课程导入：学习目标、适用人群、课程整体框架与实战项目预览
嵌入式人工智能是当前物联网与边缘计算领域最富活力的技术方向之一。STM32作为全球出货量最大的32位微控制器家族，凭借其丰富的生态、极低的功耗和强大的外设集成能力，成为边缘端部署轻量级神经网络模型的理想载体。然而，将TensorFlow Lite模型从PC端的Python环境迁移到资源受限的MCU上，并非简单的“复制粘贴”，而是一场涉及模型压缩、算子适配、内存规划、硬件加速与功耗平衡的系统工程。本章作为整个30讲课程的总纲，将首先明确学习目标与适用人群，随后剖析课程的整体知识框架，最后通过一个贯穿全课程的实战项目预览，帮助您建立对“TensorFlow Lite on STM32”全流程的宏观认知。
上图展示了本课程的核心逻辑：学习目标、适用人群、课程框架与实战项目四者紧密咬合。学习目标决定了课程内容的深度与广度，适用人群决定了讲解的起点与节奏，课程框架是知识传递的路径，而实战项目则是将前三者串联起来的“工程主线”。在后续的30讲中，我们将始终围绕这条主线展开，确保每一讲的知识点都能在实战项目中找到落点。
1.1 学习目标：从“能跑通”到“跑得优”
本课程的学习目标并非仅仅停留在“把官方示例编译下载到开发板”的层面，而是致力于培养学员在嵌入式环境下独立完成模型选型、优化、部署与调优的完整能力。具体而言，完成本课程后，您将能够：
- 理解TFLite Micro的运行时架构：掌握解释器（Interpreter）、算子注册（OpResolver）、内存规划器（Memory Planner）的核心工作机制，能够定位并解决“算子不支持”或“内存溢出”等常见问题。
- 熟练进行模型量化与压缩：掌握训练后量化（Post-Training Quantization）与量化感知训练（Quantization-Aware Training）的区别与适用场景，能够将浮点模型转换为适配STM32的INT8或FP16模型，并评估精度损失。
- 独立完成STM32工程集成：能够使用STM32CubeMX配置时钟、DMA、USART、CRC等外设，并将TFLite Micro运行时以静态库或源码形式集成到IAR/Keil/CMake工程中。
- 利用CMSIS-NN进行算子加速：理解CMSIS-NN中卷积、全连接、池化等算子的优化原理（如im2col、数据重排），并能在STM32F4/H7系列上获得显著的推理速度提升。
- 掌握性能与功耗的联合调优方法：学会使用STM32的硬件性能计数器（DWT->CYCCNT）和外部功耗分析仪，建立“推理时间-功耗-精度”的三维优化思维。
课程目标拆解：我们将“移植”定义为三个层次——第一层是“能跑通”，即模型可以在开发板上产生正确的推理结果；第二层是“跑得稳”，即系统长时间运行无内存泄漏、无异常复位；第三层是“跑得优”，即在满足精度要求的前提下，推理时间与功耗均达到工程可接受的水平。本课程30讲的设置，正是为了带领大家逐层跨越这三个阶段。
1.2 适用人群：您需要具备的基础
考虑到嵌入式AI领域的交叉学科特性，本课程对学员的预备知识有一定要求，但并非高不可攀。我们建议您具备以下基础：
| 知识领域 | 必备程度 | 具体内容要求 |
|---|---|---|
| C语言编程 | 必须熟练 | 指针、结构体、内存管理、链表操作；能够阅读和理解中等复杂度的C源码。 |
| STM32开发基础 | 必须掌握 | GPIO、USART、SPI、I2C外设驱动；了解中断优先级与DMA传输机制；会使用STM32CubeMX生成初始化代码。 |
| Python与TensorFlow | 建议具备 | 能够使用Python进行简单的数据处理；了解Keras或TensorFlow 2.x的模型构建与训练流程。 |
| 机器学习基础 | 了解即可 | 理解卷积神经网络（CNN）的基本结构（卷积层、池化层、全连接层）；知道过拟合、学习率等基本概念。 |
如果您在STM32外设驱动方面稍有生疏，不必担心，课程第4-6讲会专门安排“STM32CubeMX工程模板解析”与“外设驱动快速上手”的内容。但如果您对C语言的指针和内存操作感到陌生，建议在开课前先花一周时间复习《C程序设计语言》中的相关章节，因为TFLite Micro的源码中大量使用了函数指针和内存池技术。
1.3 课程整体框架：四阶段递进式学习
