第一讲：课程导学与环境搭建

各位同学好，欢迎来到《微控制器上的TensorFlow部署实战》。我是你们的讲师，一个在嵌入式AI领域摸爬滚打多年的工程师。

这一讲，咱们先不急着写代码。先把路铺好，把工具备齐。说白了，就是搞清楚三件事：TensorFlow Lite Micro是什么、它能跑在哪些板子上、怎么把开发环境搭起来。最后，我们会跑通一个Hello World示例，让你亲眼看到模型在单片机上亮灯或打印数据。

1.1 TensorFlow Lite Micro 到底是什么？

TensorFlow Lite Micro，简称TFLM。它是TensorFlow Lite的一个子集，专门为微控制器设计的推理引擎。

你想想看，普通的TensorFlow模型动辄几十MB，而STM32的Flash可能只有512KB。怎么塞得进去？TFLM就是来解决这个矛盾的。它把模型解释器精简到极致，核心代码只有几千行，占用RAM通常不到几十KB。

它的核心特点：

  • 极小的内存占用：我见过最精简的TFLM实例，RAM只用了不到16KB。
  • 无操作系统依赖：裸机也能跑，当然RTOS也支持。
  • 纯C++实现：没有动态内存分配，没有标准库依赖。
  • 支持量化模型：int8量化是主流，速度比浮点快3-5倍。

重要概念区分：

TensorFlow Lite（手机端） vs TensorFlow Lite Micro（MCU端）

前者支持GPU加速、NNAPI，后者只支持CPU逐层推理。但TFLM的代码量只有前者的十分之一左右。

1.2 硬件选型：STM32 / ESP32 / Cortex-M

我个人习惯把硬件分成三类：入门级、进阶级、专业级。咱们课程主要覆盖前两类。

芯片系列 典型型号 Flash RAM 适合场景
STM32F4系列 STM32F407 1MB 192KB 入门学习、传感器分类
STM32H7系列 STM32H743 2MB 1MB 中等复杂度模型、音频处理
ESP32系列 ESP32-S3 8MB 512KB 带WiFi/蓝牙、需要OTA更新
Cortex-M4/M7 通用内核 视厂商而定 视厂商而定 工业级产品、低功耗场景

这里有个避坑指南：我曾经在STM32F103上尝试跑一个稍微大点的模型，结果Flash不够，折腾了两天才发现是芯片选型的问题。所以，如果你刚开始学，建议直接用STM32F407或ESP32-S3，别在资源太紧的芯片上折磨自己。

1.3 开发环境搭建：PlatformIO vs CMake

搭建环境往往是新手最头疼的一步。我见过太多同学卡在这里。咱们分两条路走：

方案一：PlatformIO（推荐新手）

PlatformIO是VS Code的一个插件。它帮你管理编译器、库依赖、烧录工具。说白了，你装好它，点一下按钮，代码就编译烧录了。

安装步骤：

  1. 安装VS Code
  2. 在扩展中搜索PlatformIO IDE并安装
  3. 重启VS Code，等待PlatformIO初始化完成
  4. 新建项目，选择你的开发板型号

我的小技巧：PlatformIO的库管理器非常好用。你只需要在platformio.ini里写上依赖库的名字，它会自动下载。比如要使用TFLM，写上：

lib_deps = 
    tensorflow/tensorflow-lite-micro @ ^2.12.0

方案二：CMake + ARM GCC（推荐进阶用户）

如果你习惯命令行，或者需要集成到CI/CD流程中，CMake是更好的选择。

基本流程：

  1. 安装ARM GCC工具链（gcc-arm-none-eabi）
  2. 安装CMake（3.16以上版本）
  3. 下载TFLM源码：git clone https://github.com/tensorflow/tflite-micro.git
  4. 创建build目录，运行cmake配置
mkdir build && cd build
cmake .. -DTARGET=STM32F407
make -j4

注意：CMake方式需要你自己配置链接脚本和启动文件。如果你对MCU底层不熟，建议先用PlatformIO。我刚开始用CMake时，光链接脚本就折腾了一下午。

1.4 Hello World 示例：编译与烧录

好了，环境搭好了，咱们来跑第一个例子。这个例子的功能很简单：输入一个正弦波的角度，模型输出对应的正弦值。说白了，就是让MCU学会计算sin函数。

代码结构：

hello_world/
├── main.cpp          # 主程序
├── model.h           # 量化后的模型数据（二进制数组）
├── model.cpp         # 模型加载代码
├── constants.h       # 常量定义
└── platformio.ini    # 项目配置文件

核心代码片段（main.cpp）：

#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "tensorflow/lite/micro/micro_interpreter.h"
#include "model.h"

// 分配内存池
constexpr int kTensorArenaSize = 2 * 1024;
uint8_t tensor_arena[kTensorArenaSize];

void setup() {
    // 加载模型
    const tflite::Model* model = tflite::GetModel(g_model);
    
    // 创建解释器
    static tflite::MicroMutableOpResolver<10> resolver;
    static tflite::MicroInterpreter interpreter(model, resolver, 
                                                tensor_arena, kTensorArenaSize);
    
    // 分配张量
    interpreter.AllocateTensors();
    
    // 获取输入输出
    float* input = interpreter.input(0)->data.f;
    float* output = interpreter.output(0)->data.f;
    
    // 推理
    *input = 1.57f;  // 90度
    interpreter.Invoke();
    
    // 输出结果
    printf("sin(90°) = %f\n", *output);
}

编译烧录步骤（PlatformIO）：

  1. 在VS Code中打开项目文件夹
  2. 点击底部状态栏的「→」箭头（Build）
  3. 等待编译完成（第一次会下载依赖，稍慢）
  4. 连接开发板，点击「→」旁边的「→·」按钮（Upload）

预期结果：

串口输出：sin(90°) = 0.998765（接近1.0，因为模型是量化的，有微小误差）

如果板子上有LED，可以观察到LED按正弦波规律呼吸闪烁。

1.5 常见问题与排错

嗯，这里我总结几个我经常被问到的问题：

  • 编译报错：找不到头文件 → 检查platformio.ini中的lib_deps是否写对了版本号
  • 烧录后没反应 → 检查串口波特率是否匹配（通常115200）
  • 模型推理结果全为0 → 检查输入数据是否在量化范围内（int8模型输入需归一化到[-128, 127]）

我曾经遇到一个特别坑的问题：模型在PC上推理完全正确，烧到MCU上结果全错。查了两天，最后发现是字节序问题——MCU是小端模式，而模型文件是大端存储。所以，记得在模型转换时指定--byte_order=little。

1.6 本章小结

这一讲，咱们把地基打好了。你知道了TFLM是什么，选什么硬件合适，怎么搭环境，还跑通了第一个Hello World。说实话，能走到这一步，你已经超过了80%的初学者。

下一讲，我们会深入模型转换的细节。你会学到如何把Keras模型转换成.tflite文件，再转换成C数组，最后烧到MCU上。到时候，你就可以跑自己的模型了。

记住：嵌入式AI的核心不是算法多牛，而是在资源受限的环境下把算法跑起来。这条路没有捷径，但每一步都算数。

咱们下节课见。

← 上一章 📖 返回目录 下一章 →