🚀 MobileNet 嵌入式移植·实战
📁 30章 · 从入门到部署
01
MobileNet家族概览
V1→V3演进 · 为何嵌入式首选
02
嵌入式AI硬件基础
CPU/GPU/NPU/DSP差异与选型
03
模型轻量化原理
深度可分离卷积 · 宽度/分辨率乘子
04
开发环境搭建
交叉编译 · ONNX/TFLite/NCNN安装
05
模型导出与格式转换
PyTorch/TF → ONNX → TFLite/NCNN
06
量化基础
FP32/FP16/INT8原理 · 精度损失分析
07
训练后量化(PTQ)
少量校准数据 · 踩坑实录
08
量化感知训练(QAT)
何时必须用QAT · 微调恢复精度
09
模型剪枝
结构化 vs 非结构化 · 嵌入式选型
10
知识蒸馏
大模型教小模型 · MobileNet学生网络
11
算子优化
Conv+BN+ReLU融合 · 减少内存访问
12
内存优化
内存池 · 张量复用 · 就地操作
13
推理框架选型
TFLite vs NCNN vs MNN vs Paddle Lite
14
TFLite在ARM部署
模型解析 · 多线程推理实现
15
NCNN Linux移植
源码编译 · API调用实战
16
MNN 移动端集成
Android/iOS 最佳实践
17
NPU加速
RK3588 · 算能BM1684 部署流程
18
DSP加速
高通Hexagon · SNPE框架指南
19
多线程与流水线
异步推理架构 · 提升吞吐量
20
缓存优化
数据布局 · Cache Line对齐
21
模型加密与保护
文件加密 · 运行时解密
22
性能分析工具
Perf · Arm MAP · TensorBoard Profiler
23
精度调试
量化后精度下降 · 逐层定位
24
端侧实战·智能门锁
人脸识别模型移植全流程
25
端侧实战·语音唤醒
智能音箱唤醒词模型优化
26
端侧实战·工业质检
缺陷检测 · 树莓派部署
27
OTA更新策略
模型热更新 · 不影响业务
28
功耗优化
DVFS调优 · 核心绑定 · 休眠唤醒
29
端侧AI安全
对抗攻击防御 · 模型鲁棒性
30
未来趋势
Transformer上端侧 · 存算一体 · AI编译器