课程导入：TinyML推理任务功耗模型构建与调度优化实践
TinyML（微型机器学习）是指在资源极度受限的微控制器（MCU）或微处理器上部署和运行机器学习模型的技术领域。与云端AI或边缘服务器不同，TinyML设备通常以电池供电，算力仅有几十至几百MHz，内存以KB或少量MB计，Flash存储也极为有限。在这样的约束下，推理任务的功耗往往成为决定产品能否落地的关键因素——一颗纽扣电池可能只提供数十mAh的能量，而一次完整的推理任务可能消耗数mJ至数十mJ的能量。功耗模型构建与调度优化，正是为了回答三个核心问题：一次推理到底消耗多少能量？这些能量消耗在哪些环节？如何通过调度策略让能耗与性能达到最优平衡？本章作为课程导入，将系统梳理TinyML的生态全景、功耗问题的工程意义，并明确本课程的学习路径与目标。
1.1 TinyML概述：从云端到微控制器的范式迁移
TinyML并非简单地将深度学习模型“缩小”后部署到嵌入式设备，而是一套完整的工程方法论，涉及模型设计、编译器优化、运行时调度和硬件适配。传统AI推理依赖云端GPU/TPU集群，数据需要通过网络传输，这不仅带来带宽成本和延迟，更存在隐私泄露风险。TinyML将推理过程迁移到数据产生的源头——传感器附近的MCU上，实现本地化、实时化的智能决策。以STM32F4系列Cortex-M4内核为例，其主频通常为168MHz，内置192KB SRAM和1MB Flash，要在这样的平台上运行一个图像分类模型，必须将模型参数量压缩到数百KB以内，并采用8bit或更低比特的量化推理。
从技术栈角度看，TinyML涉及三个层次：模型层（包括网络结构设计、剪枝、量化和知识蒸馏）、运行时层（包括推理引擎、内存管理、算子优化）和硬件层（包括MCU架构、DSP指令、硬件加速器）。功耗问题贯穿这三个层次——模型层决定计算量和访存量，运行时层决定实际执行效率，硬件层决定能量转换效率。例如，一个MobileNetV2模型在浮点运算时需要约300M次乘加操作，若转换为int8量化，计算能耗可降低4-8倍，但访存能耗可能成为新的瓶颈。因此，功耗模型必须同时考虑计算能耗和访存能耗，而非简单地将FLOPs作为唯一指标。
核心要点：TinyML的功耗优化不是单一维度的调优，而是模型-运行时-硬件三层协同设计。课程中我们将逐步拆解每一层的功耗贡献因子，并建立统一的功耗建模框架。
1.2 功耗问题的重要性：为什么功耗是TinyML的第一性约束
在云端AI场景中，功耗通常不是首要设计约束，因为服务器有稳定的供电和散热系统。但在TinyML场景中，功耗直接决定了设备的续航时间、体积和成本。以一颗CR2032纽扣电池为例，其标称容量约为220mAh，工作电压3V，总能量约0.66Wh。若一个智能门磁传感器每30秒执行一次推理任务，每次推理消耗5mJ能量，则每天消耗约14.4J，电池理论续航约为165天。但实际中，待机功耗、通信功耗和电压转换损耗会显著缩短续航，可能实际只有30-60天。因此，精确的功耗模型是产品设计的基础。
功耗问题还影响系统热设计和可靠性。MCU在高负载运行时，结温升高会导致漏电流增加，进而形成正反馈——温度越高，功耗越大，温度进一步升高。对于工业级设备，工作温度范围通常为-40℃至85℃，如果功耗模型不准确，可能导致设备在高温环境下热失控。此外，功耗还影响电池管理策略：锂电池的放电曲线并非线性，在低电量时内阻增大，电压跌落加剧，可能导致MCU复位或推理结果错误。因此，功耗模型不仅要估算平均功耗，还要捕捉峰值功耗和瞬态功耗。
| 功耗类型 | 典型占比 | 主要影响因素 | 优化手段 |
|---|---|---|---|
| 计算功耗 | 30%-50% | 主频、指令类型、并行度 | DVFS、低功耗指令、硬件加速 |
| 访存功耗 | 20%-40% | SRAM/Flash访问次数、缓存命中率 | 数据复用、内存池优化、DMA |
| 通信功耗 | 10%-30% | 无线协议、数据量、传输距离 | 低功耗蓝牙、LoRa、数据压缩 |
| 待机功耗 | 5%-15% | 漏电流、外设电源管理 | 深度睡眠、电源门控、唤醒源配置 |
