第一章 课程导入：学习目标、适用人群与实战项目全景
MCU（微控制器）模型部署，是将训练好的深度学习模型（如CNN、Transformer、异常检测模型）转换为可在资源受限的嵌入式处理器上高效运行的推理引擎的过程。与云端GPU部署不同，MCU部署面临Flash/RAM容量以KB计、主频以MHz计、无操作系统或仅有轻量RTOS的严苛约束。本章作为《MCU模型部署实战详解》的开篇，旨在为学习者建立全局认知框架：明确课程能带来的能力提升、适合哪些背景的工程师、30章内容的逻辑主线，以及贯穿始终的实战项目将如何把零散知识点串联为完整的工程能力。
1.1 学习目标：从“能跑模型”到“会调系统”
本课程的学习目标并非仅仅让学员在开发板上跑通一个demo，而是培养系统级的工程思维。MCU模型部署的难点在于“木桶效应”——模型精度、推理速度、内存占用、功耗、成本之间相互制约，任何一项短板都会导致项目无法落地。因此，课程目标分为四个递进层次：
| 层次 | 能力描述 | 对应章节 | 验收标准 |
|---|---|---|---|
| L1 基础操作 | 掌握模型转换、量化、编译烧录的基本流程 | 第2-8章 | 能独立将MNIST/CNN模型部署到开发板 |
| L2 性能调优 | 理解算子优化、内存复用、缓存命中率优化 | 第9-15章 | 推理速度提升≥3倍，RAM占用降低≥40% |
| L3 系统设计 | 能根据产品需求选择模型架构、量化策略、硬件平台 | 第16-24章 | 完成一个多传感器融合的预测性维护系统 |
| L4 产品化 | 掌握低功耗设计、OTA升级、安全防护、量产测试 | 第25-30章 | 输出可交付的固件包与量产文档 |
1.2 适用人群：三类学习者与前置要求
根据过往教学经验，课程学员主要分为三类，每类人群的学习侧重点应有所不同：
- 嵌入式工程师（转型AI）：熟悉STM32/ESP32等MCU开发，了解I2C/SPI/UART外设，但缺乏深度学习基础。建议重点学习第2-5章（模型基础与转换），并配合实战项目理解“模型如何变成C代码”。
- 算法工程师（下沉端侧）：熟练使用PyTorch/TensorFlow训练模型，但对MCU资源限制缺乏直观感受。建议重点学习第6-12章（量化与内存优化），理解为什么在GPU上精度99%的模型在MCU上会掉到85%。
- 在校学生/创客：有一定编程基础，希望快速做出AIoT作品。建议按章节顺序学习，但可跳过部分底层原理（如第14章汇编级优化），优先完成实战项目。
前置要求方面，学员需要具备：① C语言基础（指针、结构体、内存管理）；② 了解基本的数字电路知识（寄存器、中断、时钟）；③ 对机器学习有概念性认识（知道训练/推理的区别即可）。课程不要求学员具备FPGA或Linux驱动开发经验。
1.3 课程整体框架：三阶段递进式设计
30章内容按照“基础→进阶→实战”的逻辑组织，每章既有独立主题，又与前后的知识形成闭环。整体框架如下：
| 阶段 | 章节范围 | 核心主题 | 关键产出 |
|---|---|---|---|
| 第一阶段：工具链与基础 | 第2-8章 | 嵌入式ML概述、MCU架构、CMSIS-NN、模型转换（TFLite Micro/STM32Cube.AI）、量化入门、调试工具 | 能完成一个图像分类模型的端到端部署 |
| 第二阶段：优化与进阶 | 第9-20章 | PTQ/QAT量化实战、算子内核优化（汇编/NEON）、内存池设计、推理调度、剪枝与蒸馏、混合精度、多核并行 | 性能调优方法论 + 优化后的推理引擎 |
| 第三阶段：项目实战 | 第21-30章 | 工业预测性维护（振动分析）、语音关键词唤醒、视觉缺陷检测、低功耗设计、OTA、安全启动、量产测试 | 完整产品原型 + 部署文档 + 性能报告 |
三个阶段并非线性关系——第二阶段的技术会不断在第三阶段的项目中迭代应用。例如，第14章讲解的“卷积算子Winograd变换”会在第24章“视觉缺陷检测”中用于提升推理速度；第18章的“内存池碎片化管理”会在第27章“多模型协同”中发挥关键作用。
