2、AI模型基础与选型：卷积神经网络与轻量级模型
各位同学，欢迎来到第二章。上一章我们聊了STM32CubeAI的整体流程，今天咱们把镜头拉近，看看AI模型本身。
很多初学者一上来就问我：“老师，我该选哪个模型？” 说实话，这个问题没有标准答案。但我可以告诉你，选错了模型，后面全白干。我在一个项目里就吃过这个亏——选了个ResNet-50，在PC上跑得飞起，结果往STM32F4上一烧，Flash直接爆了。嗯，那感觉，就像你给自行车装了个飞机引擎。
所以今天，咱们把模型选型这件事彻底讲透。
2.1 卷积神经网络（CNN）到底在干什么？
先别急着背公式。CNN说白了，就是一台“特征提取机”。
你想想看，一张图片输入进去，计算机看到的只是一堆0到255的数字。它怎么知道这是猫还是狗？CNN的做法是：一层一层地“看”，从最基础的边缘、纹理，到复杂的形状、物体部件。
我习惯把CNN拆成三个核心部件：
- 卷积层：用一个小窗口（比如3x3）在图像上滑动，提取局部特征。就像你用放大镜看一幅画，每次只看一小块。
- 池化层：把特征图“压缩”。比如最大池化，就是取一个2x2区域里最大的那个数。这样做的好处是：减少计算量，同时让模型对位置变化不那么敏感。
- 全连接层：把提取到的特征“拼起来”，然后做分类。说白了，就是“看完所有细节后，下结论”。
核心要点：CNN的深度决定了它能提取多“抽象”的特征。但深度越大，参数越多，MCU就越扛不住。这就是为什么我们需要轻量级模型。
2.2 为什么MCU上不能用大模型？
我直接给你算笔账。
一个标准的VGG-16模型，参数大约1.38亿个。每个参数用32位浮点数存，那就是约528MB。而STM32F4系列的Flash，最大也就2MB。你想想看，差了260多倍。
更别说运行时需要的RAM了。VGG-16一次前向推理，中间特征图占用的内存轻松超过100MB。而STM32的SRAM，通常只有192KB到1MB。
所以，在MCU上跑模型，必须满足三个条件：
- 参数少：模型大小控制在几百KB以内
- 计算量小：乘加操作数（MACs）在几百万以内
- 内存友好：中间特征图不能太大，否则SRAM装不下
避坑指南：我曾经在一个项目里，模型大小只有200KB，但推理时中间特征图占用了300KB的RAM。结果STM32L4的SRAM只有256KB，直接跑不起来。所以选模型时，不光要看模型大小，还要看峰值内存占用。
2.3 轻量级模型三剑客
目前最适合MCU的轻量级模型，我总结了三类。咱们一个一个看。
2.3.1 MobileNet系列
MobileNet是Google推出的，核心思想是“深度可分离卷积”。
传统卷积，一个卷积核同时处理所有通道。而深度可分离卷积，先把每个通道单独处理，再用1x1卷积把通道信息融合。这样做的好处是：计算量直接降到原来的1/8到1/9。
我举个例子：
传统卷积：输入3通道，输出32通道，3x3卷积核
计算量 = 3 x 32 x 3 x 3 x H x W = 864 x H x W
深度可分离卷积：
第一步：3通道分别用3x3卷积，计算量 = 3 x 3 x 3 x H x W = 27 x H x W
第二步：1x1卷积融合通道，计算量 = 3 x 32 x 1 x 1 x H x W = 96 x H x W
总计算量 = 123 x H x W
看到了吗？计算量从864降到了123，整整7倍差距。
我个人习惯用MobileNetV1作为MCU上的首选。为什么？因为它结构简单，没有复杂的残差连接，在STM32上部署起来特别顺畅。
| 模型 | 参数数量 | 模型大小（FP32） | 适合MCU？ |
|---|---|---|---|
| MobileNetV1 (α=0.25) | 0.47M | 1.8MB | ✅ 适合 |
| MobileNetV1 (α=0.5) | 1.34M | 5.1MB | ⚠️ 需量化 |
| MobileNetV2 (α=0.35) | 1.7M | 6.5MB | ❌ 偏大 |
实战技巧：MobileNet的α参数是宽度乘数。α=0.25表示把每层的通道数都压缩到原来的1/4。在STM32F4上，我建议用α=0.25的版本，量化到8位后，模型大小只有450KB左右，非常友好。
2.3.2 TinyML模型
TinyML不是一个具体的模型，而是一类专门为微控制器设计的模型。它们的共同特点是：参数极少，通常在几十KB级别。
我推荐两个：
- TinyConv：只有2到3层卷积，加上1到2层全连接。参数总量在50KB以内。适合做简单的二分类或三分类任务。
- DS-CNN：深度可分离卷积的极致简化版。Google在TensorFlow Lite Micro里主推的模型。我在一个关键词唤醒项目里用过，效果出奇的好。
但要注意，TinyML模型的能力有限。你不可能指望它去识别1000类物体。我建议：
- 分类数 ≤ 10 类：TinyML模型完全够用
- 分类数 10-50 类：考虑MobileNetV1 α=0.25
- 分类数 > 50 类：建议用更强大的MCU，或者考虑模型剪枝
2.3.3 其他值得关注的模型
除了上面两个，还有几个模型我在项目中试过，效果不错：
- SqueezeNet：用1x1卷积替代部分3x3卷积，参数比MobileNet还少。但推理速度稍慢。
- ShuffleNetV2：通道混洗技术，计算效率很高。但实现起来稍微复杂，STM32CubeAI的兼容性需要验证。
- EfficientNet-Lite：EfficientNet的轻量版，适合有NPU的MCU。普通MCU上跑起来有点吃力。
2.4 选型决策树
说了这么多，到底怎么选？我整理了一个决策流程，你照着走就行：
- 先看任务复杂度：几类？图像分辨率多大？
- 再看MCU资源：Flash多大？SRAM多大？有没有硬件乘法器？
- 然后选模型：按上面的表格对号入座
- 最后做量化：FP32转INT8，模型大小直接缩到1/4
我的经验：如果你用的是STM32F4系列（比如F407、F429），我建议优先尝试MobileNetV1 α=0.25，量化到8位。如果Flash还有余量，可以试试α=0.5的版本。对于STM32L4系列，由于Flash较小，建议直接上TinyML模型。
2.5 一个真实的选型案例
去年我做了一个口罩识别项目，要求：
- 识别戴口罩、没戴口罩、戴得不规范 3种情况
- 运行在STM32F407上（Flash 1MB，SRAM 192KB）
- 推理时间 < 500ms
我一开始试了MobileNetV1 α=0.5，量化后模型大小约1.2MB。嗯，Flash装不下。后来换成α=0.25，量化后450KB，完美。推理时间约280ms，完全满足要求。
所以你看，选型不是越强越好，而是刚刚好。
2.6 本章小结
今天咱们把CNN的原理、轻量级模型、选型方法都过了一遍。核心就一句话：MCU上跑模型，轻量是王道，量化是必须。
下一章，我会手把手教你用STM32CubeAI把模型部署到开发板上。到时候你会发现，前面这些准备工作，会让你的部署过程顺畅很多。
好，今天就到这里。有问题随时交流。