第一课：课程导论与开发环境搭建

各位同学，欢迎来到《TFLite微控制器部署实战》的第一课。

我是你们的讲师，一个在嵌入式AI领域摸爬滚打了好几年的工程师。说实话，刚开始接触TFLite Micro的时候，我也觉得这东西挺玄乎的——把神经网络塞进一个只有几百KB内存的芯片里？听起来像天方夜谭。但后来我发现，这事儿不仅可行，而且已经遍地开花了。

今天这一课，咱们先把地基打牢。我会带你搞清楚TFLite Micro到底是什么、能用在哪儿、需要什么硬件，然后手把手把编译环境搭起来，最后跑一个“Hello World”示例——让LED灯根据模型输出闪烁。嗯，就是这么实在。

1.1 TFLite Micro 到底是什么？

先问个问题：你平时在电脑或手机上跑TensorFlow模型，是不是觉得挺顺畅的？但如果你想把模型放到一个只有256KB Flash、64KB RAM的STM32芯片上呢？

这就是TFLite Micro的用武之地。它是TensorFlow Lite的一个子集，专门为微控制器设计的推理引擎。说白了，它就是一个超级精简的“模型运行器”，能把训练好的模型压缩、优化，然后在资源极度受限的MCU上跑起来。

我个人习惯把TFLite Micro比作“微型翻译官”。你的模型是用Python写的“外语”，而MCU只懂C语言。TFLite Micro就是那个能把模型指令翻译成C代码，让MCU理解并执行的中间人。

1.2 应用场景：哪些地方已经用上了？

你可能觉得，在MCU上跑AI，性能肯定很差吧？其实不然。我去年帮一个客户做智能传感器项目，就是在STM32F4上跑了一个关键词唤醒模型，功耗只有几毫瓦，响应速度却不到100毫秒。

常见的应用场景包括：

• 语音唤醒：比如智能音箱的“小爱同学”、“Hey Siri”，其实很多是在MCU上完成的
• 手势识别：通过加速度计或摄像头，识别挥手、旋转等动作
• 异常检测：监测电机振动、电流波形，提前发现故障
• 图像分类：在摄像头模组上做简单的物体识别，比如区分猫和狗
• 传感器融合：把温度、湿度、气压数据一起输入模型，预测天气变化

我曾经踩过一个坑：有个项目要求在电池供电的设备上做连续语音识别，我一开始用了树莓派，结果电池撑不过2小时。后来换成ESP32跑TFLite Micro，功耗直接降到原来的十分之一，电池续航超过一周。这就是TFLite Micro的价值所在——在功耗和性能之间找到了最佳平衡点。

1.3 开发板选择：STM32F746 还是 ESP32？

这个问题我经常被问到。其实没有绝对的“最好”，只有“最合适”。

特性	STM32F746	ESP32
内核	Cortex-M7 (300MHz)	Xtensa LX6 (240MHz)
Flash	1MB	4MB (外挂)
RAM	320KB	520KB
浮点运算	硬件FPU (单精度)	软件模拟
无线连接	无 (需外接)	WiFi + BLE 内置
典型价格	约150元	约30元
适合场景	高性能计算、图像处理	物联网、无线传感

我的建议是：

• 如果你主要做图像分类或音频处理，选STM32F746。它的硬件浮点运算单元能让你省去很多量化优化的麻烦。
• 如果你做物联网项目，需要WiFi上传数据，选ESP32。它自带无线功能，而且社区资源非常丰富。
• 如果你是初学者，我建议先从ESP32入手——便宜、资料多、烧录简单，就算烧坏了也不心疼。

1.4 搭建编译环境：Arm GCC + Make/CMake

好，理论说完了，咱们来点实际的。搭建编译环境是每个嵌入式工程师的必修课。说实话，我第一次配环境的时候，光装工具链就折腾了一整天。现在我把步骤简化到最少，你跟着做就行。

1.4.1 安装 Arm GCC 工具链

Arm GCC 是编译器的核心。它能把你的C代码编译成ARM芯片能执行的机器码。

下载地址：https://developer.arm.com/tools-and-software/open-source-software/developer-tools/gnu-toolchain/gnu-rm

