- 博客(111)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 深入浅出TinyML 25：一个.tflite模型文件内部保存了什么？
<think>我们根据要求生成≤150字的文章摘要。内容核心：.tflite是FlatBuffer二进制，保存结构描述而非可执行代码；运行时解析并调用算子内核；模型文件与固件需兼容；检查构建门禁。摘要需简洁。</think>.tflite是FlatBuffer二进制模型，保存计算图、张量、算子、权重及量化参数，而非可执行代码。运行时解析结构并调用固件算子内核，需确保Schema版本与算子集合兼容。部署前应自动检查输入输出契约、算子类型、量化参数和模型哈希，作为构建门禁。理解Model
2026-09-05 15:38:52
362
原创 深入浅出TinyML 24：剪枝、聚类、蒸馏和算子替换是否真正适合MCU？
<think>我们只需要根据给定内容生成摘要，不超过150字。内容主要讲剪枝、聚类、蒸馏、算子替换在MCU部署中的实际收益取决于目标链支持，强调以Flash/RAM/延迟/能量等统一指标验收。需简洁概括核心观点。</think>剪枝、聚类、蒸馏和算子替换须经目标部署链才能转化为MCU收益。非结构化剪枝需稀疏内核支持；聚类常只优化压缩文件；蒸馏与算子替换更易直接减小模型结构。应用Flash、RAM、推理时间、能量和效果统一验收，压缩率仅为中间指标，避免误判。
2026-09-05 15:36:44
395
原创 深入浅出TinyML 23：代表性数据集和量化感知训练分别解决什么问题？
训练后量化需要一批代表性样本估计中间激活范围。样本只覆盖安静、正常或单一设备时，现场极端输入可能大量饱和。代表性数据集解决范围校准，无法自动修复模型对量化噪声敏感的问题。量化感知训练在训练过程中模拟量化，让权重适应整数误差。它增加训练复杂度，应在PTQ结果经过误差定位后再使用。PTQ在训练完成后选择整数尺度。代表性数据不需要标签，但必须像部署输入一样经过相同预处理并覆盖真实工况。图1：PTQ优先，量化误差超出目标时再进入QAT。
2026-08-30 02:10:53
164
原创 深入浅出TinyML 22：Scale、Zero Point和Per-Channel量化如何工作？
INT8只有256个整数码，模型需要用Scale说明相邻整数代表多大实数间隔，用Zero Point说明实数0对应哪个整数码。量化与反量化都依赖这两个参数。权重的不同输出通道可能具有不同数值范围。Per-Channel量化为每个通道设置独立Scale，通常能减少大范围通道对小范围通道的精度挤压。scale表示相邻整数码之间隔多远，zero point表示实数0落在哪个整数码。
2026-08-30 02:08:07
195
原创 深入浅出TinyML 21：INT8量化改变了模型中的哪些数据？
把模型文件标记为INT8并不能证明整个推理链都在执行整数计算。权重、输入、输出和中间激活可能采用不同数据类型，某些量化方式仍需要浮点输入或浮点内核。MCU部署最常关注全整数量化：权重和激活使用整数表示，输入输出也具有明确Scale与Zero Point。是否获得速度收益还取决于运行时和目标处理器的优化内核。INT8用-128到127共256个整数格子近似一段浮点范围。模型仍在做同类数学运算，但数值表示和内核发生改变。图1：全整数量化涉及输入、权重、中间激活和输出映射。
2026-08-30 02:07:21
326
原创 深入浅出TinyML 20：如何在准确率、延迟、内存和功耗之间选择模型？
TinyML模型很少在所有指标上同时最好。更深网络可能提高少量识别效果，却让Arena、推理时间和能量超过系统预算。模型选择应先淘汰不满足硬约束的方案，再比较剩余候选的业务收益。Pareto前沿提供一种清晰方法：当一个模型在效果不低于另一个模型的同时占用更少资源，后者就没有继续保留的理由。模型选择没有单一最高分。先淘汰超过Flash、RAM或截止时间的方案，再在合格方案中比较效果和余量。
