课程导入：端侧AI在STM32H7上的应用背景、课程目标、学习路径与前置知识要求
端侧人工智能（Edge AI）正在重塑嵌入式系统的能力边界。STM32H7系列作为STMicroelectronics旗下高性能MCU的代表，凭借Cortex-M7内核的高主频、丰富的外设资源以及硬件加速单元，已成为部署轻量级神经网络、异常检测、语音识别和预测性维护等端侧AI应用的理想平台。然而，与在PC或云端运行Python训练脚本不同，在MCU上部署AI模型需要面对资源受限、启动流程复杂、内存布局敏感等工程挑战。本课程聚焦于端侧AI工程化的第一道门槛——启动文件（Startup File）与链接脚本（Linker Script）的配置，这是决定AI模型能否在STM32H7上稳定运行、高效利用SRAM与Flash的关键基础。
1.1 端侧AI在STM32H7上的应用背景与工程挑战
核心原理：为什么选择STM32H7承载端侧AI
STM32H7系列基于Arm Cortex-M7内核，最高主频可达480MHz（部分型号如H743/H750），并集成双精度硬件浮点单元（FPU）和数字信号处理（DSP）指令集。相比Cortex-M4，其整数和浮点运算性能提升约2倍，这使得在MCU上直接运行经过INT8或FP16量化的卷积神经网络（CNN）成为可能。更重要的是，STM32H7拥有复杂的内存架构：高达2MB的Flash、1MB以上的SRAM（分为DTCM、ITCM、AXI SRAM、SRAM1/2/3等多个物理块），以及外部SDRAM接口。这种异构内存布局为AI模型权重、中间特征图、激活缓冲区提供了灵活的存放选择，但也对链接脚本的精细控制提出了极高要求。
端侧AI的典型应用场景包括：工业振动信号的异常检测（需在1ms内完成FFT+CNN推理）、可穿戴设备上的关键词唤醒（KWS）、医疗设备中的心电信号分类，以及预测性维护中的频谱分析。这些场景的共同约束是：低延迟（<10ms）、低功耗（<100mW）、数据隐私（不上云）。STM32H7在性能与功耗之间取得了平衡，而其启动文件和链接脚本的配置质量，直接决定了AI推理任务能否获得足够的内存带宽和确定性的执行时序。
工程挑战：启动文件与链接脚本为何成为关键
在PC或Linux环境下，程序加载由操作系统完成，开发者很少关心内存布局。但在裸机MCU环境中，启动文件负责建立C运行环境，链接脚本则定义了代码、数据、堆栈在物理内存中的精确位置。对于AI应用，这两个文件面临以下特殊挑战：
- 大模型权重放置：一个100KB的CNN模型权重，如果默认放在Flash中，每次推理都需从Flash读取，会因Flash等待状态（Wait States）降低性能；若全部放入SRAM，又可能挤占数据空间。链接脚本需要精细划分区域。
- 内存带宽优化：Cortex-M7的DTCM（Data Tightly Coupled Memory）具有零等待访问特性，但容量有限（通常64KB-128KB）。将频繁访问的中间变量放入DTCM，将大数组放入AXI SRAM，可显著提升推理速度。
- 启动时间约束：某些AI应用要求上电后毫秒级完成初始化。启动文件中若包含不必要的时钟配置或段搬运逻辑，会延长启动时间。
- 堆栈溢出风险：AI推理库（如CMSIS-NN）可能使用较深的函数调用栈，若链接脚本中堆栈大小设置不足，会导致难以排查的HardFault。
案例拆解：振动信号异常检测的启动配置需求
假设我们要在STM32H743上部署一个振动信号异常检测模型：输入为256点FFT频谱（FP32），经过两层1D卷积（各32个3x3卷积核）和全连接层，模型总权重约85KB。推理时需分配：输入缓冲区1KB、中间特征图4KB、输出缓冲区0.5KB，以及CMSIS-NN库运行时的临时缓冲区约8KB。
初始现象：使用默认链接脚本时，推理耗时达到3.2ms，超出2ms的实时性要求。分析发现，模型权重被放置在Flash中，每次卷积运算都触发Flash读取（H743的Flash在480MHz下需插入等待周期），且中间变量被分配到SRAM1，与DTCM的零等待访问相比存在性能差距。
优化操作：修改链接脚本，将模型权重段（.rodata）重定向到AXI SRAM（该区域支持并行访问），将中间变量段（.bss）中的热数据分配到DTCM，同时将堆栈大小从默认的1KB增加到4KB以容纳CMSIS-NN的调用深度。调整后推理耗时降至1.1ms，满足实时性要求。
复盘要点：链接脚本的优化不是简单的“把东西都放SRAM”，而是需要理解STM32H7的总线矩阵架构——DTCM直连CPU数据总线，AXI SRAM通过AXI总线连接，两者可并行访问。合理的数据分区能减少总线争用。
1.2 课程目标与学习路径规划
课程目标：从“能跑”到“跑得快、跑得稳”
本课程共30章，围绕STM32H7端侧AI工程化的完整链路展开。完成本课程后，学员将具备以下能力：
