支线四 / 数据、训练与部署 / 08

模型文件怎样变成 STM32 能执行的计算

先保存模型结构与参数，再解释量化为什么能减少存储。最后使用 ST 工具做分析、验证和代码导出，每一步都有需要保留的产物。

接续上一篇：训练越久，为什么新数据可能反而更差

1 · 导出文件里保存什么

训练框架里的模型包含计算结构和已经学到的参数。ONNX 等模型格式让部署工具读取这些内容；它不是烧录文件。输入名字、形状、类型和输出含义仍需保存，动态形状能否部署也要看目标工具。

教学脚本使用静态输入 [1,6,512]，输出是每类原始分数。先在电脑上运行导出模型，用完全相同的标准化输入比较原框架与导出结果。参数保存成功不代表数据顺序、预处理和导出算子都已验证。

仿射量化的近似关系；再裁剪到实际整数范围

real = scale * (q - zero_point)
q = round(real / scale) + zero_point

scale 是一个整数档位代表多少真实数值，zero_point 表示真实零对应哪个整数。以 scale=0.1、zero_point=128 为例，真实 0.2 约对应 130。范围以外会裁剪，小数也会产生舍入误差，因此量化不是简单地把 float 强制转成 int8。

校准数据用于估计中间数值范围，应来自训练一侧、能代表真实输入的样本。独立测试仍保留。输入边界、网络内部和输出边界可以采用不同数据类型，必须分别读元数据。

需要先运行带 --export 的训练示例

python quantize_activity.py practice_mlp

示例用训练窗口做校准，生成 QDQ ONNX，再对独立测试窗口比较浮点与量化模型的输出差异和类别结果。QDQ 表示在计算图中显式加入量化、反量化操作；此示例输入边界仍然是浮点。文件内部有八位数，不代表接口应传入 uint8 数组。

终端会打印实际边界类型、形状、最大分数差异和两份测试结果。人工数据的分数只反映人工规则，改用真实记录才能讨论真实动作识别的量化影响。

在独立模型工作目录中核对已安装工具的命令参数

stedgeai --version
stedgeai analyze --help
stedgeai validate --help
stedgeai generate --help

ST Edge AI Core 接收已经训练好的模型并生成适合目标的部署代码。具体版本的命令参数按本机帮助和官方文档填写，先输出到独立目录审查。仓库原网络使用 4.0.1 的 stai 接口，不能直接混用另一代生成接口与运行库。

保存工具版本、目标芯片、输入输出信息、预处理、量化参数、类别表、权重和激活工作区大小。Flash 中的常量权重和 RAM 中的中间计算空间是不同开销。生成报告通过后，还需检查实际链接内存、任务栈与运行耗时。

动手观察

导出并比较一份小模型，写出它的实际输入边界类型。把一个字节顺序或通道顺序故意改变，观察工具可能仍可运行但答案改变的情况，说明为什么需要相同输入的逐项比较。

先复制到独立练习目录；用法见支线示例说明。