2026-08-30 02:06:14
245
原创 深入浅出TinyML 19：一维卷积和深度可分离卷积为什么适合时间序列？
振动、动作、电流和声音都包含局部时间模式。相同冲击或周期片段可能出现在窗口不同位置，一维卷积使用同一组卷积核沿时间移动，能够复用参数提取这些局部特征。深度可分离卷积进一步把时间滤波与通道组合拆开。在输入输出通道较多时，它能够显著减少参数和MACC，但真实速度仍取决于MCU优化内核。卷积核像一个短模板，沿时间轴滑动寻找局部模式。同一个模板在每个位置重复使用，因此参数不随窗口长度增长。图1：深度可分离卷积将时间滤波和通道混合拆成两个阶段。
2026-08-30 02:05:08
246
原创 深入浅出TinyML 18：全连接网络适合解决哪些TinyML问题？
24维时域或频带特征连接16个隐藏单元，只需要24×16+16=400个参数；再连接5类输出需要16×5+5=85个参数。这样的小网络便于训练、转换和调试。若把100×6原始窗口展平为600维再连接128个单元，第一层已有600×128+128=76928个参数，还丢失了模型利用局部共享的机会。窗口加长会继续线性增加参数。Dense也是比较基线。它效果不足时，通过错误分析判断缺少时序局部模式、频率信息还是数据覆盖，再选择卷积或新特征。直接从复杂网络开始会失去一个可解释参照。
2026-08-30 02:04:33
242
原创 深入浅出TinyML 17：参数量、模型大小、MACC和激活内存有什么区别？
参数少的模型可能计算很多次，模型文件小的模型也可能产生很大的中间激活。把参数量、模型大小、MACC和激活内存混为一谈，会在部署阶段遇到Flash够用但RAM不足，或模型很小但推理超时的情况。这四个指标需要分别计算，再与最终固件和目标MCU实测对应。静态分析帮助筛选候选模型，链接报告与板端测试负责最终验收。参数是训练后保存的权重，激活是推理过程中产生的中间结果。前者多影响Flash，后者多影响运行时RAM。图1：参数量、模型文件、MACC和激活内存对应不同资源问题。
2026-08-30 02:03:54
237
原创 深入浅出TinyML 16：FFT、频带能量和MFCC分别适合什么任务？
FFT把时间序列转换为频率分量，适合识别周期、谐波和频带能量变化。MFCC在频谱基础上压缩出更接近听觉尺度的表示，常用于关键词和设备声音。频域方法依赖窗口长度、采样率、窗函数和幅值标定。频谱图清晰并不自动带来更好模型，仍要用独立数据和目标MCU验证。FFT是一种快速计算离散傅里叶变换的方法。它把时间序列换成各个频率分量的幅度和相位。图1：FFT、频带能量与MFCC位于同一频域处理链的不同阶段。
2026-08-24 00:17:34
270
原创 深入浅出TinyML 15：时域特征能够描述信号的哪些属性？
时域特征把一段波形压缩成少量数字。均值描述基线，RMS描述总体能量，峰峰值描述幅度范围，峭度对尖锐冲击更敏感。特征名称熟悉并不代表它一定适合当前任务。有效特征应在类别之间形成稳定差异，并在设备、温度和时间变化下保持可重复。计算量、数值稳定性和PC/MCU一致性也要进入选择。时域特征直接在采样值上计算，不需要FFT。它们适合幅值、能量、冲击和通道关系能够区分类别的任务。
2026-08-24 00:17:02
327
原创 深入浅出TinyML 14：归一化、标准化和滤波为什么必须保持一致？
模型在PC上输出正确、移植到MCU后类别混乱，最常见的根因之一是预处理不一致。缩放系数、均值方差、滤波状态、通道顺序或量化公式只要有一项不同，模型接收的张量就发生了变化。解决方法是把预处理视为模型的一部分，使用版本化参数和黄金样本，从原始数据开始逐级比较PC与MCU中间结果。模型输入前的每一步数学变换都属于模型接口。训练时减了均值，固件也必须减同一个均值。图1：PC与MCU预处理一致性应按处理阶段逐级验证。
