1. 课程导论与开发环境搭建
各位同学好，我是你们这门课的讲师。在嵌入式领域摸爬滚打了十几年，从最早的8位单片机一路做到现在的双核Cortex-M7，我越来越觉得——在STM32上跑神经网络，这事儿已经不是「能不能做」的问题，而是「怎么做才更优雅」的问题了。
这一章，我们先不急着敲代码。先把「为什么要在STM32上搞AI」这件事聊透，再把工具链装好、跑通一个最简单的验证例程。地基打牢了，后面30章你才走得稳。
1.1 为什么要在STM32上部署神经网络？
你可能会问：云端的AI算力那么强，干嘛非要在小小的MCU上折腾？
嗯，这个问题我当年也问过自己。直到有一次做工业振动监测的项目，现场环境根本没有稳定的网络，数据传到云端再返回结果，延迟超过2秒——设备都快震散架了，报警还没出来。从那以后，我坚定了一个想法：实时性、低功耗、数据隐私，这三个需求，只有边缘端能解决。
具体来说，STM32上跑神经网络有这几个核心价值：
- 实时响应：推理在本地完成，延迟从秒级降到毫秒级。比如电机堵转检测，10ms内必须给出结果。
- 低功耗：STM32的典型功耗在几十到几百mW，而树莓派这类Linux板卡动辄几瓦。电池供电的场景，MCU是唯一选择。
- 数据隐私：传感器数据不上云，全部在本地处理。医疗、金融、工业控制领域，这是硬性合规要求。
- 成本优势：一颗STM32H743的价格不到50元，而同等算力的NPU模块可能要几百块。
一句话总结：不是所有AI都需要GPU。当你的产品需要「小、快、灵」时，STM32就是那个最合适的载体。
1.2 硬件选型：F4还是H7？
很多初学者会纠结这个问题。我个人的建议是：看你的模型大小和实时性要求。
下面这张表是我在实际项目中总结的选型参考：
| 对比维度 | STM32F4系列 | STM32H7系列 |
|---|---|---|
| 典型型号 | STM32F407 / F429 | STM32H743 / H750 |
| 主频 | 168~180 MHz | 400~550 MHz |
| SRAM | 192~256 KB | 512 KB ~ 1 MB |
| Flash | 512 KB ~ 2 MB | 1 MB ~ 2 MB |
| FPU | 单精度 | 双精度 + 单精度 |
| 典型推理速度 | 50~200 ms（小模型） | 5~50 ms（中等模型） |
| 适用场景 | 二分类、简单回归 | 多分类、轻量CNN、时序模型 |
我的建议很直接：
- 如果你只是做手势识别、简单异常检测，F4完全够用，成本更低。
- 如果你要做关键词唤醒、图像分类、振动频谱分析，直接上H7，别犹豫。我曾经在F4上硬跑一个三层CNN，推理一次花了800ms，后来换H7直接降到40ms——差距就是这么大。
一个小技巧：H750系列虽然Flash只有128KB，但它支持外部QSPI Flash映射执行代码。我有个项目就是用H750 + 外部Flash，成本比H743低30%，性能几乎没差别。
1.3 软件工具链全景
STM32的AI部署工具链，说白了就是三件套：STM32CubeMX（配置）、X-CUBE-AI（转换）、STM32CubeIDE（编译调试）。
它们之间的关系，我画了张图：
流程其实很简单：你在PC上训练好模型（Keras/PyTorch/TFLite），用X-CUBE-AI把它转换成STM32能跑的C代码，然后用CubeMX配置好外设和时钟，最后在CubeIDE里编译下载到板子上。
1.4 环境安装与验证
这部分我尽量说得简洁，但每一步都很关键。我踩过的坑，不希望你再踩一遍。
1.4.1 安装STM32CubeMX
- 去ST官网下载最新版STM32CubeMX（目前是6.12+）。
- 安装时注意：路径不要有中文和空格。我曾经因为路径带了个空格，折腾了一下午找不到固件包。
- 安装完成后，打开软件，它会提示你下载固件包。先别急，我们后面统一配置。
1.4.2 安装X-CUBE-AI
- 在CubeMX的「Software Packs」->「Manage Software Packs」中搜索「X-CUBE-AI」。
- 选择与你板子匹配的版本（建议选最新稳定版）。
- 安装完成后，在CubeMX的Pinout视图中，你会看到「Software Packs」选项卡下多了一个「X-CUBE-AI」的入口。
避坑指南：X-CUBE-AI 的版本必须与 CubeMX 主版本兼容。我曾经在 CubeMX 6.8 上装了 X-CUBE-AI 7.0，结果模型转换时直接崩溃。后来查了Release Notes才发现，X-CUBE-AI 7.0 要求 CubeMX 6.9+。所以，先升级CubeMX到最新，再装X-CUBE-AI。
1.4.3 安装STM32CubeIDE
- 同样从ST官网下载，选择对应操作系统的版本。
- 安装过程一路默认即可。注意：它会自动安装GCC工具链和OpenOCD调试器。
- 第一次启动时，设置工作空间路径。我建议单独建一个文件夹，比如
D:\STM32_Workspace，方便管理。
1.4.4 验证：跑通第一个AI例程
装完工具链，我们来验证一下是否真的能跑。ST官方提供了一个非常简单的「手势识别」例程，用的是X-CUBE-AI自带的预训练模型。
步骤很简单：
- 打开CubeMX，选择你的开发板（比如NUCLEO-H743ZI2）。
- 在Pinout视图中，点击「Software Packs」->「Select Software Packs」->勾选X-CUBE-AI。
- 在「X-CUBE-AI」配置界面中，选择「Add AI Model」，导入官方提供的
hand_gesture_model.tflite（路径在安装目录下的Projects/Examples里）。 - 配置UART串口，用于打印推理结果。
- 生成代码，用CubeIDE打开工程，编译下载。
如果一切顺利，串口终端会输出类似这样的信息：
AI Inference Started...
Gesture: 0 (No gesture)
Gesture: 1 (Swipe Left)
Gesture: 2 (Swipe Right)
Gesture: 3 (Palm)
...我个人的习惯：第一次验证时，不要用自己训练的模型。先用官方例程把整个流程跑通，确认工具链没问题了，再换自己的模型。这样出了问题，你能快速定位是模型问题还是工具链问题。
1.5 本章小结
这一章我们聊了：
- 为什么要在STM32上做AI——实时、低功耗、隐私、成本。
- F4和H7怎么选——小模型用F4，中等模型用H7。
- 工具链三件套——CubeMX、X-CUBE-AI、CubeIDE，它们怎么配合工作。
- 环境安装和验证——照着步骤走，跑通第一个AI例程。