1.4 实战项目预览：工业设备预测性维护系统
课程选择“工业设备预测性维护”作为贯穿项目，原因有三：① 场景真实——电机、泵、压缩机等旋转机械的故障预测是工业物联网的刚需；② 技术覆盖全面——涉及振动信号处理（时域/频域特征）、多传感器融合（IMU+温度+电流）、时序模型（LSTM/TCN）部署、低功耗无线传输；③ 硬件门槛适中——使用STM32H743开发板（约200元）即可完成全部实验。
项目初始目标与约束：
- 硬件：STM32H743（Cortex-M7 @480MHz，2MB Flash，1MB RAM）+ LSM6DSOX（6轴IMU，内置机器学习核）+ 外部温湿度传感器
- 数据：以10kHz采样率采集振动信号，每200ms生成一个样本窗口（2000个采样点）
- 模型：输入为2000×3（三轴）的时序数据，输出为4类（正常/轴承磨损/不对中/松动），使用1D-CNN或TCN模型
- 约束：推理时间≤50ms，RAM占用≤300KB（留给系统其他任务），Flash占用≤500KB（含模型与代码）
项目拆解与课程映射：
| 项目阶段 | 具体任务 | 关联章节 | 关键挑战 |
|---|---|---|---|
| 数据准备 | 采集振动数据、标注、划分训练/验证集 | 第2章（嵌入式ML基础） | 数据量不足时如何做数据增强 |
| 模型训练 | 在PC上训练1D-CNN，达到≥95%准确率 | 第3章（模型选型） | 模型参数量与MCU容量匹配 |
| 模型转换 | PyTorch → ONNX → TFLite → C数组 | 第5-6章（转换与量化） | 算子兼容性、量化精度损失 |
| 推理引擎集成 | 编写CMSIS-NN调用代码、内存分配 | 第7-8章（CMSIS-NN与工程模板） | 内存对齐、DMA传输优化 |
| 性能调优 | 推理时间从120ms降至50ms以内 | 第9-14章（量化/算子优化） | 缓存命中率、循环展开、SIMD指令 |
| 系统集成 | 传感器驱动、结果上报（UART/蓝牙） | 第15-17章（外设与通信） | 中断优先级、DMA与CPU竞争 |
| 低功耗优化 | 待机电流从20mA降至0.5mA | 第25章（低功耗设计） | 推理与休眠的调度策略 |
| 产品化 | OTA升级、异常日志、量产测试 | 第28-30章（OTA/安全/量产） | 固件签名、回滚机制 |
1.5 学习方法与常见误区
建议的学习路径：
- 按章节顺序学习，但第2-8章可以加速（如果已有基础），第9-20章建议精读并动手实验。
- 每章完成至少一个实验，不要只看不练。课程提供配套的GitHub仓库，包含所有示例代码和脚本。
- 建立性能基线：在开始优化前，先记录初始推理时间、内存占用、精度指标，每次优化后对比基线。
- 善用调试工具：学会使用STM32CubeMonitor、Arm Keil MDK的Performance Analyzer、以及串口打印日志。
① “模型越小越好”——过度压缩模型导致精度不达标，实际上应优先考虑量化（int8）而非剪枝，因为MCU的算力瓶颈往往在内存带宽而非计算量。
② “只关注推理时间”——忽略了数据采集（ADC采样率、DMA传输）和预处理（滤波、FFT）的时间，这些可能占总延迟的50%以上。
③ “忽视数值稳定性”——量化后的模型在特定输入下可能产生溢出或NaN，需要在部署前用边界值测试（如全0输入、全1输入、随机噪声输入）。
课程配套资源说明：每章包含：① 原理讲解（约40%篇幅）；② 代码示例（约30%）；③ 实验任务（约20%）；④ 常见问题FAQ（约10%）。实战项目采用“螺旋式”推进——第8章先完成一个简化版（单传感器、二分类），第16章升级为多传感器融合，第24章加入实时性优化，第30章完成产品化封装。