2026-08-24 00:16:17
640
原创 深入浅出TinyML 13：原始波形和人工特征应该如何选择？
原始波形把特征学习交给模型，能够保留完整局部形状；人工特征先压缩数据，常能用更小模型完成任务。两种方案的优劣取决于数据规模、任务复杂度和MCU预算。选择输入形式时，应把预处理计算也计入系统成本。一个很小的特征模型，如果每个窗口需要昂贵FFT和大量浮点统计，整体资源未必更低。特征是从一段波形计算出的摘要，例如均值、RMS或某个频带的能量。模型可以接收波形，也可以接收这些摘要。
2026-08-24 00:15:47
389
原创 深入浅出TinyML 12：如何划分数据集并正确评价模型？
时间序列切窗后，相邻样本高度相似。把所有窗口随机打散，训练集与测试集可能来自同一设备、同一次采集甚至共享大部分数据，测试准确率会明显高估现场效果。可靠评价从划分单位开始。测试集应模拟真正的部署变化，例如新设备、新人员、新时间段或新工况；指标则根据误报与漏报成本选择。训练集用于学习，验证集用于选参数，测试集只用于最终评价。三者共享同一设备或同一连续片段时，测试结论会过于乐观。图1：时间序列项目应优先使用会话、设备或人员级分组划分。
2026-08-24 00:15:09
212
原创 深入浅出TinyML 11：标签应该如何定义和检查？
标签把传感器数据连接到业务目标。标签名称相同，并不保证标注者理解相同；“异常晃动”如果没有幅值、持续时间或现场条件说明，会在数据集中形成互相冲突的样本。标签规范应先于大规模采集完成。规范不仅列出类别名称，还要定义开始与结束、过渡段处理、未知状态、证据来源和版本。标签是模型要学习的答案。答案本身含糊时，网络只能拟合标注矛盾，增加层数不会解决定义问题。
2026-08-24 00:14:27
421
原创 深入浅出TinyML 10：窗口长度、步长和重叠率如何确定？
窗口太短可能截断一个完整事件，窗口太长会增加输入尺寸并把多个状态混在一起。步长决定多久产生一次新判断，重叠率则决定相邻样本共享多少数据。这三个参数应通过事件时间尺度、业务响应要求和MCU资源共同确定。只按模型准确率选窗口，容易得到延迟过长或推理频率过高的系统。窗口长度决定模型一次能看多长时间，步长决定多久给出一次新判断。两个参数共同决定体验和资源。
2026-08-22 15:57:28
256
原创 深入浅出TinyML 09：连续传感器数据如何变成模型样本？
传感器持续输出数据，神经网络通常要求固定形状的输入张量。工程中的关键工作是从连续流中截取时间窗口，同时保持采样间隔、通道顺序和标签时间范围一致。数据点、数据帧、样本和批次代表不同层级。混淆这些概念会造成样本数量计算错误、通道错位或训练与MCU输入形状不一致。连续传感器流没有天然的第1个样本和第2个样本。切窗规则负责把时间流转换成模型能够接收的固定形状。图1：采样点、数据帧、时间窗口和输入张量的层级关系。
2026-08-22 15:56:52
406
原创 深入浅出TinyML 08：噪声、漂移、毛刺和校准应该如何处理？
噪声、漂移和毛刺在波形上都可能表现为“数据不稳定”，处理方法却不同。低通滤波能抑制高频噪声，无法纠正缓慢零偏；减去均值可以修正偏置，却可能删除任务需要的直流成分。数据清洗的目标是修复采集链路问题，同时保留真实异常。若冲击正是待识别事件，把所有尖峰当作毛刺删除，会直接破坏标签与输入之间的关系。本篇先处理最常见的四类数据异常。每种问题的来源和处理不同，不能用一个低通滤波器包办。图1：噪声、漂移、周期干扰与真实事件的时间尺度不同。
2026-08-22 15:50:57
220
原创 深入浅出TinyML 07：采样频率如何决定模型能够看到什么？