| 能力维度 | 具体目标 | 对应章节 |
|---|---|---|
| 启动文件理解 | 能读懂并修改STM32H7启动文件，理解向量表、复位序列、段搬运机制 | 第2-5章 |
| 链接脚本精通 | 掌握GNU LD链接脚本语法，能自定义内存区域、段布局、符号导出 | 第6-12章 |
| 内存优化 | 针对AI负载优化DTCM/AXI SRAM/SRAM1-3的分配策略 | 第13-18章 |
| AI集成调试 | 使用STM32Cube.AI或TFLite Micro集成模型，解决启动阶段的内存冲突 | 第19-24章 |
| 性能调优 | 通过启动配置提升推理速度、降低功耗、增强稳定性 | 第25-30章 |
学习路径：循序渐进的三阶段模型
建议学员按照以下路径学习，每阶段配合动手实验：
- 基础夯实阶段（第1-8章）：理解STM32H7的启动流程、内存映射、编译链接原理。动手实验：使用CubeMX生成工程，阅读启动文件和链接脚本，修改堆栈大小并观察影响。
- 进阶配置阶段（第9-20章）：深入学习链接脚本语法，掌握内存区域划分、段属性控制、符号定位。动手实验：为AI模型手动编写链接脚本，将权重和激活缓冲区分配到不同SRAM区域。
- 实战优化阶段（第21-30章）：结合STM32Cube.AI工具链，完成模型集成、启动配置调优、性能分析。动手实验：部署一个图像分类模型，通过调整启动配置将推理延迟降低30%以上。
常见误区：初学者容易犯的错误
- 误区一：直接使用默认链接脚本。CubeMX生成的脚本将整个SRAM合并为一个大区域，虽然简化了配置，但无法发挥DTCM的零等待优势，且可能导致AI推理时总线冲突。
- 误区二：忽视启动文件中的段搬运。启动文件负责将.data段从Flash搬运到SRAM，将.bss段清零。若链接脚本中定义了自定义段，但启动文件未包含对应的搬运代码，会导致变量初始值错误。
- 误区三：堆栈大小设置随意。AI库（如CMSIS-NN）的函数调用深度可能超过预期，建议通过调试器监控栈指针（SP）的最小值，再设置合理的堆栈大小。
- 误区四：混淆DTCM和普通SRAM的地址范围。DTCM地址从0x20000000开始，AXI SRAM从0x24000000开始，SRAM1从0x30000000开始。写错地址会导致链接失败或运行时HardFault。
1.3 前置知识要求与学习资源准备
必备前置知识
本课程假设学员已具备以下基础，若存在欠缺，建议先补充学习：
| 知识领域 | 具体要求 | 推荐补充资源 |
|---|---|---|
| C语言编程 | 熟练使用指针、结构体、内存操作函数；理解编译、链接的基本概念 | 《C Primer Plus》第6版 |
| ARM Cortex-M架构 | 了解寄存器组、异常处理、中断向量表、启动模式 | 《ARM Cortex-M3与Cortex-M4权威指南》 |
| STM32开发基础 | 会使用STM32CubeMX生成工程，熟悉HAL库基本外设操作 | ST官方UM1718用户手册 |
| 嵌入式编译工具链 | 了解GCC编译器的编译、汇编、链接流程；会使用Makefile或CMake | 《GNU Make项目管理》 |
| AI基础概念 | 了解神经网络的基本结构（卷积、池化、全连接），理解量化的基本思想 | 《深度学习》花书第1-6章 |
硬件与软件环境准备
为了完成课程中的实验，建议准备以下环境：
- 硬件：NUCLEO-H743ZI2开发板（或任何STM32H7系列板卡）、USB-TTL调试线、杜邦线若干。
- 软件：STM32CubeMX（版本6.8+）、STM32CubeIDE（版本1.13+）或GNU Arm Embedded Toolchain（版本10.3+）、STM32CubeProgrammer（用于烧录）、串口调试助手。
- AI工具链：STM32Cube.AI（作为CubeMX插件安装）或TFLite Micro（开源版本）。
- 辅助工具：J-Link或ST-LINK调试器（用于在线调试和内存查看）、逻辑分析仪（可选，用于时序分析）。
课程学习中的关键思维转变
从传统MCU开发转向端侧AI工程化，需要建立三个关键认知：
第一，从“功能实现”转向“资源预算”。传统开发关注“能否实现功能”，而AI部署必须精确计算每个内存字节的用途、每次访存的延迟。启动文件和链接脚本就是资源预算的“账本”。
第二，从“默认配置”转向“精细控制”。不要满足于CubeMX生成的默认配置，要敢于修改启动文件和链接脚本，理解每一行代码、每一个段定义背后的硬件行为。
第三，从“单点调试”转向“系统联调”。AI模型的性能问题可能源于启动配置、内存布局、外设时钟、中断优先级等多个环节的耦合。本课程将培养你从系统角度定位问题的能力。