在STM32上跑AI模型？我折腾了一宿，翻了三次车-编程阁

去年接了个活儿，客户说要在STM32F4上跑一个手势识别模型。

我当时第一反应是——你认真的？这片子主频168MHz，RAM 192KB，跑AI？

但客户是甲方，甲方说行那就试试呗。

然后我花了一整个晚上，翻车三次，才终于跑起来。今天聊聊这三道坎儿。

第一翻：选了TensorFlow Lite Micro，发现装都装不上

最早的想法很简单：TFLite Micro嘛，谷歌官方出品，总不会太离谱。

结果编译环境先把我干趴下了。

# 克隆仓库 git clone --depth 1 https://github.com/tensorflow/tflite-micro.git cd tflite-micro

然后按文档跑：

make -f tensorflow/lite/micro/tools/make/Makefile TARGET=cortex_m_generic

跑了一堆下载，emmm...这玩意儿把XNNPACK、flatbuffers全家桶全拉下来了。下载完我看了眼，光算子库编译中间文件就吃了快800MB。一个几KB的模型，背后拖了一个庞然大物。

而且编译完生成的可执行文件，光是个sin检测demo就28KB。28KB跑个sin函数？？？

回头看了眼客户的BOM成本要求——STM32F407的Flash才512KB，算上通信协议栈、外设驱动，分给模型的预算不到80KB。

这条路走不通。

第二翻：换方案，自己手写推理

既然框架太胖，那我就手撸推理代码呗。

模型是客户给的，一个三层全连接网络（16→32→16→5），ReLU激活，softmax输出。权重表是现成的，我就一个for循环乘加完事。

写了个原型：

// 手撸推理引擎，别笑，虽然原始但管用 // 输入：16维float数组 // 输出：5个分类的置信度 #define INPUT_DIM 16 #define HIDDEN1_SIZE 32 #define HIDDEN2_SIZE 16 #define OUTPUT_DIM 5 // 权重结构——直接把训练好的参数编译进固件 // 省掉文件读取和动态分配的麻烦 static const float w1[INPUT_DIM * HIDDEN1_SIZE] = { /* 512个浮点数，这里省略 */ }; static const float b1[HIDDEN1_SIZE] = { /* 32个偏置 */ }; // w2, w3, b2, b3 同理... // ReLU：取0和输入的较大值 static inline float relu(float x) { return x > 0 ? x : fmaxf(x, 0.0f); } void infer(float* input, float* output) { float h1[HIDDEN1_SIZE], h2[HIDDEN2_SIZE]; // 第一层：全连接 + ReLU for (int i = 0; i < HIDDEN1_SIZE; i++) { h1[i] = b1[i]; for (int j = 0; j < INPUT_DIM; j++) h1[i] += w1[i * INPUT_DIM + j] * input[j]; h1[i] = relu(h1[i]); } // 第二、三层类似... }

在PC上仿真跑通之后，烧进STM32——跑一次推理用了16.7毫秒。

16.7毫秒一次，还只是三层小网络。客户要求30FPS处理摄像头画面，也就是每帧33毫秒内要完成前后处理+推理+通信+显示。推理这一步就吃掉一半预算了，后面啥都干不了。

我又打开代码看了半天，发现问题出在浮点运算上——STM32F4没有硬件FPU的单精度加速（虽然有FPU但效率一般），而且浮点数占4字节，cache利用率太差。

第三翻：量化，真不是改个数据类型那么简单

既然浮点慢，那就量化成int8呗。

我照着TensorFlow的量化文档改，把权重和激活值都映射到[-128, 127]范围。

然后发现一个最头疼的问题：ReLU之后的值分布不均匀。

因为ReLU把所有负数清零，所以量化后的有效比特位只有正半轴。如果缩放因子算不对，8位精度里一大半都浪费了。

我踩的坑是：在PC上用float跑了前向传播算好scale和zero_point，手填进代码，然后精度从原来的95.3%掉到了82.1%。

// 量化推理中的一层——最坑的就是这个scale // 如果scale算得不对，13%的准确率说没就没 void infer_quantized(int8_t* input_q, float input_scale, int input_zp, int8_t* output_q, float* output_f) { // 反量化到float做乘加（部分量化的常见做法） float h1[HIDDEN1_SIZE]; for (int i = 0; i < HIDDEN1_SIZE; i++) { float acc = b1_float[i]; for (int j = 0; j < INPUT_DIM; j++) { float in_val = (input_q[j] - input_zp) * input_scale; acc += w1_float[i * INPUT_DIM + j] * in_val; } h1[i] = relu(acc); } // ... }

折腾到凌晨两点才搞明白——校准集不够代表性。我拿100张图算的scale，但实际场景里光照变化导致输入分布偏移，ReLU层的输出被截断了太多信息。

最后我换了个方案：不自己手写量化校准，而是用STM32Cube.AI工具链，输入h5模型直接自动生成优化代码。生成出来的推理函数只有2.3KB的代码量，一次推理8.1毫秒，比我自己手写的还快了将近两倍。