采样频率定义了相邻数据点的时间间隔，也限制了可区分的最高频率。目标振动成分超过奈奎斯特频率时会折叠到低频，模型看到的是混叠后的伪信号。提高采样率会增加窗口点数、存储、预处理和推理负载。合理采样率应覆盖任务频段、给抗混叠滤波留出过渡带，并与模型输入和实时预算一起确定。只要会看正弦波即可完成本篇实验。频率表示每秒重复次数，采样率表示每秒记录多少个点。
2026-08-22 15:50:20
257
原创 深入浅出TinyML 06：传感器和采样链路如何决定数据上限？
模型只能处理已经进入数字数据的信息。传感器饱和后被截掉的峰值、带宽不足时被滤除的高频成分，以及安装松动造成的随机响应，都无法通过增加网络层数恢复。传感器选型应与任务频段、动态范围和现场安装共同评估。规格表提供边界，实采数据验证这些边界在目标设备上是否成立。传感器输出的数字不是物理量本身。先学会读量程和灵敏度，才能知道模型输入代表多少g、多少度每秒或多少伏。
2026-08-22 15:40:12
211
原创 深入浅出TinyML 05：TinyML模型实际识别的是什么？
模型无法直接接触振动、声音或动作。它接收的是传感器经过量程、带宽、采样、量化和预处理后形成的一组数字。模型学到的模式也只在这条数据链路定义的范围内成立。同一设备状态换一个安装位置、传感器批次或采样时钟后，数字分布可能改变。理解物理世界到输入张量的转换过程，是数据采集、模型解释和现场失效分析的共同起点。模型没有眼睛和耳朵。它只能处理按固定形状排列的数字，因此本篇从一帧数字怎样形成开始。图1：从物理现象到模型输入张量的四级数据链路。
2026-08-22 15:38:55
335
原创 深入浅出TinyML 04：如何判断一个项目是否适合使用TinyML？
摘要： TinyML项目常因输入不稳定、标签不一致或误报成本不可接受而失败。文章提出将可行性评审前移，在数据采集和训练前识别硬性阻断项（数据、标签、资源、风险、维护），通过四类检查（输入稳定性、输出量化、MCU资源、维护闭环）评估项目可行性。评审结果分为继续、试点或停止，避免无效投入。重点包括：确保传感器数据可重复区分、量化错误成本与业务指标、验证MCU资源约束、建立维护机制。提供评审脚本模板，强调硬性门槛优先，未知项必须明确标注，确保决策基于可验证证据而非盲目调参。最终目标是将模糊需求转化为可执行任务，减
2026-08-10 22:50:40
242
原创 深入浅出TinyML 03：TinyML、传统算法、边缘AI和云端AI如何分工？
技术选型应从问题和约束开始。稳定阈值能够解决的问题，使用状态机更容易验证；需要从多通道时间序列识别复杂模式时，TinyML能够在本地完成低延迟判断；大规模融合、全局优化和复杂生成任务更适合边缘服务器或云端。同一系统可以同时使用四类方法。关键是明确每一层接收什么数据、输出什么结论、失败时由谁接管，以及通信中断后系统是否仍能保持安全状态。本篇不要求你在四种方案中只选一个。工程系统经常把它们串成一条从保护到分析的决策链。图1：传统规则、TinyML、边缘节点与云端的分层协作。
2026-08-10 22:49:27
401
原创 深入浅出TinyML 02：MCU运行神经网络与运行普通C算法有什么不同？
本文对比了传统C算法与神经网络在MCU实现上的核心差异。神经网络将主要计算逻辑存储在模型图中，通过运行时解析计算图并调用内核完成推理，这带来了调试方法、内存管理和版本控制的新挑战。文章详细介绍了如何通过逐层检查张量、权重和中间结果进行调试，并提供了一个手工执行两层神经网络的Python示例，帮助理解神经网络作为数组运算的本质。最后强调在安全关键系统中，应将神经网络输出与传统确定性规则相结合，并保持模型与类别索引表的版本一致性。
2026-08-09 22:37:35
233
原创 深入浅出TinyML 01：TinyML到底小在哪里？
