1. 环境搭建与模型转换流程

任务目标

本案例完成两项核心工作：搭建STM32模型部署所需的PC端软件环境，并将一个TensorFlow Keras模型转换为TensorFlow Lite格式。转换后的.tflite文件将作为后续STM32工程部署的输入模型。

环境需求

• Python 3.8~3.11（推荐3.10）
• TensorFlow 2.13（CPU版即可）
• STM32CubeMX（用于生成STM32工程框架，本案例仅验证环境连通性）
• STM32CubeIDE 或 Keil MDK（编译烧录工具，本案例不涉及具体硬件代码）

环境安装命令

# 创建虚拟环境（可选但推荐）
python -m venv tflite_env
# Windows激活: tflite_env\Scripts\activate
# Linux/Mac激活: source tflite_env/bin/activate

# 安装TensorFlow CPU版
pip install tensorflow-cpu==2.13.0

# 验证安装
python -c "import tensorflow as tf; print(tf.__version__)"

模型转换完整代码

以下代码创建一个简单的正弦波拟合模型（全连接网络），训练后转换为TFLite格式，并验证转换结果。

import numpy as np
import tensorflow as tf
from tensorflow import keras

# 1. 生成训练数据：y = sin(x)
x_train = np.linspace(0, 2*np.pi, 1000, dtype=np.float32).reshape(-1, 1)
y_train = np.sin(x_train).astype(np.float32)

# 2. 构建简单全连接模型
model = keras.Sequential([
    keras.layers.Dense(32, activation='relu', input_shape=(1,)),
    keras.layers.Dense(32, activation='relu'),
    keras.layers.Dense(1)
])

model.compile(optimizer='adam', loss='mse')

# 3. 训练模型（少量epoch即可）
model.fit(x_train, y_train, epochs=50, verbose=0)

# 4. 转换为TFLite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# 5. 保存.tflite文件
with open('sine_model.tflite', 'wb') as f:
    f.write(tflite_model)

# 6. 验证转换结果
interpreter = tf.lite.Interpreter(model_path='sine_model.tflite')
interpreter.allocate_tensors()

# 获取输入输出详情
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
print(f"输入shape: {input_details[0]['shape']}")
print(f"输出shape: {output_details[0]['shape']}")
print(f"输入dtype: {input_details[0]['dtype']}")

# 7. 测试推理一致性
test_input = np.array([[1.0]], dtype=np.float32)
interpreter.set_tensor(input_details[0]['index'], test_input)
interpreter.invoke()
tflite_output = interpreter.get_tensor(output_details[0]['index'])

# 与原始Keras模型对比
keras_output = model.predict(test_input, verbose=0)
print(f"TFLite输出: {tflite_output[0][0]:.6f}")
print(f"Keras输出: {keras_output[0][0]:.6f}")
print(f"误差: {abs(tflite_output[0][0] - keras_output[0][0]):.6f}")

运行方式

# 将上述代码保存为 convert_tflite.py
python convert_tflite.py

验证方法与通过条件

• 环境验证：TensorFlow成功导入且版本号为2.13.x。
• 转换验证：当前目录生成 sine_model.tflite 文件，文件大小通常为1~3KB。
• 一致性验证：控制台输出的TFLite推理结果与Keras模型推理结果误差小于0.001，说明转换后模型精度未发生明显损失。
• 部署前置验证：输入shape为 [1, 1]，dtype为 float32，该信息将用于后续STM32工程的TensorFlow Lite for Microcontrollers配置。

常见问题

• 转换报错：若提示缺少keras，执行 pip install keras==2.13.1；若提示numpy版本冲突，执行 pip install numpy==1.24.3。
• STM32CubeMX集成说明：本案例生成的 sine_model.tflite 文件，后续在STM32CubeMX中通过 X-CUBE-AI 扩展包或 TensorFlow Lite for Microcontrollers 库导入，即可生成C数组或调用解释器进行推理。该步骤属于后续案例内容，本案例仅完成模型准备。