朝生暮死

我做这个博客，不是要从零构建系统，而是用FlecBlog记录学习。它逼我把问题讲清楚，内容涵盖读书、竞赛项目、论文、杂项与阶段总结，也作为个人成长档案，留下真实的时间线。

我回顾了24年入学后的竞赛经历：Kaggle打铁、蓝桥杯省三，到大数据挑战赛获国家二等奖。我逐渐明白，比赛的价值不只是奖项，而是理解问题、持续迭代和获取反馈；目标也从证明自己转向把问题真正做好。

我回顾一年多的阅读：从《学习究竟是什么》《蛤蟆先生》《刘擎》《原则》到政治、历史、文学等六十多本书。它们没让我记住多少知识，而是让我从等待答案转向独立思考，学会在痛苦中反思、自己判断。

本文综述了低成本、低功耗Edge AI和TinyML在精准农业中的应用，分析了INT8量化作为主导优化方法，并提出了包含物理感知、推理执行、边缘处理和云端训练的四层部署架构，强调本地优先与分层卸载。

这篇文章研究了在微控制器上运行关键词识别的方法，统一训练并比较了DNN、CNN、LSTM、GRU、CRNN和DS-CNN，以准确率、内存和运算量为指标。结果表明，提出的深度可分离卷积网络DS-CNN表现最佳，并公开了代码、模型定义和预训练模型。

本文介绍了如何将训练好的神经网络模型通过TFLM部署到MCU上，详细说明了模型转换、内存规划、算子解析等关键步骤，以及应对嵌入式设备碎片化和资源限制的设计方法。

我在本文中系统梳理了联邦学习与TinyML的基础概念，重点介绍了TinyML在农业声学监测中的优势：本地推理、低功耗、适合田间部署。接着总结了量化、剪枝等模型优化方法及主流工具链，并列举了相关教育资源和应用文献，为项目实践提供参考。

本文基于传输延迟使传统物联网不切实际的背景，从作者视角探讨TinyML与设备端推理的优势：近乎零延迟、保护隐私安全，并分析硬件限制、模型选择及核心压缩技术。最后指出其在弱电弱网等低资源环境中的实用价值。

我用AI识图提取并分类了这些书籍，涵盖经济、历史、文学等十类。未来会整理上传读书笔记，并人工重新分类书单，为每本书添加简要概要和推荐理由。

我改进了RSS-AI阅读工具，针对原版高产源刷屏、内容旱涝不均及LLM输出失控问题，实现了固定+随机双轨订阅、轮询配额分配、pending队列和三层内容审查，显著提升了推送质量与信息多样性。