率和传感器类型。例如，MEMS加速度计在1kHz采样时功耗约0.5mW，而高精度气压计可达2mW。
- 预处理：包括滤波、归一化、特征提取。此阶段为计算密集型，但数据量小，通常占推理总功耗的10%-15%。
- 推理计算：核心的卷积/全连接运算，功耗占比最高，通常达60%-70%。此阶段是DVFS的主要作用对象。
- 后处理：Softmax、阈值判断、结果编码，计算量小但涉及数据搬运，功耗占比约5%-10%。
| 阶段 | 计算特征 | 内存访问 | 功耗占比 | DVFS敏感度 |
|---|---|---|---|---|
| 数据采集 | 低 | 低 | 10%-15% | 低（受采样率约束） |
| 预处理 | 中 | 中 | 10%-15% | 中 |
| 推理计算 | 高 | 高 | 60%-70% | 高（核心优化点） |
| 后处理 | 低 | 中 | 5%-10% | 低 |
操作流程：实施DVFS优化时，建议按以下步骤进行：①使用性能分析器（如ARM Streamline）采集各阶段耗时与功耗数据；②识别推理计算阶段的时间占比，若超过总推理时间的50%，则具备调频空间；③从当前频率开始，以10%步进逐步降频，每次测试推理精度与延迟；④找到满足精度和延迟要求的最低频率点；⑤为该频率点配置对应的最低稳定电压（需查阅芯片数据手册的电压-频率对应表）。
2.4 功耗敏感场景与DVFS适配策略
核心原理：功耗敏感场景可分为三类：能量受限型（电池/能量采集）、散热受限型（密闭/医疗）、成本受限型（高密度部署）。不同场景对DVFS的需求优先级不同。
- 能量受限型：核心目标是延长续航，DVFS应优先降低平均功耗。可采用“性能-功耗”动态调节，在任务空闲时降至最低频率，任务到达时快速升频。
- 散热受限型：核心目标是控制峰值温度，DVFS应限制最高频率，防止热积累。可采用温度反馈闭环控制，当芯片温度超过阈值时自动降频。
- 成本受限型：核心目标是简化电源设计，DVFS应减少电流峰值波动，降低对电源芯片的要求。可采用缓变调频策略，避免频率突变引起的电流尖峰。
案例拆解：某无线传感器节点采用太阳能+超级电容供电，光照充足时能量盈余，夜间仅靠电容储能。初始设计固定运行在48MHz，夜间平均功耗3.2mW，电容仅能支撑6小时。改造方案：①白天光照充足时，以64MHz运行并同时给电容充电；②当电容电压低于3.5V时，DVFS降至24MHz，功耗降至1.1mW；③当电压低于3.2V时，进入“仅采样不推理”模式，功耗降至0.3mW。通过三级DVFS策略，夜间续航延长至14小时，满足整夜运行需求。