1. 环境搭建与模型转换流程

任务目标

本案例完成TFLite开发环境搭建，并将一个Keras训练的全连接网络模型转换为TensorFlow Lite格式，验证转换结果可用于后续STM32部署。最终产出：.tflite模型文件及转换流程验证结论。

环境依赖

• Python 3.8+，安装TensorFlow 2.x（CPU版即可）：pip install tensorflow==2.13.0
• STM32部署所需：STM32CubeMX、X-CUBE-AI扩展包（本案例仅完成模型转换，不涉及烧录）

完整实现代码

import tensorflow as tf
import numpy as np

# 1. 生成简单数据集：y = 2x + 1
x_train = np.array([1.0, 2.0, 3.0, 4.0, 5.0], dtype=np.float32)
y_train = np.array([3.0, 5.0, 7.0, 9.0, 11.0], dtype=np.float32)

# 2. 构建并训练Keras模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, input_shape=[1])
])
model.compile(optimizer='sgd', loss='mse')
model.fit(x_train, y_train, epochs=200, verbose=0)

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

# 4. 保存模型文件
with open('linear_model.tflite', 'wb') as f:
    f.write(tflite_model)

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

input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# 输入输出张量形状验证
assert input_details[0]['shape'].tolist() == [1, 1], "输入形状应为[1,1]"
assert output_details[0]['shape'].tolist() == [1, 1], "输出形状应为[1,1]"

# 推理验证：输入x=6，预期输出接近13
test_input = np.array([[6.0]], dtype=np.float32)
interpreter.set_tensor(input_details[0]['index'], test_input)
interpreter.invoke()
output = interpreter.get_tensor(output_details[0]['index'])
print(f"输入x=6，模型输出: {output[0][0]:.4f}")

# 6. 量化信息检查（确认当前为float32模型）
quant_params = input_details[0].get('quantization', None)
print(f"量化参数: {quant_params}")
print("模型转换与验证完成")

运行方式

python tflite_convert_demo.py

验证方法与通过条件

• 文件生成：当前目录出现linear_model.tflite文件，大小约数百字节至1KB。
• 形状断言：脚本中两个assert通过，无异常抛出。
• 推理输出：控制台打印的输出值接近13.0（误差在±0.5内视为正常，因训练随机性）。
• 量化参数：打印结果为(0, 0)或None，表示当前为float32模型，可直接用于X-CUBE-AI后续量化部署。

STM32部署接入说明

将生成的linear_model.tflite导入STM32CubeMX中的X-CUBE-AI扩展，选择STM32目标芯片后执行Analyze，确认RAM/Flash占用满足芯片资源即可生成C代码工程。本案例不涉及具体烧录与板级验证。

常见问题

• TensorFlow版本不兼容：若from_keras_model报错，确认使用TF 2.x而非1.x。
• 模型输入形状：STM32端调用时输入必须为[1,1]的float32数组，否则推理结果异常。
• 量化必要性：当前float32模型在STM32F4系列可直接运行，若芯片Flash小于256KB，需在转换时添加converter.optimizations = [tf.lite.Optimize.DEFAULT]进行int8量化。