嵌入式AI基础：神经网络基本概念、卷积/全连接/激活函数、量化与压缩原理、端侧推理约束

在进入STM32CubeAI工具链之前，必须先建立嵌入式AI的底层认知。STM32这类MCU级芯片与云端GPU服务器在算力、内存带宽、功耗预算上存在数量级差异，因此神经网络在端侧的落地并非简单“跑通模型”，而是一个涉及算法压缩、硬件适配与精度权衡的系统工程。本章将围绕神经网络的核心计算原语、量化压缩原理以及端侧部署的硬约束展开，为后续使用STM32CubeAI进行模型转换与代码生成打下理论基础。

上图展示了嵌入式AI部署的三层逻辑关系：左侧是神经网络的基本计算原语，中间是量化与压缩手段，右侧是端侧推理的物理约束。实际工程中，这三者并非独立存在——量化直接改变卷积和全连接层的计算方式，而端侧存储限制又反过来决定量化位宽的选择。下面逐一展开。

2.1 神经网络核心计算原语

2.1.1 卷积层：特征提取的基石

卷积操作本质上是输入特征图与卷积核之间的滑动窗口乘加运算。以STM32CubeAI中最常见的2D卷积为例，假设输入特征图尺寸为 \(H_{in} \times W_{in} \times C_{in}\)，卷积核尺寸为 \(K \times K\)，输出通道数为 \(C_{out}\)，则输出特征图尺寸为 \(H_{out} \times W_{out} \times C_{out}\)。每个输出像素的计算公式为：

output[n][y][x] = bias[n] + Σ_{c=0}^{C_in-1} Σ_{ky=0}^{K-1} Σ_{kx=0}^{K-1}
    input[c][y*s + ky - p][x*s + kx - p] * weight[n][c][ky][kx]

其中 s 为步长（stride），p 为填充（padding）。在MCU上，卷积层通常占整体计算量的90%以上，因此优化重点集中在如何减少乘加次数和内存访问次数。

2.1.2 全连接层：特征组合与分类决策

全连接层将前一层的所有神经元与当前层的每个神经元建立连接。其计算本质是矩阵乘法：y = Wx + b。假设输入维度为 \(D_{in}\)，输出维度为 \(D_{out}\)，则参数量为 \(D_{in} \times D_{out}\)。在嵌入式场景中，全连接层往往是参数量最大的部分。例如，一个输入为512维、输出为10类的全连接层，就需要5120个权重参数，在INT8量化下占用5KB存储空间。

在STM32CubeAI的模型优化建议中，通常推荐将全连接层替换为全局平均池化（Global Average Pooling）加1×1卷积，或者直接使用深度可分离卷积来减少参数量。这是因为MCU的Flash空间有限，而全连接层的权重密度极高，压缩收益不如卷积层明显。

2.1.3 激活函数：引入非线性

激活函数是神经网络表达复杂函数的关键。在嵌入式部署中，不同激活函数的计算代价差异显著：

在量化模型中，ReLU通常被“融合”到前一层的量化参数中，即通过调整零点（zero point）和缩放因子（scale）来吸收ReLU的截断效果，从而在推理时完全省去激活函数的计算。

2.2 量化与压缩原理

2.2.1 量化：从FP32到INT8

量化是将连续浮点数映射到有限离散整数的过程。STM32CubeAI默认支持8位量化（INT8），其核心公式为：

q = round(r / scale) + zero_point
r = (q - zero_point) * scale

其中 scale 是缩放因子（浮点数），zero_point 是零点偏移（整数）。量化的关键挑战在于如何确定 scale 和 zero_point，使得量化后的模型精度损失最小。常用的方法包括：

• MinMax校准：统计训练集或验证集上激活值的动态范围，取最小值和最大值作为量化边界。简单但容易受离群值影响。
• 百分位校准：使用99.99%分位数代替最大值，避免极端值拉大量化范围。
• KL散度校准：通过最小化量化前后分布的KL散度来寻找最优截断阈值，是TensorRT等工具常用的方法。

在STM32CubeAI中，量化校准通常在PC端完成。用户需要提供代表性数据集（通常100~500张图片），工具会统计每层激活值的分布，并生成量化参数。

2.2.2 剪枝与结构化压缩

剪枝分为非结构化剪枝和结构化剪枝。非结构化剪枝将权重矩阵中接近零的元素置零，但会产生稀疏矩阵，在MCU上难以获得实际加速。结构化剪枝则按通道或卷积核进行裁剪，保持矩阵的稠密性，更适合嵌入式部署。例如，对卷积层按通道重要性排序，删除贡献最小的通道，可减少计算量和存储量。

