标签：TinyML、Transformer、单片机、Cortex-M、量化、KV-Cache、裸机编程
----
1. 为什么要在 64 KB SRAM 的 MCU 上跑 Transformer？
2024 年以前，TinyML ≈ CNN + CMSIS-NN，做语音唤醒或简单分类就到头了。
但产品同事突然拍脑袋：
“客户想让 20 元的温控器用自然语言调温——‘帮我调到 26 度，别太吵’，离线响应 200 ms 以内。”
云端？断网就 GG。
大模型？STM32H743 只有 64 KB SRAM，放不下 8-bit 1B 模型。
于是我把目标锁在 完全离线、<200 ms、Flash ≤256 KB、RAM ≤64 KB 的 NLU（自然语言理解）任务上：
意图识别 + 槽位提取，词汇量 400，输出 JSON。
----
2. 模型侧：把 6 层 Transformer 压成 1 层
2.1 结构手术
• 层数：6 → 1（保留最后一层）
• 隐藏维度：512 → 128
• Head 数：8 → 4
• 序列长度：128 → 32
2.2 量化四连击
方法 压缩比 精度掉点 备注
INT8 权重量化 4× 1.2 % per-channel scale
4-bit KV-Cache 2× 0.8 % 动态查表
8-bit 激活 2× 0.3 % Power-of-two scaling
合计 8× 2.3 % 在可接受范围
量化脚本（PyTorch → C header）：
import torch
from quantize import quantize_int8
w = model.encoder.layers[0].self_attn.q_proj.weight
w_int, scale = quantize_int8(w)
torch.save({"w_int": w_int.numpy(), "scale": scale}, "q_weight.pt")----
3. 推理引擎：1 KB 的“思考”是如何炼成的？
3.1 内存布局（Flash 240 KB + RAM 60 KB）
Flash
├── weight (INT8) 220 KB
├── embedding LUT 12 KB
└── code段 8 KB
SRAM
├── input ids 32 B
├── KV-Cache (4 bit) 4 KB
├── 激活缓存 8 KB
└── 栈 + 堆 48 KB
3.2 核心算法：手撸矩阵乘 + Softmax + LayerNorm
• GEMM：
128×128 × 128×1 → 128×1，使用 CMSIS-NN 的 arm_mat_mult_q7_q15
耗时 8 ms @400 MHz
• Softmax：
查表法 32 维 exp，表大小 256 B
耗时 0.6 ms
• LayerNorm：
查表 + 近似除法，表大小 128 B
耗时 0.4 ms
3.3 代码片段（精简到 30 行）
// tiny_transformer.h
#define H 128
#define L 32
void matmul_q8_q15(const int8_t *w, const int16_t *x,
int16_t *y, int rows, int cols);
void softmax_q15(int16_t *x, int len);
void layernorm_q15(int16_t *x, const int16_t *gamma,
const int16_t *beta, int len);
void tiny_forward(const int8_t *tokens, int seq_len,
int8_t intent, int8_t *slots) {
static int16_t q[L*H], k[L*H], v[L*H];
static int16_t kv_cache[H*L];
// 1. Embedding lookup
for(int i=0;i<seq_len;i++)
memcpy(&q[i*H], &emb_table[tokens[i]*H], H*2);
// 2. Self-Attention
matmul_q8_q15(W_q, q, q, H, seq_len);
matmul_q8_q15(W_k, q, k, H, seq_len);
matmul_q8_q15(W_v, q, v, H, seq_len);
// ... 省略 KV-Cache 更新 ...
softmax_q15(attn_score, seq_len);
// 3. Feed-Forward
matmul_q8_q15(W_out, attn_out, q, H, seq_len);
layernorm_q15(q, gamma, beta, seq_len*H);
// 4. 分类头
intent = argmax_int8(q);
memcpy(slots, &q[INTENT_DIM], SLOT_DIM);
}----
4. 端到端 Benchmark
指标 数值 备注
Flash 240 KB 含模型+引擎
RAM 59 KB 实测峰值
推理延迟 184 ms 400 MHz Cortex-M7
准确率 96.1 % 测试集 2000 句
功耗 23 mW 3.3 V 运行
----
5. 踩坑日记：那些没人告诉你的细节
1. Cache Miss 地狱
128×128 GEMM 在 STM32 的 32 KB I-Cache 里来回抖动。
解决：把权重按 32×128 tile 重排，命中率从 60 % → 94 %。
2. 4-bit KV 反量化
2 个 4-bit 打包成 1 byte，移位 + 查表，一次反量化 8 个值，耗时从 1.8 ms → 0.7 ms。
3. 链接脚本玄学
.rodata 默认对齐 8 byte，导致 Flash 多占 5 KB。
解决：自定义 ALIGN(1)，手动打包结构体。
----
6. 开源 & 下一步
GitHub：
https://github.com/embeddedai/tiny-transformer
已支持：
• Keil / STM32CubeIDE 工程模板
• 一键量化脚本（PyTorch → C header）
Roadmap：
• ☐ LoRA 微调：在 MCU 里在线更新 4 KB Adapter；
• ☐ Vision Transformer：把 32×32 灰度图压缩到 1 KB Embedding；
• ☐ RISC-V 移植：跑在 25 元的 BL702 上。
----
7. 结语：边缘 AI 的尽头是“硅片上的魔法”
当 20 元的温控器也能听懂“把客厅温度调到 26 度，顺便开点窗户”，
你会发现 AI 不再是一行行 Python，而是 1 KB 代码里跳动的电平。
如果你也在做 TinyML，欢迎留言交流；
如果这篇文章帮到你，记得点个 Star ⭐，一起把 Transformer 塞进更小的世界！