1、课程导论与AI on MCU概述：为什么要在STM32上跑AI？STM32CubeAI能做什么？课程目标与学习路径
为什么要在STM32上跑AI？
这个问题，我刚开始接触时也问过自己。
你想想看，AI 不是应该在云端、在 GPU 服务器上跑吗？
没错，那是训练阶段。但推理呢？
实际产品里，数据采集、实时响应、低功耗，这些才是硬骨头。我做过一个工业振动监测项目，数据传到云端再返回结果，延迟 200 毫秒，现场根本没法用。后来我把模型直接部署在 STM32 上，延迟降到 5 毫秒以内。
这就是为什么要在 MCU 上跑 AI——实时性、低功耗、低成本、隐私安全。
核心优势：
- 实时响应：本地推理，无需网络，延迟可控在毫秒级
- 低功耗：STM32 典型功耗在 µA 级，电池供电可运行数月
- 低成本：一颗几块钱的 MCU 就能跑轻量级模型
- 数据隐私：敏感数据不出设备，符合 GDPR 等法规
说白了，AI on MCU 不是要替代云端 AI，而是填补「边缘端实时智能」这个空白。
STM32CubeAI 能做什么？
STM32CubeAI 是 ST 官方推出的工具链。我最早用它的 1.0 版本，那时候功能还比较基础。现在发展到 8.0 以上，已经相当成熟了。
它能帮你做三件事：
- 模型转换与优化：把训练好的模型（Keras、TensorFlow Lite、ONNX 等）转换成 STM32 能跑的 C 代码
- 自动代码生成：生成推理引擎、内存分配、API 接口，你几乎不用写底层代码
- 性能评估与验证：在 PC 上模拟推理结果，对比精度损失，确认后再烧录到硬件
我个人习惯：先用 CubeAI 在 PC 上跑一遍仿真，确认精度达标后，再部署到开发板。这一步能省掉大量调试时间。
举个例子，我做过一个人脸检测项目。模型用 MobileNetV1 训练，参数量 4.2M。用 CubeAI 量化成 int8 后，模型大小从 16MB 压缩到 4MB，推理速度从 120ms 降到 35ms。嗯，精度只掉了 0.3%。
课程目标
这门课的目标很明确：让你从零开始，亲手构建一个能在 STM32 上运行的神经网络模型。
具体来说，学完这门课，你能做到：
- 理解神经网络在 MCU 上的运行原理
- 掌握 STM32CubeAI 的完整使用流程
- 独立完成模型训练、转换、部署、调试
- 解决实际项目中遇到的常见问题
注意：这门课不是讲深度学习理论，而是讲工程落地。你需要有基本的 C 语言和 Python 基础，了解简单的神经网络概念即可。
学习路径
我把课程分成四个阶段，每个阶段都有明确的目标：
| 阶段 | 章节 | 核心内容 |
|---|---|---|
| 基础篇 | 1-5 | AI on MCU 概述、STM32CubeAI 安装、开发环境搭建 |
| 模型篇 | 6-15 | 模型训练、量化、转换、优化技巧 |
| 部署篇 | 16-25 | 代码生成、内存管理、外设集成、调试方法 |
| 实战篇 | 26-30 | 完整项目案例：手势识别、语音唤醒、异常检测 |
我建议你按顺序学，不要跳。尤其是模型量化那几章，很多坑都在那里。我曾经因为量化参数没调好，模型在板子上跑出来的结果全是噪声，排查了两天才找到原因。
避坑指南
最后分享几个我踩过的坑：
- 模型太大：STM32 的 RAM 通常只有几十 KB 到几百 KB，模型参数量要控制在 1M 以内。我一开始用 ResNet-50，直接爆内存了。
- 数据类型不匹配：训练时用 float32，部署时用 int8，精度可能会掉。一定要做量化感知训练。
- 外设驱动没写好：模型推理再快，如果传感器数据采集慢，整体延迟还是高。我建议先调通外设，再部署模型。
一句话总结：AI on MCU 不是把大模型硬塞进小芯片，而是让模型和硬件互相适配。这门课就是教你如何做到这一点。
好了，导论就到这里。下一章我们开始搭建开发环境，把 STM32CubeAI 装起来，跑第一个示例。