TinyML模型部署最佳实践：功耗优化技巧去年冬天调试一个智能门锁项目，电池续航标称半年，结果用户反馈两周就没电了。拆开一看，模型推理占了大头——每次唤醒都在做全量特征提取，MCU跑在48MHz满速，ADC采样率设成了1kHz。这让我意识到，TinyML的功耗优化不是“锦上添花”，而是决定产品能否落地的生死线。先搞清楚电都去哪了嵌入式ML的功耗大头往往不在模型计算本身，而在数据搬运和外围器件。我习惯用电流探头挂电池端，跑一个完整推理周期看波形——你会发现大部分时间MCU在等传感器数据、等DMA传输、等Flash读取。真正算矩阵乘法的尖峰电流可能只占20%时间片。一个血泪教训：某次用STM32L4做关键词唤醒，模型只有8KB，但每次推理前都要从外部SPI Flash加载权重。SPI时钟设成20MHz，读一次要3ms，这3ms里MCU不能休眠，电流直接飙到15mA。后来把权重塞进内部SRAM，推理时Flash断电，整机功耗降了60%。模型层面的“瘦身”不是玄学别迷信“量化后精度损失可忽略”。我实测过MobileNetV2在CIFAR-10上，int8量化后精度掉了2.3%，但功耗降了4倍。关键是要找到你的应用场景能容忍的精度下限——智能灯控的语音识别，95%准确率和97%准确率用户根本分不出来，但功耗差一倍。剪枝要配合硬件特性。Cortex-M4有SIMD指令，对连续内存访问效率极高。如果你把权重剪成稀疏矩阵，反而会触发大量非对齐访问，功耗不降反升。我现在的做法是：先做结构化剪枝（按通道剪），再做8bit量化，最后用硬件支持的对称量化