选择对应操作系统的版本：

• Windows：gcc-arm-none-eabi-xxx-win32.zip
• Linux：gcc-arm-none-eabi-xxx-linux.tar.bz2
• macOS：gcc-arm-none-eabi-xxx-mac.tar.bz2

安装完成后，记得把 bin 目录添加到系统环境变量。验证方法：

arm-none-eabi-gcc --version

如果看到版本号输出，说明安装成功。

1.4.2 安装 Make 或 CMake

Make 和 CMake 都是构建工具，用来管理编译过程。简单来说，它们能帮你自动执行“编译→链接→生成二进制文件”这一整套流程。

• Make：传统工具，适合小型项目。Windows下可以用 mingw32-make，Linux/macOS自带。
• CMake：更现代的工具，能生成Makefile或Ninja构建文件。推荐新手使用。

安装CMake：

# Ubuntu/Debian
sudo apt install cmake

# macOS (Homebrew)
brew install cmake

# Windows: 下载安装包 https://cmake.org/download/

验证：

cmake --version

1.4.3 获取 TFLite Micro 源码

TFLite Micro 的源码托管在GitHub上，是TensorFlow仓库的一部分。我们只需要克隆其中的微控制器相关部分：

git clone https://github.com/tensorflow/tflite-micro.git
cd tflite-micro

这个仓库包含了所有示例代码、算子实现和构建脚本。嗯，这里要注意：仓库比较大，如果网络不好，可以只克隆最新版本：

git clone --depth 1 https://github.com/tensorflow/tflite-micro.git

1.5 Hello World 示例：让LED亮起来

终于到了最激动人心的环节——跑第一个示例。TFLite Micro 自带了一个“Hello World”项目，它的功能是：训练一个简单的正弦波预测模型，然后根据模型输出控制LED的亮度。

说白了，就是让LED按照正弦波的规律呼吸。

1.5.1 项目结构

进入 tflite-micro/tensorflow/lite/micro/examples/hello_world 目录，你会看到：

• main.cc：主程序入口
• model.cc：预训练好的模型数据（C语言数组形式）
• constants.cc：一些常量定义
• output_handler.cc：输出处理函数（控制LED）
• Makefile.inc：构建配置文件

1.5.2 编译与烧录（以ESP32为例）

首先，确保你已经安装了ESP-IDF开发框架。如果没有，可以参考官方文档安装。

然后，在项目根目录执行：

make -f tensorflow/lite/micro/tools/make/Makefile TARGET=esp TARGET_ARCH=xtensa-esp32 hello_world

编译成功后，会生成一个 .bin 文件。烧录命令：

make -f tensorflow/lite/micro/tools/make/Makefile TARGET=esp TARGET_ARCH=xtensa-esp32 flash

如果你用的是STM32F746，命令类似，只是把 TARGET 改成 stm32f7：

make -f tensorflow/lite/micro/tools/make/Makefile TARGET=stm32f7 hello_world

1.5.3 观察效果

烧录成功后，你会看到开发板上的LED开始缓慢地呼吸——从暗到亮，再从亮到暗，循环往复。这就是模型在实时计算正弦波的值，然后通过PWM控制LED亮度。

你可能会问：“这跟AI有什么关系？”

其实，这个示例的核心在于：它展示了完整的TFLite Micro工作流程——模型加载、输入填充、推理执行、输出解析。虽然只是一个正弦波，但换成任何分类或回归模型，流程都是一模一样的。

1.6 本章小结

好了，第一课的内容就到这里。我们做了几件事：

• 理解了TFLite Micro是什么——一个在MCU上跑AI模型的轻量级引擎
• 了解了它的应用场景——语音、手势、异常检测等
• 对比了STM32F746和ESP32的优劣——根据需求选择
• 搭建了编译环境——Arm GCC + Make/CMake
• 跑通了Hello World示例——让LED呼吸起来

下一课，我们会深入模型转换和量化的细节。你会学到如何把Keras训练好的模型转换成TFLite格式，再进一步量化为int8，让它在MCU上跑得更快。

记住，嵌入式AI的核心不是模型有多复杂，而是如何在资源受限的情况下，把模型跑得又快又准。咱们一步一步来。

有任何问题，欢迎在课程群里交流。下节课见！