TinyML模型训练最佳实践：持续学习
昨晚调试一块STM32U5上的手势识别模型，发现部署三周后准确率从92%掉到了78%。用户新增了几个自定义手势，模型开始把“滑动”误判成“点击”。这不是过拟合，是典型的“灾难性遗忘”——新知识覆盖了旧知识，而TinyML设备又不能像云端那样随时全量重训。
这个问题在嵌入式ML领域太常见了。今天聊聊持续学习（Continual Learning）在TinyML场景下的落地实践，不是理论堆砌，是踩过坑后的血泪经验。
为什么TinyML的持续学习比云端更难
云端做持续学习，你有GPU集群、无限存储、随时可以回放历史数据。嵌入式设备呢？Flash可能就2MB，RAM 256KB，没有文件系统，甚至没有操作系统。更致命的是——你不能让用户等待模型重训。
我见过一个团队在Cortex-M4上跑全量重训，每次15分钟，电池直接崩了。用户反馈：“这设备用着用着就卡死了。”这不是持续学习，这是持续崩溃。
TinyML的持续学习核心矛盾在于：模型需要适应新数据，但资源不允许保留所有旧数据。解决方案不是硬扛，是策略性妥协。
弹性权重巩固：给重要参数上“锁”
先解决灾难性遗忘。EWC（Elastic Weight Consolidation）在学术界被吹上天，但在嵌入式上直接跑会炸——计算Fisher信息矩阵需要反向传播，对MCU来说太奢侈。
我的做法是离线计算+在线冻结。在训练阶段，用PC计算每个参数对旧任务的重要性
