课程导入：学习目标、适用人群、课程整体框架与学习路径
欢迎来到《TFLite Micro电流传感器异常检测部署教程》。这是一门面向嵌入式开发者和AI应用工程师的实战课程，目标是将TensorFlow Lite for Microcontrollers（简称TFLite Micro）与电流传感器异常检测相结合，完成从数据采集、模型训练、模型转换到MCU端部署的完整闭环。本章作为课程的第一讲，将帮助你明确学习目标、确认自身定位、理解课程的整体架构，并规划出一条高效可行的学习路径。
1.1 学习目标：学完这门课你能做什么
在开始学习之前，我们需要明确这门课程最终要达成的能力目标。TFLite Micro是TensorFlow针对微控制器（MCU）推出的轻量级推理框架，它能够在资源受限的嵌入式设备上运行机器学习模型。而电流传感器异常检测是工业物联网中非常典型的应用场景——通过分析电机、电源、生产线设备的电流波形，识别过载、堵转、缺相、老化等异常状态。
完成本课程后，你将具备以下四项核心能力：
- 端到端部署能力：能够独立完成从电流信号采集、数据预处理、模型训练、TFLite转换、量化优化到MCU端推理的完整流程。
- 模型优化能力：掌握针对MCU资源限制的模型压缩技术，包括TensorFlow Lite量化（特别是int8量化）、模型剪枝和知识蒸馏的基本应用。
- 硬件调试能力：能够排查TFLite Micro部署过程中常见的RAM/Flash溢出、算子不支持、推理结果异常等问题。
- 工程落地能力：理解异常检测系统的评价指标（准确率、召回率、误报率），能够根据实际工业场景调整阈值和模型结构。
课程能力模型：本课程不是单纯的算法课，也不是纯粹的嵌入式课，而是两者的交叉融合。你既需要理解卷积神经网络（CNN）或循环神经网络（RNN）的基本原理，也需要了解I2C/SPI通信、ADC采样、中断处理等嵌入式基础知识。课程会假设你具备一定的编程基础，但不会假设你已经是AI专家。
1.2 适用人群：这门课适合谁
根据我们的教学经验，以下四类人群最适合学习本课程，并且能够从中获得最大收益：
| 人群类型 | 背景特征 | 学习重点 | 前置要求 |
|---|---|---|---|
| 嵌入式软件工程师 | 熟悉STM32、ESP32等MCU开发，了解C/C++编程 | AI模型如何压缩并运行在MCU上 | 了解基本的信号采样概念 |
| AI应用工程师 | 熟悉Python和TensorFlow/PyTorch，有模型训练经验 | 模型如何部署到资源受限的硬件环境 | 了解MCU的基本资源限制 |
| 工业物联网从业者 | 负责设备监控、预测性维护系统设计 | 异常检测的完整落地流程与评估方法 | 了解传感器数据采集基本流程 |
| 电子/计算机相关专业学生 | 有C语言和Python基础，对AIoT感兴趣 | 从零搭建一个完整的AIoT应用 | 建议先补充数字电路基础 |
如果你属于以上任一类别，那么这门课程就是为你量身定制的。如果你暂时不具备完全匹配的背景，也不用担心——课程的第2章到第6章会专门安排环境搭建和基础知识补强内容，帮助你快速进入状态。
1.3 课程整体框架：30章内容全景图
本课程共30章，按照学习逻辑分为四个阶段，每个阶段都有明确的知识目标和实战产出。下面我们详细拆解每个阶段的内容安排。
第一阶段：基础篇（第1-6章）
这一阶段的目标是让你建立完整的知识坐标系。第1章（本章）进行课程导入；第2章讲解TFLite Micro的架构与生态定位；第3章介绍电流传感器的工作原理与信号特征；第4章搭建开发环境（包括MCU开发板选型、TensorFlow环境配置）；第5章讲解电流信号的采集与预处理方法；第6章通过一个简单的LED控制实验验证TFLite Micro的基本流程。