一个只有几十 KB 的模型，放进 MCU 工程后可能需要更多 Flash；运行时还会申请 Tensor Arena、输入缓冲区和算子工作区。只报模型文件大小，无法回答它能否稳定运行。TinyML 中的“小”是一组同时成立的约束：程序放得下、峰值内存不越界、推理在截止时间前结束、平均能量满足供电条件，并且硬件成本能够接受。本文给出一张可以直接用于项目评审的资源账单。只需要知道Flash用于掉电保存、RAM用于运行时读写即可。文中的参数量、MACC和张量会从零解释。
2026-08-09 22:35:52
353
原创 单片机为什么能够运行神经网络？从 C 函数理解 AI推理
《嵌入式AI：单片机如何运行神经网络》摘要 本文揭示了单片机(MCU)运行神经网络的核心原理：将训练好的神经网络转化为固定数值计算流程。关键要点包括： 神经网络在MCU上表现为确定的C函数，输入输出均为数组，通过固定计算流程处理数据。 权重和偏置本质上是常量数组，模型推理就是按既定顺序执行乘加运算。 输入输出需严格遵循训练时的格式约束，包括长度、顺序和数值范围。 MCU部署受限于三大因素：Flash存储参数、RAM存放中间结果、算子支持情况。 工程实现需关注数据链路完整性和可靠性，而非单纯追求模型复杂度。
2026-07-12 19:22:35
527
1
原创 嵌入式工程师要不要学AI？为什么我建议从TinyML开始？
这里是《贺老师讲嵌入式AI》，我是《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。嵌入式工程师要不要学AI？这个问题不应该被理解成“嵌入式工程师要不要转去做算法”。真正的问题是：设备现场越来越多判断，已经很难只靠固定阈值和几条 if-else 覆盖。嵌入式工程师要补的不是身份标签，而是让设备看懂复杂信号的能力。我建议从 TinyML 开始，是因为它足够小，也足够真实。
2026-07-12 19:19:40
307
原创 不会AI的嵌入式工程师，手把手教你系统跑通第一个STM32 AI模型（多图预警，建议收藏备用）
本文详细介绍了在STM32F407VET6单片机上部署TFLite正弦波模型的完整流程。通过STM32CubeMX/IDE配置GPIO、USART1和X-CUBE-AI组件，解析量化模型的输入输出参数（scale=0.02457/zero_point=-128），使用周期调度实现每20ms推理一次。重点包括：模型量化处理（输入/输出int8转换）、内存缓冲区管理、16位串口协议设计（帧头0x7E+4路16位数据+帧尾0x7F）以及误差分析。最终通过串口将理论值、推理值和误差传输到上位机显示，验证了嵌入式AI
2026-07-07 16:48:13
746
原创 “我们老板说了，嵌入式AI就是在单片机上运行神经网络算法，没啥难度！”用这4条信息反驳他！
大家好，我是贺老师，嵌入式 AI工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。前几天有个学员来问我，说自己想系统学一下嵌入式 AI，准备回公司问问老板能不能报销。结果老板回了一句：“嵌入式AI就是在单片机上运行神经网络算法，没啥难度。出于PUA员工的目的，这种“把事情想的很简单”的话，一般会出自老板的口中。不过，【嵌入式AI就是在单片机上运行神经网络算法】这句话很适合拿出来聊一聊。
2026-07-07 16:46:34
284
原创 嵌入式AI的常见问题解答：STM32Cube_AI全流程开发60问完整资料包
大家好，我是贺老师，嵌入式 AI工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。最近根据课程中大家私信我的问题，系统的整理了一份关于STM32Cube AI 开发流程的系统资料，名字叫：《STM32Cube AI全流程开发60问》……这份资料围绕 STM32Cube.AI 的实际使用过程展开，从基础概念、环境搭建、模型准备，到代码生成、部署优化、典型应用等内容，尽量用问答和专题讲解的方式，把嵌入式 AI 落地过程中常见的问题串起来。