从上述表格可以看出，计算和访存功耗占据了总功耗的50%-80%，这正是本课程聚焦推理任务功耗模型的原因。通信功耗虽然占比不低，但通常可以通过协议层优化解决，而计算和访存功耗需要深入到指令级和电路级分析，这也是课程的核心难点。
1.3 课程目标与学习路径：从功耗测量到调度优化的完整闭环
本课程的目标是培养学员构建TinyML推理任务功耗模型的工程能力，并掌握基于功耗模型的调度优化方法。具体而言，完成本课程后，学员将能够：（1）使用硬件测量工具（如IAR的I-Jet、SEGGER的J-Trace或高精度电流探针）采集MCU在推理任务中的实时功耗曲线；（2）基于测量数据建立功耗与计算量、访存量、主频、电压等参数的回归模型或查找表模型；（3）利用功耗模型指导任务调度策略设计，包括动态电压频率调节（DVFS）、任务优先级分配、批处理与流水线调度；（4）在真实硬件平台上验证优化效果，并评估精度-能耗权衡。
课程学习路径分为四个阶段：第一阶段（第1-8章）聚焦功耗测量与建模基础，包括MCU功耗架构、测量工具使用、功耗模型构建方法；第二阶段（第9-16章）深入推理任务的功耗特征分析，包括算子级功耗分解、访存优化、量化对功耗的影响；第三阶段（第17-24章）进入调度优化核心，涵盖DVFS策略、RTOS任务调度、多核/异构调度；第四阶段（第25-30章）为综合实战与案例复盘，包括智能穿戴设备、工业监测系统等完整项目。
学习建议：建议学员准备一块支持DVFS的MCU开发板（如STM32U5系列或nRF5340），并配备高精度功耗分析仪（如Otii Arc或Joulescope）。每章内容都配有可复现的实验代码和数据集，建议边学边练，将理论模型与实际测量结果对照验证。
1.4 案例拆解：智能门磁传感器的功耗问题诊断
为帮助学员建立直观认识，我们以一个典型的智能门磁传感器为例，展示功耗模型在真实产品中的价值。该设备使用Nordic nRF52840 MCU（Cortex-M4F，64MHz），搭载加速度传感器和磁簧开关，通过BLE上报门状态。初始设计时，工程师仅关注功能实现，未进行功耗建模，导致产品续航仅15天，远低于预期的6个月。
初始现象与数据：使用Joulescope功耗分析仪采集设备运行24小时的功耗曲线，发现以下异常：待机电流为12μA（预期2μA），推理任务平均电流为8.5mA（预期4mA），BLE广播电流峰值达到15mA（预期10mA）。进一步分析发现，待机电流偏高是因为GPIO未配置为模拟输入，导致漏电流增加；推理任务电流偏高是因为使用了浮点运算且未启用FPU的硬件加速；BLE广播电流峰值偏高是因为广播间隔设置过短（20ms），且未使用数据长度扩展。
分析判断过程：通过功耗模型分解，将总功耗拆分为待机功耗、推理功耗和通信功耗三部分。待机功耗占比从预期的10%上升到45%，推理功耗占比35%，通信功耗占比20%。推理功耗中，计算功耗占60%，访存功耗占30%，外设功耗占10%。通过指令级分析发现，浮点运算占用了80%的CPU周期，而使用CMSIS-DSP库的定点运算可将计算周期减少60%。
实际操作步骤：（1）将GPIO配置为ANALOG模式，待机电流降至2.5μA；（2）启用FPU硬件加速，并将模型权重从float32量化为int16，推理电流降至4.2mA；（3）将BLE广播间隔调整为100ms，并启用DLE（数据长度扩展），广播峰值电流降至11mA；（4）在推理任务完成后立即进入System OFF模式，仅在磁簧开关触发时唤醒。优化后，设备平均功耗从8.5mW降至1.2mW，理论续航提升至约5个月。
风险与代价：量化到int16后，模型精度从98.2%降至97.1%，但门磁检测任务对精度要求不高，可接受。广播间隔延长至100ms后，手机连接延迟从0.5秒增加到1.2秒，用户体验略有下降。复盘经验表明，功耗优化必须从系统层面统筹，单一环节的优化可能被其他环节的瓶颈抵消。
常见误区：很多工程师认为功耗优化就是降低主频或关闭外设，但忽略了访存功耗和状态切换功耗。例如，频繁进入和退出睡眠模式会产生额外的唤醒功耗，如果任务间隔小于唤醒时间，反而会增加总功耗。正确的做法是建立完整的功耗模型，量化每个状态的能量消耗，再决定调度策略。