📚 课程目录第4章 Keras模型导出

4. Keras模型导出：构建、保存与可视化

好，我们进入第四章。这一章其实很实在——就是教你如何把一个Keras模型从零搭出来，存成.h5文件，再把它的结构看个清清楚楚。别小看这一步，我在项目里见过太多人模型训练完了，结果导出格式不对，或者压根不知道模型里有多少参数，最后部署到STM32上直接翻车。

说白了，这一步是连接训练和部署的桥梁。桥没搭好，后面全白干。

4.1 构建一个简单的Keras模型

我们先从最基础的开始。假设你要做一个二分类任务，输入是4个特征，输出是0或1。这种场景在嵌入式里很常见，比如传感器数据分类、简单故障检测。

我个人习惯用Sequential模型，简单直观。来看代码：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential([
    layers.Dense(16, activation='relu', input_shape=(4,), name='dense_1'),
    layers.Dense(8, activation='relu', name='dense_2'),
    layers.Dense(1, activation='sigmoid', name='output')
])

model.summary()

嗯，这里要注意几点：

input_shape 必须明确指定，不然后面导出会报错。我踩过这个坑。
name 参数建议加上，方便后面可视化时辨认层。
激活函数选 sigmoid 是因为二分类输出需要0~1之间的概率值。

运行 model.summary() 你会看到类似这样的输出：

层名	输出形状	参数量
dense_1 (Dense)	(None, 16)	80
dense_2 (Dense)	(None, 8)	136
output (Dense)	(None, 1)	9

总参数量225个。对于STM32来说，这个量级非常友好。我曾经把一个30万参数的模型硬塞到STM32F4上，结果RAM直接爆了。所以，嵌入式模型的第一原则就是：参数越少越好。

4.2 保存为.h5文件

模型搭好了，接下来就是保存。Keras提供了两种保存方式，但这里我只推荐一种：

model.save('my_model.h5')

就这么一行。它会保存模型的架构、权重、训练配置以及优化器状态。为什么强调这个？因为STM32Cube.AI在导入时，需要完整的模型结构信息，光有权重文件是不够的。

注意： 不要用 model.save_weights() 保存。它只保存权重，不保存结构。STM32Cube.AI无法直接导入这种文件。我刚开始做的时候就用错了，折腾了半天才发现问题。

如果你只想保存架构（比如用于可视化），可以用：

# 保存为JSON格式
json_string = model.to_json()
with open('model_architecture.json', 'w') as f:
    f.write(json_string)

但说实话，对于STM32部署，.h5 文件才是王道。

4.3 模型结构可视化

光看 summary() 的文字输出还不够直观。我建议你用Keras自带的可视化工具，把模型结构画出来：

from tensorflow.keras.utils import plot_model

plot_model(model, to_file='model_structure.png', show_shapes=True, show_layer_names=True)

这会生成一张PNG图片，清晰展示每一层的输入输出形状和连接关系。对于调试和文档编写都非常有用。

不过，如果你在服务器上跑代码，没有图形界面，可以用下面这个SVG方案——这也是我推荐的方式，因为可以直接嵌入到文档或网页中：

    关键点： 可视化不只是为了好看。它能帮你快速发现结构错误，比如层连接顺序不对、输入输出维度不匹配。我在项目中就靠这个发现过一次全连接层顺序写反的问题。

4.4 参数统计与分析

参数统计是很多人忽略的一步。你想想看，STM32的RAM和Flash就那么点，模型参数一多，根本装不下。所以，在导出之前，一定要搞清楚你的模型到底有多“重”。

Keras提供了几种方式来获取参数信息：

# 方式1：直接看summary
model.summary()

# 方式2：获取可训练参数数量
trainable_params = sum([tf.keras.backend.count_params(w) for w in model.trainable_weights])
print(f'可训练参数: {trainable_params}')

# 方式3：获取每层参数详情
for layer in model.layers:
    params = layer.count_params()
    print(f'{layer.name}: {params} 个参数')

输出结果：

层名	权重形状	偏置形状	参数量
dense_1	(4, 16)	(16,)	80
dense_2	(16, 8)	(8,)	136
output	(8, 1)	(1,)	9

这里有个小技巧：参数量 = 权重数 + 偏置数。比如 dense_1 层，权重是4×16=64个，偏置是16个，加起来80个。这个计算方式在STM32Cube.AI里也会用到，它会根据参数量估算Flash占用。

经验值参考： 对于STM32F4系列，建议模型总参数量控制在10万以内；对于STM32H7系列，可以放宽到50万左右。超过这个量，推理速度会明显下降，甚至可能因为RAM不足而无法加载。

4.5 导出前的最终检查清单

在把模型交给STM32Cube.AI之前，我建议你过一遍这个清单：

输入形状确认：input_shape 是否与传感器数据匹配？
输出激活函数：分类用softmax/sigmoid，回归用linear，别搞混。
参数总量：是否在目标芯片的承受范围内？
文件格式：必须是 .h5，不是 .hdf5 或 .weights.h5。
模型可加载性：用 keras.models.load_model() 试加载一次，确保文件没损坏。

我曾经有一次，模型训练了三天，结果导出时忘了加 input_shape，STM32Cube.AI直接报错。那种感觉，嗯，不想再体验第二次。