第二阶段：模型篇（第7-14章）
这一阶段聚焦于"如何训练一个适合MCU的异常检测模型"。第7章介绍异常检测的经典方法（阈值法、统计法、机器学习法）；第8章讲解如何构建电流异常检测数据集；第9章设计适合MCU的轻量级神经网络结构；第10章讲解模型训练与验证；第11章深入TensorFlow Lite量化原理；第12章实操int8量化与模型转换；第13章介绍模型剪枝与知识蒸馏；第14章进行模型性能评估与对比。
第三阶段：部署篇（第15-24章）
这是课程的核心实战部分。第15章讲解TFLite Micro在STM32上的移植；第16章讲解在ESP32上的部署；第17章处理算子兼容性问题；第18章优化内存占用；第19章实现实时推理与中断处理；第20章添加通信功能（UART/蓝牙传输结果）；第21章设计异常报警机制；第22章进行多传感器融合扩展；第23章低功耗优化；第24章完成一个完整的部署项目。
第四阶段：实战篇（第25-30章）
最后阶段是综合实战与能力提升。第25章设计一个工业电机电流异常检测系统；第26章处理真实场景中的数据漂移问题；第27章进行系统可靠性测试；第28章性能调优与故障排查；第29章项目文档与交付；第30章课程总结与进阶方向指引。
学习建议：不要跳过基础篇直接进入部署篇。很多学员在部署阶段遇到问题，根源在于对TFLite Micro的模型转换机制或电流信号特征理解不够深入。建议按照顺序学习，每章完成后完成对应的动手练习。
1.4 学习路径：如何高效学习这门课程
根据过往学员的学习反馈，我们总结出一条高效的学习路径，分为五个关键步骤：
- 理论预习（每章1-2小时）：先阅读本章的理论部分，理解核心概念和原理，不需要立即动手操作。
- 环境准备（第2-4章重点）：提前准备好硬件（推荐STM32F407或ESP32-S3开发板）、软件环境（TensorFlow 2.x、PlatformIO或STM32CubeIDE）。
- 小步快跑（每章动手练习）：每章至少完成一个小的动手实验，不要只看不练。例如第6章的LED实验虽然简单，但能帮助你验证整个工具链是否通畅。
- 项目驱动（第15章之后）：从第15章开始，每章都围绕一个具体的部署任务展开，建议准备一个真实的电流传感器（如ACS712或INA219），边学边测。
- 复盘总结（每阶段结束）：每完成一个阶段，回顾该阶段的知识点，整理自己的踩坑记录，形成个人知识库。
1.5 常见误区与学习提醒
在课程开始之前，有必要指出几个常见的学习误区，帮助你少走弯路：
误区一：认为TFLite Micro只是简单的"模型转换工具"。实际上，TFLite Micro是一个完整的推理引擎，涉及算子实现、内存管理、硬件抽象层（HAL）等多个层面。转换只是第一步，真正的挑战在于让模型在MCU上高效运行。
误区二：忽视量化带来的精度损失。int8量化虽然能大幅减少模型体积和内存占用，但可能导致精度下降。你需要学会评估量化误差，并在必要时进行量化感知训练（QAT）。
误区三：直接使用复杂模型。MCU的Flash通常只有几百KB到几MB，RAM只有几十KB到几百KB。一个在PC上表现良好的CNN模型，很可能无法在MCU上运行。你需要从一开始就设计轻量级模型。
此外，我们还要强调一个重要的学习心态：嵌入式AI部署是一个"工程性"很强的领域，遇到问题不要气馁。根据我们的统计，学员在部署过程中平均会遇到5-8个不同类型的错误，包括编译错误、链接错误、内存溢出、算子不支持等。这些错误都是学习的一部分，每解决一个问题，你对整个系统的理解就会加深一层。
最后，建议你在学习过程中建立一个"实验记录本"，记录每次实验的硬件配置、软件版本、关键参数、遇到的问题和解决方案。这不仅有助于你复习，也是未来工作中宝贵的工程资产。