课程导入：TinyML概述、功耗分析的重要性、课程目标与学习路径
TinyML（微型机器学习）是机器学习与嵌入式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，部署和运行经过优化的神经网络模型。与云端AI依赖大规模GPU集群不同，TinyML强调在资源极度受限的MCU（微控制器）或极低功耗DSP上实现本地推理，从而避免网络传输延迟、保障数据隐私并实现全天候在线感知。然而，这种极致的能效追求也带来了一个根本性挑战：如何在电池供电或能量采集的场景中，精确量化每一次推理所消耗的能量，并据此优化系统设计。功耗分析并非简单的“测电流”工作，它涉及硬件架构理解、软件执行路径剖析、外设状态管理以及模型结构优化等多个维度的交叉。本课程将系统性地拆解TinyML推理功耗的构成要素，教授使用专业工具进行Profiling（性能剖析）的实战方法，帮助学员建立从“能跑”到“能省电”的工程思维。
1.1 TinyML的核心概念与系统边界
TinyML并非简单地将神经网络“压缩”后塞入单片机，而是一种系统级的协同设计方法。其典型系统边界包括：感知层（MEMS麦克风、加速度计、红外传感器等）、处理层（ARM Cortex-M系列、RISC-V MCU、低功耗DSP）、通信层（BLE、Zigbee、Sub-GHz射频）以及电源层（纽扣电池、锂聚合物电池、能量采集模块）。在推理任务中，数据从传感器经DMA（直接内存访问）搬运至RAM，CPU或专用加速器执行卷积、全连接等算子，结果再通过GPIO或无线接口输出。这一过程中的每一个环节——包括内存访问模式、外设时钟使能状态、CPU休眠与唤醒策略——都会直接影响最终的“每次推理能耗”（Energy per Inference, EPI）。
| 系统层级 | 典型组件 | 功耗占比范围 | Profiling关注点 |
|---|---|---|---|
| 感知层 | 数字麦克风、IMU、温湿度传感器 | 5% - 15% | 采样率、数据就绪中断频率、传感器待机电流 |
| 处理层 | Cortex-M4/M7/M33、加速器 | 40% - 70% | CPU活跃时间、流水线停顿、MAC（乘加运算）效率 |
| 存储层 | Flash、SRAM、外部PSRAM | 10% - 20% | Flash读取功耗、SRAM保持电流、总线位宽 |
| 通信层 | BLE 5.0、NFC | 10% - 25% | 广播间隔、连接事件时长、TX/RX电流峰值 |
理解系统边界是功耗分析的第一步。例如，一个基于Cortex-M4的语音唤醒系统，其待机功耗可能仅为2µA，但一旦麦克风开启并进入推理状态，峰值电流可能飙升至15mA。这种动态范围要求开发者必须区分基线功耗（系统空闲时）与增量功耗（执行特定任务时），否则很容易被平均电流数据误导。
1.2 功耗分析的重要性：从“能工作”到“能续航”
许多开发者在完成模型部署后，只关心推理准确率和延迟，却忽略了能耗指标。然而在真实产品中，例如智能门锁的人脸识别、耳机的关键词唤醒、工业振动监测，电池容量是固定的。一颗CR2032纽扣电池的容量约为220mAh，如果系统平均电流为1mA，理论续航仅约9天；若能将平均电流降至0.1mA，续航则延长至90天以上。功耗分析的重要性体现在三个层面：
- 产品可行性验证：通过测量EPI（Energy per Inference）和待机功耗，计算理论续航时间，判断产品是否满足市场需求。
- 硬件选型依据：对比不同MCU在相同推理任务下的能耗表现，选择性价比最高的方案。例如，Cortex-M33相比M0+在DSP指令上更高效，但静态功耗也更高。
- 软件优化导向：Profiling数据可以明确指出是CPU计算耗时过长，还是内存访问过于频繁，或是外设没有及时关闭，从而指导代码层面的优化。
以一个实际案例来说明：某团队在STM32L4上部署了一个关键字识别模型，初始版本每次推理耗时120ms，平均电流12mA，EPI为1.44mJ。通过Profiling发现，CPU在推理期间有40%的时间处于等待Flash读取状态（因为模型权重存储在外部Flash）。优化方案包括：将部分权重缓存至SRAM、启用ART加速器、降低CPU时钟至合理频率。优化后，推理耗时降至85ms，平均电流降至8mA，EPI降至0.68mJ，能耗降低了53%。这一案例充分说明，没有精确的功耗剖析，优化将无从下手。
1.3 课程目标与学习路径规划
本课程旨在培养学员以下核心能力：第一，能够独立搭建基于J-Link、Power Profiler Kit II或Otii Arc等工具的功耗测试环境；第二，掌握从硬件原理图分析、软件插桩到数据后处理的完整Profiling流程；第三，能够针对特定模型和硬件平台，提出并实施有效的功耗优化策略。课程将围绕“测量-分析-优化”的闭环展开，具体学习路径分为四个阶段：
- 基础夯实：理解MCU的功耗模式（Run/Sleep/Stop/Standby）、时钟树配置、外设电源域，以及TinyML模型（如MobileNetV1、DS-CNN）的计算特征。
- 工具实战：学习使用硬件电流探针、逻辑分析仪、IDE内置的Energy Profiler，以及开源的Perfetto、Arm Cycle模型等工具。
- 案例拆解：通过3个典型场景（关键词识别、异常检测、视觉唤醒）的完整功耗剖析，掌握从现象到根因的分析方法。
- 优化策略：涵盖模型量化（INT8/INT4）、算子融合、内存复用、动态电压频率调整（DVFS）以及外设调度策略。
| 学习阶段 | 关键技能 | 输出物 |
|---|---|---|
| 阶段一（第1-5章） | 功耗模型建立、硬件架构认知 | 系统功耗树状图 |
| 阶段二（第6-12章） | Profiling工具操作、数据采集 | 完整功耗报告 |
| 阶段三（第13-22章） | 案例实战、瓶颈定位 | 优化方案文档 |
| 阶段四（第23-30章） | 高级优化、自动化测试 | 可复用的Profiling脚本库 |
在学习过程中，建议学员准备一块支持功耗测量的开发板（如STM32U5系列、nRF5340 DK）以及一台高精度电流分析仪。课程中的每个实验都将提供详细的步骤和预期数据，方便学员对照验证。
1.4 常见误区与总结复盘
在TinyML功耗分析实践中，初学者常陷入以下误区：
- 误区一：只关注峰值电流。峰值电流决定了电源设计的上限，但平均电流才决定续航。正确的做法是同时记录峰值、平均值和持续时间。
- 误区二：忽略外设的“隐性”功耗。例如，GPIO悬空输入会导致漏电流增大；未使用的定时器若保持使能，也会消耗数百纳安电流。
- 误区三：在优化时盲目降低CPU频率。虽然动态功耗与频率成正比，但频率过低会导致推理时间延长，反而可能增加总能耗（因为系统需要更长时间保持活跃状态）。
- 误区四：认为Profiling只是硬件工程师的工作。实际上，算法工程师调整模型结构（如减少通道数、使用深度可分离卷积）对功耗的影响往往比硬件调优更显著。