2026-06-20 08:30:00
356
原创 很多场景不需要AI，传感器融合设置阈值已经够用了。嵌入式的AI的价值就这几点！
大家好，我是贺老师，嵌入式 AI工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。很多场景可以通过传感器融合技术实现精准的检测，嵌入式 AI 有什么价值？这个问题比“AI 能不能跑在单片机上”更关键。很多检测任务并不缺传感器，也不缺规则。温度、湿度、压力、振动、电流、气体浓度、pH、浊度、IMU、光照，这些数据经过滤波、温补、阈值、权重融合、投票和状态机，已经可以完成大部分判断。所以必须先承认：很多场景确实不需要 AI。
2026-06-20 08:00:00
375
原创 嵌入式 AI 落地实战：从场景痛点到高效部署
在嵌入式开发领域，我们常常面临一个看似无解的矛盾：算法模型越来越复杂，精度要求越来越高，但部署环境的算力、内存和功耗却极其有限。很多开发者在实验室里跑通了高精度的深度学习模型，一旦试图移植到实际的工业相机、智能家居面板或车载终端上，却发现帧率惨不忍睹，甚至设备直接过热死机。这种“云端巨人，端侧矮子”的现象，严重阻碍了 AI 技术在边缘侧的规模化落地。其实，问题的核心往往不在于模型本身不够先进，而在于我们是否针对特定的硬件场景做了足够的轻量化适配。
2026-06-19 18:20:49
428
原创 “我们老板说了，嵌入式AI就是在单片机上运行神经网络算法，没啥难度！”用这4条信息反驳他！
大家好，我是贺老师，嵌入式 AI工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。前几天有个学员来问我，说自己想系统学一下嵌入式 AI，准备回公司问问老板能不能报销。结果老板回了一句：“嵌入式AI就是在单片机上运行神经网络算法，没啥难度。出于PUA员工的目的，这种“把事情想的很简单”的话，一般会出自老板的口中。不过，【嵌入式AI就是在单片机上运行神经网络算法】这句话很适合拿出来聊一聊。
2026-06-19 18:05:40
634
原创 别再只知道 HAL 了：你还需要清楚Cortex-M内核的CMSIS！
大家好，我是贺老师，嵌入式 AI工程师，《嵌入式AI：让单片机学会思考》课程主理人，专注AI在MCU上的落地实践。你在很多工程里肯定可以看到CMSIS文件夹，我估计大家对这个没有深入的研究过。今天我来带大家了解一下，什么是CMSIS？它能解决什么问题？什么需要需要彻底掌握CMSIS？做嵌入式AI的项目时，需要用哪些？一句话总结：如果把 Cortex-M 软件生态看成一栋楼，芯片厂商的 HAL、LL、SDK 更像楼上的房间，各家装修风格不同；
2026-06-06 01:35:40
784
原创 AI 推理会不会堵住实时任务？MCU 上跑模型时，RTOS 和 DMA 该怎么配合？
《嵌入式AI实时任务调度与DMA配合实践》摘要 贺老师针对MCU部署AI模型的核心难题——实时任务调度问题，提出关键见解：AI推理不会必然阻塞实时系统，但错误的任务设计会导致系统失效。重点指出三大设计误区：在中断回调执行推理、过高优先级设置推理任务、未预留足够缓冲时间。提出了RTOS与DMA协同方案：采用双缓冲机制实现数据采集与计算并行，通过任务分级（采样>控制>推理>通信）确保实时性，并强调必须实测关键时序指标。最终指出成熟的嵌入式AI应保证模型推理不破坏系统实时性边界，DMA确保数据流
2026-06-06 01:34:17
545
原创 别再只把 MCU 当控制器：新一代芯片正在把 AI 推理搬到设备端