本课程共30讲，按照“基础认知→模型优化→工程移植→高级调优”四个阶段组织，每一阶段均包含理论讲解、代码实操与常见问题复盘。具体框架如下：
- 基础篇（第1-7讲）：课程导入、TFLite Micro架构剖析、STM32硬件资源与AI能力分析、开发环境搭建（STM32CubeMX + GCC + OpenOCD）、CMSIS-NN算子库初探。
- 模型篇（第8-14讲）：模型转换流程、训练后量化实战、量化感知训练、模型剪枝与知识蒸馏、针对MCU的模型结构设计（如MobileNetV2、DS-CNN）。
- 移植篇（第15-24讲）：TFLite Micro运行时移植、内存规划与优化、算子注册与自定义算子、CMSIS-NN加速集成、多模型动态切换、看门狗与错误处理。
- 调优篇（第25-30讲）：推理时间剖析与优化、功耗测量与低功耗设计、模型精度-速度-功耗联合调优、实战项目完整复盘与答辩技巧。
学习建议：前7讲是后续所有内容的地基，尤其是第3讲“TFLite Micro运行时架构”和第5讲“CMSIS-NN算子库”，建议您边看视频边对照源码进行逐行阅读。第8讲开始，每一讲都会在实战项目上叠加一个新的优化点，请务必在本地搭建好实验环境，做到“每讲一练”。
1.4 实战项目预览：STM32F746G-DISCO手势识别系统
为了将分散的知识点串联为有机整体，本课程设计了一个贯穿始终的实战项目——基于STM32F746G-DISCO开发板的手势识别系统。该项目并非简单的“玩具Demo”，而是一个具备工程参考价值的完整方案。项目背景设定为：在工业现场噪声环境下，操作员佩戴集成IMU（惯性测量单元）的手环，通过特定手势（如画圈、水平挥动、垂直挥动）远程控制机械臂的启停与方向。系统要求：
- 模型大小不超过300KB，以适应STM32F746的1MB Flash（留出足够空间给应用程序）。
- 单次推理时间不超过50ms，保证控制指令的实时性。
- 平均功耗不超过100mW，确保手环电池可连续工作8小时以上。
项目将分阶段推进：在第8-10讲，我们使用Python采集IMU的六轴数据（加速度+角速度），训练一个一维卷积神经网络（1D-CNN）或DS-CNN模型；第11-14讲，对模型进行INT8量化，并评估量化后的精度损失（目标：Top-1准确率从98.2%降至不低于95%）；第15-20讲，将量化模型部署到STM32F746上，使用CMSIS-NN加速卷积运算，并利用STM32CubeMX配置SPI接口与外部Flash通信；第21-24讲，解决实际运行中遇到的内存对齐问题与中断优先级冲突；第25-30讲，使用DWT计数器精确测量各层耗时，并通过调整CPU频率与睡眠模式将功耗降至目标范围。
风险提示：在项目推进过程中，您可能会遇到“模型转换后算子不支持”“CMSIS-NN加速后结果错误”“DMA与CPU缓存一致性问题”等典型故障。这些故障并非课程设计的“陷阱”，而是嵌入式AI开发中真实存在的高频问题。我们将在对应的章节中提供系统性的排查方法论，但请务必养成“先看日志、再查手册、最后问社区”的排障习惯。
通过这个项目的完整实践，您将不仅掌握TFLite Micro的移植技术，更能建立起一套适用于任何MCU平台（如ESP32、GD32、瑞萨RA系列）的“模型部署思维框架”。这种能力迁移的价值，远超过记住几个API调用。
1.5 常见误区与学习复盘
在多年的嵌入式AI教学与项目咨询中，我们发现初学者在入门阶段常陷入以下三个误区，在此提前为您“避坑”：
- 误区一：重模型、轻工程。很多学员花费大量时间在Python端调整模型结构，却忽视了STM32端的内存分配与算子实现细节。事实上，在MCU上，内存瓶颈往往比算力瓶颈更先出现。一个在PC上运行良好的模型，可能因为一个未对齐的缓冲区就导致STM32硬件故障。
- 误区二：盲目追求最新版本。TensorFlow Lite Micro的版本更新较快，但STM32的SDK（如STM32CubeF7）更新相对滞后。建议在本课程中固定使用TensorFlow 2.10版本与CMSIS-NN 5.9版本，待完全掌握后再考虑升级。
- 误区三：忽略功耗设计。对于电池供电的嵌入式设备，推理速度并非唯一指标。我们将在第27讲专门讲解如何利用STM32的WFI（Wait For Interrupt）指令与不同电压等级（VOS Scale）来降低功耗，但请从项目一开始就养成“随手关外设时钟”的好习惯。