本公众号的老粉丝比较清楚，我们正在做嵌入式AI的课程，其中最主要的目的是教会大家如何将AI部署到单片机中，让单片机学会思考，可以实现自动推理。

最近文章很久没有更新，是因为小编在忙着录制课程，已经报名课程的同学感觉直播讲课太慢并且还不能快放，所以我们将直播课程改为了“录播+直播答疑”的形式。

今天小编带大家讲清楚整个部署的流程是什么样的！

上面这张图是本次课程出场次数比较多的“老演员”。下面本文以上面图为例，讲解清楚整个流程。

从上面流程中可以发现，共分为了8个主要的步骤。其中最上面带着芯片图片的代表相关工作是在单片机或MCU测完成的。即：数据采集和运行推理是在MCU测进行的。其他步骤在云端或者PC端运行。

一：收集数据（数据采集）

收集数据是整个TInyML的第一步，目的是为了进行模型训练。

数据采集是“把物理世界的真实信号，转换为MCU可以识别的数字信号”。比如把环境或者设备的状态转变为温度，把（电机负载的转换为电流、把声音转换为麦克风的信号、把震动或者冲击转换为加速度计或陀螺仪。

再用一句简单的话讲解：其实就是单片机的ADC

虽然看似简单的一句话，但是整个AI模型设计中起到至关重要的一环（我理解为它是最重要的一环，关于如何进行数据采集我还专门整理了一节课进行重点讲解）。因为我们采集数据是为了进行模型训练，当我们用于训练的数据不够准确时，训练出来的模型肯定就是不准确的，最终导致推理出来的效果是不理想的。

数据采集的注意至少包括下面的几点：

1.需要收集与系统相关的数据：

虽然大模型会自动忽略与系统不相关的数据，但我们仍然需要训练与想要设计的系统相关的数据。

举个例子：当我们想要设计一个“震动检测的模型”，但是我们喂给大模型的数据是“食堂的菜单”，那么最终的结果就是：这个数据会被大模型视为无效数据。

2.收集的数据需要接近于真实的应用场景。

除了接近于真实常营，并且应该尽可能的覆盖全部的应用场景。比如温度数据：我们需要弄清楚我们的系统关心的是环境温度还是机器内部的温度？

如果我们要设计的系统比较关心的是环境温度，那么我们采集机器内部（腔体）的温度，就是不完美的。

3.多多益善

如果一个变量会随着温度变化，那么需要尽可能收集整个温度变化范围内的数据。

二、预处理数据

预处理其实就是对数据进行贴标签。标注哪些数据是正常的，哪些数据是异常的。

• 如果我们的任务是分类（比如手势 A/B/C、正常/异常），数据采集时就要明确：哪一段属于哪个类别，类别切换时怎么处理过渡段，“异常”是否拆分子类（不同类型异常）

• 如果任务是回归（比如拟合某个连续值），要明确：输出值怎么取（传感器真值？标定后的真值？），输出值的单位、范围、精度等。

标签规则不清晰，后续训练结果看似能跑，但实际部署会出现大量“推理不准确”的情况。

数据预处理这个步骤，还有一个比较重要的作用是：先把原始信号加工成更适合学习的特征。因为我们如果直接把原始数据丢进模型训练，往往效率不高，模型还会变得很大。

用稍微学术一点的语句举个例子：语音/声音类任务通常不会直接喂原始波形，而是转成谱图或 MFCC；振动类任务也经常会做窗口切分、统计特征或频域特征。

使用嵌入式工程师可以听懂的语言来讲解的话：数据预处理可以理解为“数据的滤波算法”。

在进行数据预处理时，有一个非常重要的原则：我们训练模型时用什么预处理，部署时必须用同一套逻辑。也就是在 PC 端和 MCU 端用同一套公式与流程。

三、设计模型

设计模型以及训练模型是在PC或者云服务器进行的。在咱们的课程中主要是以TensorFlow为框架。

TensorFlow是一个由 Google 开发的开源机器学习框架，用来设计、训练和部署各种神经网络模型；

到了“设计模型”这一环节，很多人容易犯的错是：照着大模型思路堆层数、加通道，结果训练看似不错，但部署发现 MCU 资源不够。

注意事项：

当我们进行模型设计的时候，需要在设计之初，就开始思考目标 MCU 的 Flash/RAM/时延预算等等各种参数。因为最终模型要部署到端侧，并且很可能要量化。

四、评估优化

TinyML 的评估从来不是只看准确率。因为在 MCU 上你还要关心：

• 模型大小是否能放进 Flash、

• 推理过程中 RAM 峰值是否超预算

• 单次推理时延是否满足实时性

• 在噪声与工况变化下是否稳定等等情况。

如果我们已经设计的模型需要进行优化，那么往往需要从

• 结构调整减少层数/通道

• 替换更轻量结构

• 输入优化（降低分辨率、减少特征维度）

• 量化准备：为 int8 推理做准备（端侧最常见）等几个维度来思考量化方向。

我可以把这一环节理解为：模型从“能用”走向“能部署、能长期稳定用”。

五、转换模型

转换模型的目的是把在PC或者云服务器训练出来的模型转换为可以在MCU端运行的推理模型。TinyML 工作流里必经的一步是：把 TensorFlow 模型转换成 TensorFlow Lite（.tflite） 格式。

TensorFlow Lite：在TensorFlow的基础上裁剪出来的一个可以运行在移动设备上的推理模型。它不支持对模型进行训练，仅支持使用之前在平台或者PC上训练过的模型进行推理。

六、部署模型

当目标平台变成 MCU，推理框架也随之切换为 TensorFlow Lite Micro（TFLM）。它的定位很明确：让 .tflite 在没有操作系统、资源有限的 MCU 上运行。

模型部署其实可以理解为：

（1）把 .tflite 模型转换成 C 数组或二进制资源，编进固件，

（2）集成 TFLM 源码（或使用裁剪后的库）

（3）注册需要的算子（模型用到哪些算子就注册哪些）

（4）分配 Tensor Arena（静态内存区，用于中间张量与运行缓冲）

等几个步骤。

在我们的课程中有详细的讲解，我会一步一步的告诉大家怎么把一个.tflite格式的文件转换为C语言数组、怎么下载并移植TFLM的源码。

再次汇总一下，老演员登场：TInyML的流程是下面的几部：