004 TinyML技术栈全景图：从模型到部署去年冬天调试一个智能门磁项目，板子是STM32L4，Flash只有256KB。模型在PC上跑F1值0.97，烧进去直接死机——不是推理结果不对，是内存分配直接溢出。我盯着map文件看了三个小时，最后发现是TensorFlow Lite Micro的arena大小设错了，多算了两个中间张量的尺寸。这种问题在TinyML里太典型了：你以为是算法问题，其实是工具链没吃透。今天这篇笔记，我把TinyML的完整技术栈拆成五层，从模型训练一直讲到硬件部署。每一层都有我踩过的坑，代码注释里直接写“别这样写”的地方，都是真金白银换来的教训。第一层：模型训练与压缩（PC端）这一层还在你的笔记本上跑，但思维方式必须提前切换。别再用全精度FP32了，除非你的目标芯片是树莓派4B以上级别。量化感知训练（QAT）是TinyML的起点。Keras里加一行tf.quantization.quantize_model是不够的，你得在训练过程中模拟量化误差。# 这里踩过坑：直接后训练量化，精度掉了15个点importtensorflow_model_optimizationastfmot