课程导论：移动端AI的现状与未来
大家好，我是你们这门课的主讲。在移动端做AI部署，这事儿我干了快六年。踩过的坑不少，积累的经验也还行。今天咱们先聊聊大背景——移动端AI到底发展到哪一步了？为什么我偏偏挑图像分类来当入门项目？
移动端AI的现状：比你想象的要猛
说实话，五年前我在手机上跑一个简单的分类模型，得等好几秒才能出结果。现在呢？iPhone或者最新的安卓旗舰机，跑个MobileNet只需要几十毫秒。你想想看，这进步有多大。
目前移动端AI有几个明显趋势：
- 芯片专门化：高通、联发科、苹果都在SoC里塞了NPU或AI引擎。我去年测过一台骁龙8 Gen2的设备，推理速度比纯CPU快了将近8倍。
- 模型轻量化：从MobileNet到ShuffleNet，再到EfficientNet-Lite，模型越来越小，精度却掉得不多。
- 框架成熟：TensorFlow Lite、ONNX Runtime、NCNN、MNN……选择很多，而且都支持硬件加速。
核心观点：移动端AI不再是「能不能跑」的问题，而是「怎么跑得又快又省电」的问题。
为什么选择图像分类作为入门项目？
这个问题我经常被问到。我的回答很简单：图像分类是移动端AI的「Hello World」。
原因有三：
- 数据好找：ImageNet、CIFAR-10、甚至你自己拍的照片都能用。不像目标检测还得标框，语义分割还得逐像素标注。
- 模型成熟：分类任务的预训练模型一抓一大把。你不需要从零训练，直接拿来微调就行。
- 效果直观：拍张照片，App告诉你「这是猫」或者「这是杯子」。用户一眼就能看出模型有没有用。
我记得有一次帮客户做工业质检的POC，他们要求手机端实时判断零件有没有划痕。说白了就是个二分类问题。我们用MobileNetV3，从训练到部署只花了两周。客户当场就拍板了。
我的建议：别一上来就搞目标检测或者OCR。先把分类吃透，后面学什么都快。
课程目标与学习路径
这门课的目标很明确：让你能独立把一个图像分类模型从训练搞到手机端跑起来。
具体来说，学完这门课你会掌握：
- 怎么选模型、怎么训练、怎么调参
- 怎么把PyTorch或Keras模型转成移动端格式
- 怎么在Android/iOS上集成推理代码
- 怎么优化速度和内存占用
学习路径我设计成了三个阶段：
| 阶段 | 内容 | 预计时间 |
|---|---|---|
| 基础篇 | 模型选型、训练技巧、量化入门 | 2周 |
| 部署篇 | 模型转换、Android/iOS集成、推理引擎使用 | 3周 |
| 优化篇 | 量化实战、剪枝、NPU加速、性能调优 | 2周 |
嗯，这里要注意：每个阶段我都会给一个完整的实战项目。你跟着做一遍，比看十遍理论都有用。
所需工具与环境概览
工欲善其事，必先利其器。咱们先把环境搭好。
你需要准备的东西：
- 一台电脑：Windows/Mac/Linux都行。建议有NVIDIA显卡，没有也能做，就是训练慢点。
- 一部手机：Android 8.0以上或iOS 12以上。最好支持NPU。
- Python环境：推荐Anaconda或者Miniconda。Python 3.8-3.10都行。
- 深度学习框架：PyTorch 1.12+ 或者 TensorFlow 2.8+。我个人习惯用PyTorch，但课程里两种都会讲。
- 移动端推理引擎：TensorFlow Lite、NCNN、MNN三选一。我建议先学TFLite，资料最多。
避坑指南：我曾经因为Python版本不对，折腾了一整天装不上ONNX。后来学乖了，每次开新项目都用conda创建独立环境。你也别省这一步。
另外，如果你用的是Mac M1/M2芯片，注意有些工具对ARM架构支持还不完美。比如某些版本的TensorFlow，得装特定分支才能跑。
本章知识体系
下面这张图，帮你理清整个课程的知识脉络：
说白了，整个流程就是一条流水线：数据进去，模型出来，再塞进手机。每一步都有坑，但每一步也都有套路。咱们后面会一个一个拆开讲。
最后说一句：这门课不要求你有多深的AI背景。只要你写过Python，用过手机，剩下的交给我。咱们一步一步来，30章之后，你也能做出自己的移动端AI应用。