摘要：传统MCU主要承担数据采集和控制任务，而AI推理通常由云端或高性能处理器完成。如今，随着芯片厂商将神经网络加速能力引入MCU产品线（如STM32N6、NXPMCXN、ESP32-S3等），嵌入式设备正从单纯的数据节点转变为具备本地轻量推理能力的智能终端。这种转变使设备能够先完成初步判断（如异常检测、状态分类等），再决定数据传输策略，从而提升系统效率和响应速度。这些新型MCU并非用于训练大模型，而是专注于低成本、低功耗的端侧推理应用，如语音交互、工业检测等场景。
2026-05-06 22:59:51
487
原创 TInyML基础：“不用死记公式！一文讲透全连接层：它到底把神经网络‘连’成了什么样？”
文章摘要： 贺老师作为嵌入式AI工程师，深入解析全连接层(Dense)在嵌入式系统中的关键作用。文章从基础概念出发，解释Dense通过权重矩阵和偏置实现输入输出的全连接特性，阐明其参数量计算公式（输入长度×输出长度+输出长度）。特别指出Dense层在MCU应用中的局限性——当处理大尺寸输入时参数量会急剧膨胀（如96×96图像经Dense(128)层会产生117万个参数）。文章结合代码实例演示Dense层的实现逻辑，并给出嵌入式场景的实用建议：控制输入维度（建议几十维）、合理设置隐藏层节点数（16-64）、避
2026-05-06 22:58:39
622
原创 嵌入式AI、AI+嵌入式、边缘AI、端侧AI、云端AI，你是不是还傻傻分不清楚？
文章摘要：本文系统梳理了嵌入式AI、AI+嵌入式、边缘AI、端侧AI和云端AI五个易混淆概念。嵌入式AI强调AI能力嵌入设备本体（如STM32动作识别）；AI+嵌入式侧重AI技术与嵌入式行业的融合（如AI辅助开发）；边缘AI指模型部署在靠近数据源的边缘节点（如工厂视觉检测）；端侧AI是模型直接运行在终端设备（如智能门锁人脸识别）；云端AI则是模型部署在远端服务器。作者通过具体案例和对比表格，清晰界定了这些概念的应用场景和核心差异，帮助读者准确理解不同技术路线的特点与适用场景。
2026-05-05 09:12:07
1188
原创 玩转边缘AI（TInyML）：需要掌握的神经网络基础知识汇总！
《嵌入式AI工程师必须掌握的神经网络基础知识》摘要 本文针对嵌入式工程师学习AI时的常见误区，提炼出最核心的神经网络知识要点。重点包括：1）理解输入输出关系，掌握张量形状对部署的影响；2）认识神经元工作原理，明确权重/偏置/激活函数的作用；3）区分全连接层/卷积层等网络结构的适用场景；4）掌握训练评估关键指标，避免过拟合；5）特别关注嵌入式场景特有的量化、内存和算力约束。文章强调实践导向，帮助工程师建立能直接指导MCU部署的神经网络认知框架，而非空谈理论。通过掌握这些核心概念，工程师能有效判断模型适用性、定
2026-05-05 09:09:27
931
原创 玩转边缘AI（TInyML）：需要掌握的C++知识汇总！
学习嵌入式AI，不需要先把 C++ 学成“大而全”。最值得优先掌握的，是那些直接影响模型部署的硬能力。数组、指针、引用、const。先把输入输出缓冲区和读写边界管明白。数据类型、结构体、类。把采样数据、特征数据、推理结果和模块接口组织清楚。静态内存和生命周期。知道数据该放哪，知道对象什么时候失效，知道怎么少拷贝。函数拆分和模块组织。让采样、预处理、推理、后处理形成一条清晰的数据链。把这几层练扎实了，后面无论接哪种 MCU 侧 AI 框架，都会轻松很多。
2026-05-04 22:29:47
644
TInyML从入门到精通：嵌入式AI基于TinyML的微型机器学习系统设计：智能设备端推理与低功耗优化
2026-02-27
基于STM32单片机的信号发生器设计
2024-04-05
基于单片机技术的电子抢答器论文仿真资料
2024-04-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人