在STM32CubeAI工作流中，剪枝通常在训练阶段完成。推荐使用TensorFlow Model Optimization Toolkit或PyTorch的torch.prune库进行通道剪枝，然后再导出为TFLite或ONNX格式供CubeAI转换。

2.2.3 知识蒸馏：用小模型学大模型

知识蒸馏通过让小型学生模型模仿大型教师模型的输出分布来提升小模型精度。在嵌入式场景中，教师模型可以是ResNet-50，学生模型可以是MobileNetV2或自定义的3层卷积网络。蒸馏损失函数通常为：

L = α * L_hard(y_student, y_true) + β * L_soft(y_student / T, y_teacher / T)

其中 T 是温度参数，控制软标签的平滑程度。蒸馏后的模型在保持小体积的同时，往往能比直接训练的小模型高出2~5个百分点的准确率。

2.3 端侧推理约束与硬件适配

2.3.1 存储与算力约束

以STM32F746为例，其拥有1MB Flash和320KB RAM，Cortex-M7内核主频216MHz，支持DSP指令和单精度FPU。在部署一个典型的图像分类模型（如MobileNetV2-0.25）时，模型权重约1.2MB（FP32），量化后约300KB（INT8），勉强可以放入Flash。但推理时的中间特征图缓冲区可能占用大量RAM，需要仔细规划内存复用策略。

2.3.2 内存布局与推理延迟

STM32CubeAI生成的代码采用静态内存分配策略，所有中间缓冲区在编译时确定大小。推理时，内存复用通过“内存池”机制实现——不同层的输出可以共享同一块RAM区域，只要它们的生命周期不重叠。例如，第1层的输出在第3层计算完成后即可被覆盖。

推理延迟的瓶颈通常不在计算本身，而在内存访问。Cortex-M内核没有L1/L2缓存（部分M7有L1缓存），因此每次权重读取都直接访问Flash。为了减少Flash访问次数，CMSIS-NN采用“权重重排”技术，将权重按输出通道重新排列，使得每次加载的数据块能连续参与多次乘加运算。

2.3.3 案例拆解：关键词唤醒（KWS）模型部署

假设我们要在STM32L4系列（Cortex-M4, 80MHz, 512KB Flash, 160KB RAM）上部署一个关键词唤醒模型，识别“Hey STM32”和“Hey Cube”两个关键词。初始方案采用一个5层卷积网络，输入为40×40的Mel频谱图（40帧×40个Mel频带），模型结构如下：

Conv2D(3×3, 16) → ReLU → MaxPool(2×2)
Conv2D(3×3, 32) → ReLU → MaxPool(2×2)
Conv2D(3×3, 64) → ReLU → GlobalAvgPool
Dense(32) → ReLU → Dense(3)  # 2个关键词 + 1个静音类

初始FP32模型大小为1.8MB，远超Flash容量。通过以下步骤优化：

1. 量化：使用1000条验证音频进行MinMax校准，将权重和激活量化为INT8，模型大小降至450KB。
2. 通道剪枝：对第2、3层卷积按L2范数排序，剪除贡献最小的25%通道，模型进一步降至320KB。
3. 知识蒸馏：用原始FP32模型作为教师，训练一个更小的3层卷积学生模型（参数量减少40%），最终模型大小为190KB。

部署后实测：单次推理耗时约8.2ms（80MHz主频），RAM占用约45KB（通过内存池复用），功耗约12mW（连续推理模式）。精度从原始FP32的96.2%降至94.8%，满足产品需求。

2.4 常见误区与总结

• 误区一：认为量化只是简单地将float转int。实际上，量化参数（scale和zero_point）的选择直接影响模型精度，需要基于真实数据分布进行校准。
• 误区二：忽略内存峰值。即使模型权重很小，如果中间特征图尺寸过大，仍可能导致RAM溢出。建议在CubeAI的“Memory Analysis”工具中检查每层的缓冲区需求。
• 误区三：在MCU上使用Softmax作为输出层。Softmax涉及指数运算，在MCU上非常耗时。建议在模型训练时去掉Softmax，直接输出logits，在MCU端使用简单的最大值比较即可。
• 误区四：忽视数据预处理开销。在MCU上，音频的FFT、图像的缩放等预处理可能比推理本身更耗时。建议将预处理也纳入整体延迟预算。